소프트웨어 구축과 최첨단 인지 컴퓨팅 기술을 이용한 자율적 인지 시스템 배포는 업계 전체가 공유하는 구조적 장애물에 직면해 있습니다. 바로 컨텍스트 메모리의 내재적 변동성입니다. 현대의 파운데이션 모델(foundation models)들이 아무리 광범위한 컨텍스트 윈도우를 가지고 있더라도—수십만 또는 수백만 개의 어휘 단위로 점진적으로 확장되었을지라도—원시적인 대화 기록을 무분별하게 축적하는 것은 필연적으로 주의 집중의 정확성 저하(context rot)와 대화 주기당 계산 시간 지연의 기하급수적 증가, 그리고 추론 생성의 운영 비용 폭증을 초래합니다. 수 주에 걸친 소프트웨어 구축 흐름이나 대규모 협업 워크플로우에 직면했을 때, 현대의 에이전트 개념 구조(conceptual topologies)는 종종 10개 대화 주기 전에 확정된 개념적 토폴로지 결정 사항들을 잊거나 이미 수정된 코드 디버깅 반복 주기에 빠집니다. 이러한 존재론적 한계를 극복하기 위해 Tencent Hunyuan의 인지 컴퓨팅 기술 부문은 Hy-Memory 2.0의 전체 코드 공개를 공식 발표했습니다. 이는 현대의 프로그래밍 에이전트 및 대화형 어시스턴트를 위한 영구 메모리(persistent memory)의 총체적이고 모듈식인 솔루션으로, 이들을 지속적인 지식 보유 능력을 갖춘 시스템으로 변환하도록 특별히 설계되었습니다.
완전 개방적인 Apache 2.0 라이선스 하에 제공되는 Hy-Memory 2.0 에코시스템은 세 가지 보완적인 산업 수준의 구성 요소를 갖추고 있습니다: 클라이언트 라이브러리 및 SDK인 hy-memory (안정 버전 2.0.2), 데스크톱 인터페이스와 명령줄 인터페이스를 가진 로컬 관리 애플리케이션 MemHub (주요 소프트웨어 개발 통합 환경 및 자율 에이전트 중 시장의 10개를 즉시 플러그 앤 플레이로 통합하며, 선도적인 프로그래밍 편집기 및 자율 어시스턴트를 포함), 그리고 모순 추출 및 해결을 위한 전용 신경 모델 Hy-Memory-30B-A3B입니다. Hunyuan의 희소 전문가(sparse expert) 토폴로지로 구축되어 각 순방향 패스 동안 30억 개의 시냅스 가중치만 활성화하는 이 전문 모델은 복잡한 상호 작용 흐름을 처리하여 개체를 추출하고, 시간적 전제 변화를 감지하며, 정보를 중복 제거한 다음 로컬 SQLite 관계형 데이터베이스 및 계층적 벡터 인덱스에 통합합니다. 이러한 개념적 토폴로지가 가지는 실제적인 영향은 즉각적입니다: 엄격한 학술 벤치마크인 **LoCoMo (연속 메모리 평가)**에서 Hy-Memory 2.0은 72.6%의 새로운 글로벌 정확도를 달성하는 동시에, 쿼리당 평균 계산 키워드 볼륨을 1,159개에서 703개 전형으로 줄여 컨텍스트 오버헤드를 39.3% 절감했습니다.
Arquitetura Tencent Hy-Memory 2.0: Working Memory, Code Memory e Chat Memory com MemHub
1. 사실과 뉴스: 개방형 및 로컬 우선의 에이전트 메모리로의 전환
Tencent Hy-Memory 2.0의 출시는 오픈 소스 컴퓨테이셔널 인지 기술 생태계와 폐쇄형 독점 플랫폼 간의 군비 경쟁에 있어 변곡점을 의미합니다. 이번 공개 이전까지, 기업 소프트웨어 엔지니어 및 엔지니어링 팀들은 여러 프로그래밍 세션 전반에 걸쳐 장기적인 기억 유지를 요구받았으나, 원격 인프라의 독점 솔루션을 이용하거나 단순히 격리된 임베딩 저장소 위에 순수하게 단순한 RAG(Retrieval-Augmented Generation) 기반의 자체 시스템을 구현하는 것에 국한되어야 했습니다. 표준 RAG의 만성적인 문제는 시간적 민감성의 부재에 있습니다: 작업 세션 초기에 발행된 지침과 동일한 관련성 점수를 가지는, 오래되거나 모순되는 문서의 벡터 유사 조각들이 검색됩니다.
