Hindsight

Hindsight™ 是一个开源的代理长期记忆系统，旨在解决当前 AI 代理“健忘”且无法从经验中成长的痛点。与传统的 RAG（检索增强生成）或简单的向量数据库不同，Hindsight 采用仿生记忆架构，模拟人类大脑处理信息的方式，将记忆分为世界事实、个人经历和心智模型三层。

它不仅记住对话历史，更能通过反思（Reflect）从经历中提取规律，形成可复用的心智模型，从而实现越用越聪明。在权威的 LongMemEval 基准测试中，Hindsight 取得了 SOTA（State-of-the-Art） 的性能表现。

核心创新：仿生三层记忆架构

Hindsight 摒弃了单一的向量存储，转而构建一个多维度的记忆网络：

四重混合检索机制

在回忆（Recall）时，Hindsight 并行执行四种搜索策略，并通过倒数排名融合（RRF）和交叉编码器重排序，确保最高相关性：

1. 语义搜索：基于向量相似度。
2. 关键词匹配：基于 BM25 的精确文本匹配。
3. 图谱检索：基于实体、时间和因果关系的图遍历。
4. 时间筛选：基于时间戳的范围过滤。

快速开始

Hindsight 支持 Docker 部署（推荐生产环境）和 Python 嵌入式运行（适合本地测试/轻量应用）。

方案一：Docker 部署（推荐）

export OPENAI_API_KEY=sk-xxx

docker run --rm -it --pull always -p 8888:8888 -p 9999:9999 \
  -e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY \
  -v $HOME/.hindsight-docker:/home/hindsight/.pg0 \
  ghcr.io/vectorize-io/hindsight:latest

• API 地址: http://localhost:8888
• UI 地址: http://localhost:9999
• 支持模型: OpenAI, Anthropic, Gemini, Groq, Ollama, LMStudio, MiniMax 等。

方案二：Python 嵌入式（无需服务器）

适合快速原型开发或单机应用。

pip install hindsight-all -U

import os
from hindsight import HindsightServer, HindsightClient

# 启动临时服务器
with HindsightServer(
    llm_provider="openai",
    llm_model="gpt-5-mini", 
    llm_api_key=os.environ["OPENAI_API_KEY"]
) as server:
    client = HindsightClient(base_url=server.url)
    
    # 1. Retain: 存储记忆
    client.retain(bank_id="my-bank", content="Alice works at Google")
    
    # 2. Recall: 检索记忆
    results = client.recall(bank_id="my-bank", query="Where does Alice work?")
    print(results)

方案三：客户端集成

pip install hindsight-client -U
# 或
npm install @vectorize-io/hindsight-client

Python 示例:

from hindsight_client import Hindsight

client = Hindsight(base_url="http://localhost:8888")

# 存储带上下文的记忆
client.retain(
    bank_id="user_123",
    content="Alice got promoted to senior engineer",
    context="career update",
    timestamp="2025-06-15T10:00:00Z"
)

# 反思并生成洞察
insights = client.reflect(bank_id="user_123", query="What are Alice's career trends?")

核心 API 操作

Hindsight 提供三个原子操作，完美对应人类认知过程：

1. Retain (记忆)

将新信息摄入系统。后台自动提取实体、关系、时间，并规范化存储。

client.retain(bank_id="bank_id", content="Content to remember")

2. Recall (回忆)

根据查询检索最相关的记忆片段。支持时间范围和元数据过滤。

client.recall(bank_id="bank_id", query="Query string")

3. Reflect (反思)

对现有记忆进行深度分析，生成新的心智模型或洞察。这是实现“学习”的关键。

client.reflect(bank_id="bank_id", query="What patterns do you see in recent failures?")

集成编码助手

Hindsight 提供了专门的 Skill，让 Claude Code、Cursor 等编码助手能即时访问文档和历史上下文。

npx skills add https://github.com/vectorize-io/hindsight --skill hindsight-docs

性能与基准

• LongMemEval SOTA: 在长期记忆评估基准中表现最佳，准确率超越传统 RAG 和知识图谱方案。
• 独立验证: 性能数据由弗吉尼亚理工大学 Sanghani 人工智能与数据分析中心及华盛顿邮报研究合作者独立复现。
• 生产就绪: 已在财富 500 强企业及多家 AI 初创公司中部署，用于 AI 数字员工（项目经理、销售、客服）等场景。

适用场景

• AI 数字员工: 需要长期记住用户偏好、项目历史和工作流程的自主代理。
• 长期陪伴型应用: 能够记住用户生活细节、情感变化，并提供个性化建议的聊天机器人。
• 复杂决策支持: 需要从大量历史交互中提炼规律（如销售转化率分析、客户投诉模式识别）的业务系统。
• 个性化编码助手: 记住项目的架构决策、代码规范和调试历史，提供更精准的代码建议。