Hyper：AI Agent 的「公司大脑」——让你的 Agent 真正理解业务上下文
如果你正在用 Claude Code、Codex 或 Cursor 写代码，你可能已经注意到了一个问题：这些 AI 编码 Agent 很聪明，但对你们公司的业务上下文几乎一无所知。
它们不知道你们项目的历史决策、不知道 Slack 里讨论过的架构方案、不知道上周五的会议上为什么放弃了一个技术选型。每次问一个涉及公司内部信息的问题，你都得先手动翻文档、搜 Slack、找邮件，然后把上下文粘贴给 Agent——而一旦会话结束，这些上下文就完全丢失了。
这就是 YC P26 的最新项目 Hyper 要解决的核心问题。
为什么 AI Agent 需要「公司大脑」？
| 场景 | 传统做法 | 痛点 |
|---|---|---|
| 写一封给客户的邮件 | 翻找历史邮件、查看产品文档、回忆团队决策 | 30-60 分钟 |
| 写 launch 脚本 | 搜 Slack 历史、翻 Notion 文档、问同事 | 反复切换上下文 |
| 代码重构 | 不知道当初为什么这么设计 | 可能引入回归 bug |
| 新人入职 | 大量翻阅历史文档和 PR | 上手周期长 |
Hyper 的思路很直接：把公司内散落在 Slack、文档、邮件、日历中的信息，变成一个 AI Agent 可以随时查询的知识图谱。它不是又一个知识管理工具——而是 Agent 的「长期记忆层」。
Hyper 的核心架构
Hyper 由两个层次的记忆系统构成：
Episodes（原始素材）：直接从 Slack、Google Docs、Email、Calendar、Granola 等来源采集的原始数据，保持其完整性和时间线，作为可追溯的「事实源头」。
Facts（提炼事实）：从每个 Episode 中提取出的结构化事实，以「主语-谓语-宾语」的形式存储。例如 (Shalin, works_at, Hyper)、(项目A, 技术选型, PostgreSQL)。每个 Fact 带有时间戳、来源溯源和权限标签。
Facts 之间形成了有类型的图关系：X 与 Y 矛盾、A 衍生自 B、J 取代 K。当新信息进来时，周围的事实会自动更新——比如「我们周五发货」后来被「我们周一发货」取代，旧事实不会被自动删除，而是标记为「已取代」，这样你仍然可以追溯决策过程。
快速上手：3 分钟让 Agent 拥有公司记忆
Hyper 注册后有 3 天免费试用。以下是核心设置流程：
1. 注册账号
访问 heyhyper.ai 注册，支持 GitHub 或 Google 账号登录。
2. 连接数据源
在 Dashboard 中连接你的数据来源：
- Slack：选择要同步的频道和工作区
- Google Docs / Drive：授权读取特定文件夹
- Email：Gmail 或 Google Workspace 集成
- Calendar：Google Calendar 同步日程和会议记录
- Granola：AI 笔记工具集成（自动抓取会议笔记）
3. 集成到你的 AI 编码工具
Hyper 通过两种方式与 AI Agent 交互：
方式 A：生命周期钩子（推荐）
Hyper 直接注入到 Claude Code、Codex、Cursor 或 Cowork 的 prompt 生命周期中：
你：请帮我写一个本周发布会的 announcement 邮件 → Hyper 自动注入： - 产品最近的更新日志 - 团队在本周 Slack 中讨论的定价变化 - 上个月决定延期上线的功能列表 → Agent 基于这些上下文写出更精准的邮件
方式 B：MCP 工具调用
对于不支持生命周期钩子的工具，Hyper 暴露为标准 MCP Server，可通过其文档提供的配置方式快速接入。
Agent 通过 hyper_query 和 hyper_fact 两个工具直接读写 Hyper 的知识图谱。
4. 验证集成