-
절대적인 개인 정보 보호 및 데이터 주권: 모든 컨텍스트 데이터, 사설 저장소의 편집 기록 및 대화 로그는 소프트웨어 엔지니어의 로컬 머신 또는 회사의 자체 인프라에 상주하며, 암호화된 SQLite 구조와 압축된 HNSW 인덱스에 저장됩니다. 내부 코드 조각은 요약이나 메모리 통합을 목적으로 제3자 공급업체로 전송되지 않습니다.
-
10개 환경과의 범용 상호 운용성: 소프트웨어 엔지니어의 작업을 단일 독점 편집기에 묶어두는 폐쇄형 생태계와 달리, MemHub 애플리케이션은 시장을 선도하는 10개 환경에 투명하게 연결됩니다. 이는 주 편집기, 운영 콘솔 어시스턴트 및 백그라운드의 자율적 인지 시스템 사이에 공통의 인지 기판(cognitive substrate) 역할을 수행합니다.
-
메모리 엔진과 추론 모델의 분리: 소프트웨어 엔지니어는 선호하는 기반 모델을 사용하는 완전한 자율성을 유지합니다. 이 과정에서 최첨단 동시대 모델(DeepSeek 4.1, Claude Fable 5.1, GPT-6 Astra 및 Gemini 3.8 Flash Cyber)이 구동하는 자율 액터들을 오케스트레이션할 수 있습니다. 한편, Hy-Memory 2.0과 그 보조 전문가 모델은 응답 시간 5ms 미만으로 컨텍스트 추출, 인덱싱 및 주입 사이클을 조용히 처리합니다.
Tencent Hunyuan이 제공하는 오픈 패키지에는 MoE Hunyuan 30B-A3B의 전체 가중치(weights)가 포함되어 있습니다. 이 가중치는 분산 추론 생성 엔진, 고성능 추론 생성 엔진 및 로컬 추론 생성 엔진과 호환되는 형식으로 제공되며, VRAM 소비 제어를 통해 워크스테이션에서의 로컬 실행을 위한 FP8 및 INT4 양자화된 가중치와 복잡한 기업 파이프라인 확장을 위한 Python 및 TypeScript용 준비된 라이브러리도 함께 제공됩니다.
2. 세 가지 계층의 아키텍처: 작업 메모리(Working Memory), 코드 메모리(Code Memory) 및 채팅 메모리(Chat Memory)
Hy-Memory 2.0의 기술적 우수성은 세 가지 기능적으로 엄격하게 격리된 계층적 구조에서 비롯되며, 각 계층은 고유한 시간 유지 규칙, 표현의 세분성(granularity of representation), 그리고 만료 정책에 의해 관리됩니다. 시스템은 모든 어휘 단위 흐름을 비정형적인 텍스트 블록으로 취급하는 대신, 지식을 작업 메모리 (Working Memory), 코드 메모리 (Code Memory), 그리고 **채팅 메모리 (Chat Memory)**로 분할합니다.
계층 1: 작업 메모리 (Working Memory) (단기 작동 기억)
_작업 메모리(Working Memory)_는 자율 에이전트의 휘발성 작업 기억으로 작용합니다. 이는 복합 목표 실행의 현재 상태를 기록하는 역할을 하며, 여기에는 분해된 행동 계획, 보류 중인 하위 작업 목록, 새로 호출된 자동화 도구의 원시 출력(예: 셸 반환값 또는 API 호출), 그리고 중간 추론을 위한 초안(scratchpad)이 포함됩니다.
자율 인지 시스템이 배포된 모듈을 리팩토링하기 위해 50회 반복 루프를 실행할 때, 이 50개 자동화 도구 호출 기록 전체를 입력 명령어에 주입하면 모델의 컨텍스트 창(window)이 포화됩니다. 작업 메모리는 현재 상태의 변화량(delta)만을 동적으로 합성합니다. 즉, 어떤 파일들이 이미 단위 테스트로 검증되었는지, 어떤 함수들이 컴파일에 실패했는지, 그리고 다음에 트리거되어야 할 단계가 무엇인지를 기록합니다. **MemoryArena (목표 지속성 스위트)**라는 전문 벤치마크는 자율 에이전트가 완료된 작업의 환각 없이 128개 순차 사이클 동안 운영 일관성을 유지하는 능력을 측정하도록 설계되었으며, Hy-Memory 2.0의 작업 메모리 계층은 **55.31%**의 점수를 기록했습니다. 이는 순차적 요약 압축에만 의존하는 파이프라인과 비교하여 8.4 퍼센트 포인트 향상에 해당합니다.