向 Agent 问一个涉及公司内部信息的问题——比如「我们项目现在用的是什么数据库？当初为什么选这个？」如果 Agent 能给出准确回答，说明集成成功。
核心功能详解
混合检索：语义搜索 + 全文搜索
Hyper 使用 Reciprocal Rank Fusion 算法，融合了两种检索方式：
1. 用户查询 → Query Expansion（生成同义和关联查询） 2. 语义搜索 → Embeddings 在 Facts 上做向量相似度 3. 全文搜索 → PostgreSQL 全文索引精确匹配 4. Reciprocal Rank Fusion → 合并两个结果集，重排序
基于角色的权限隔离
这是一个容易被忽视但极其重要的特性：同一个问题，不同的人得到不同的答案。
每个 Fact 携带访问控制标签，只有有权限的人才能搜索到它。这意味着工程师和销售问「客户 X 的当前状态是什么？」会得到不同范围的信息——不会出现工程师看到客户合同的定价细节。
自动事实冲突处理
当知识图谱中出现矛盾事实时（比如两个不同的会议文档对同一个决策有不同记录），Hyper 不自动删除旧事实，而是用时间戳和优先级标记它们：
事实 A：2026-06-01「项目使用 PostgreSQL」（来源：技术评审文档） 事实 B：2026-06-03「项目切换到 DynamoDB」（来源：Slack 讨论） → 查询时返回 B 作为当前状态，A 作为历史记录
Hyper vs 其他方案
| 维度 | Hyper | 手动粘贴上下文 | MCP 文件工具 | 其他 Agent 记忆方案 |
|---|---|---|---|---|
| 知识持久化 | ✅ 跨会话持久 | ❌ 每次会话丢失 | ❌ 会话级 | ⚠️ 部分方案仅存对话 |
| 自动增量采集 | ✅ Webhook + 轮询 | ❌ 全手动 | ❌ 无 | ⚠️ 有限 |
| 结构知识图谱 | ✅ Facts + 图关系 | ❌ 纯文本 | ❌ 无 | ⚠️ 仅向量 |
| 冲突处理 | ✅ 优先级+时间线 | ❌ 无 | ❌ 无 | ❌ 无 |
| 权限控制 | ✅ 基于标签隔离 | ❌ 无 | ❌ 无 | ❌ 通常无 |
| 编码工具集成 | ✅ Claude Code/Codex/Cursor | ❌ 手动复制 | ⚠️ 部分支持 | ⚠️ 有限 |
| 定价 | 3 天免费试用 | 免费 | 免费 | 按量/月付 |
适用场景
Hyper 最适合：
- 团队超过 5 人：信息分散在多个人的头脑和不同工具中，需要 Agent 能「读公司」
- 频繁使用 AI 编码 Agent：每天 10+ 次向 Agent 问需要公司上下文的问题
- 有知识管理需求：已经有 Notion/Confluence 但发现 Agent 不会用
- 希望减少上下文粘贴：让 Agent 在第一次提问时就有足够的业务背景
不适合的场景：
- 单人开发者：自己知道所有上下文，粘贴就够了
- 不使用 AI Agent 的团队：Hyper 的价值完全取决于 Agent 的使用频率
- 纯技术工具（无公司内部信息依赖）：只需要写技术代码，不需要公司决策背景
几点注意事项
- 这是 SaaS 产品：数据会存储在 Hyper 的云端，对于有严格合规要求的公司需要确认隐私政策
- 集成有时间成本：虽然基础设置 3 分钟，但要让 Hyper 积累足够的 Facts，需要几天到数周的时间
- 不是所有工具都支持生命周期钩子：目前支持 Claude Code、Codex、Cursor、Cowork，其他工具需要通过 MCP 集成
- 3 天免费试用：试用结束后需要付费使用
总结
Hyper 解决了一个被大多数 AI 编程工具忽略的核心问题：Agent 再聪明，如果不知道公司的上下文，它的回答也只能停留在通用技术层面。
对于正在使用 AI 编码 Agent 的团队来说，Hyper 提供了一种相对优雅的方式——让 Agent 拥有公司级别的「长期记忆」，而不再依赖每次手动的上下文粘贴。如果你每天花大量时间给 Agent 补充背景信息，这值得一试。