계층 2: 코드 메모리 (Code Memory) (레포지토리 및 AST 의미론적 기억)
지속적인 소프트웨어 엔지니어링 요구사항을 충족하도록 설계된 _Code Memory_는 단순히 분리된 텍스트 조각들을 저장하는 것을 넘어, 프로젝트의 추상 구문 트리(AST) 위에 구조화된 의미론적 그래프를 구축합니다. 이 계층은 파일 간 임포트 관계, 함수 시그니처, 인터페이스 타입 및 diff와 커밋의 시간적 히스토리 등 다양한 관계를 인덱싱합니다.
코드베이스의 정적 그래프 외에도 Code Memory는 학습된 운영 교훈(lessons learned)의 영속성을 도입합니다. 만약 소프트웨어 엔지니어가 자율 에이전트에게 회사 메시징 라이브러리가 커스텀 싱글톤(singleton) 하에서 비동기 초기화가 필요하다고 수정 지시할 경우, Code Memory는 이 지침을 특정 설정 파일에 앵커링하여 기록합니다. 향후 동일 모노레포지토리의 다른 마이크로서비스를 포함하는 작업 과정에서, 이러한 제약 조건은 선제적으로 검색되어 새 코드를 생성하기 전 프롬프트 명령어에 주입됩니다. **CodeMemoryBench (AST 및 리포지토리 벤치마크)**의 엄격한 테스트에서 이 계층은 **코드 컨텍스트 복구 정확도 64.2%**와 **SWE 수준 문제 직접 해결률 35.6%**를 달성하며 기존 에이전트 파이프라인을 능가했습니다.
계층 3: Chat Memory (대화형 에피소드 메모리)
_Chat Memory_는 단편적인 대화와 산발적인 진술들을 주어-관계-시간 삼중항(triples of entity-relation-time)으로 인덱싱된 구조화된 에피소드 이벤트로 변환합니다. 채팅 자율 에이전트의 가장 심각한 문제점 중 하나는 전제 조건의 불일치입니다. 만약 사용자가 월요일에 프로덕션 컴퓨팅 노드가 Python 3.12를 실행한다고 주장했지만, 목요일에는 Python 3.14로 마이그레이션했다고 선언한다면, 전통적인 의미론적 유사성 검색 시스템은 두 주장을 모두 복구하여 모델이 호환되지 않는 스크립트를 생성하도록 유도합니다.
특화 모델인 Hy-Memory-30B-A3B는 이 계층에서 직접 작동하며 의미적 조정(reconciliação semântica)을 수행합니다. 이는 가장 최근의 진술이 이전 사실을 시간적으로 무효화한다는 것을 인식하고, 레거시 데이터를 보관 처리한 후 현재 유효한 운영 진실만을 활성 상태로 유지하는 방식입니다. 최대 10만 개의 어휘 단위에 달하는 연속 대화에서 대화형 사실 보유(retenção de fatos conversacionais)에 초점을 맞춘 LoCoMo 벤치마크에서, Hy-Memory 2.0은 **72.6%**의 정확도를 달성하며 컨텍스트에 불필요하게 주입되는 어휘 단위 수를 급격히 줄였습니다.
Pipeline Unificado MemHub: editores de construção de software, Roteamento SDK, Modelo MoE e Armazenamento SQLite
3. 실제 벤치마크 대결: 동시대적 경계와의 직접적인 충돌
Tencent Hy-Memory 2.0의 실험 분석은 그 보유 능력, 검색 정확도 및 경제적 효율성을 현재 활성 세대의 가장 진보된 모델 및 스택과 직접적으로 비교하며 수행되었습니다. 비교 대상에는 DeepSeek 4.1, Claude Fable 5.1, 그리고 GPT-6 Astra가 포함됩니다. 이 평가는 네 가지 필수 차원을 고려했습니다: LoCoMo(장문 대화에서의 보유 및 에피소드 해결), CodeMemoryBench (AST 및 리포지토리)(리포지토리 이해 및 소프트웨어 구축 관습 보유), MemoryArena (목표 영속성 스위트)(다중 추론 대화 주기에서 행동 계획의 안정성) 그리고 쿼리당 평균 토큰 소비율.
