Hindsight
Hindsight：像人类记忆一样工作的 Agent 记忆系统
什么是 Hindsight？
Hindsight™ 是一个 Agent 记忆系统，用于构建能够随着时间不断学习的更智能的 Agent。
它解决了许多替代技术（例如 RAG 和知识图谱）存在的不足，并在 长期记忆任务 上提供了最先进的性能。 ([GitHub][1])
Hindsight 旨在解决 AI 工程师在构建自动化任务和对话式 Agent 时遇到的一些常见问题，其中许多问题都源于 缺乏长期记忆能力。 ([GitHub][1])
常见问题包括：
不一致（Inconsistency）
Agent 可能一次成功完成任务，但下次再执行同样任务时却失败。
记忆机制让 Agent 能够记住：
- 哪些方法有效
- 哪些方法无效
从而减少错误并提高一致性。
幻觉（Hallucinations）
长期记忆可以通过引入外部知识来增强 Agent 的行为，使其基于可靠来源，而不仅仅依赖训练数据。
认知过载（Cognitive Overload）
随着工作流复杂度增加：
- 检索结果
- 工具调用
- 用户消息
- Agent 回复
会迅速占满 上下文窗口，导致“上下文腐败（context rot）”。
短期记忆优化可以：
- 减少 token 消耗
- 移除不相关信息
- 保持上下文聚焦。
Hindsight 与其他记忆系统有什么不同？
大多数 Agent 记忆系统依赖：
- 基础 向量搜索
- 或 知识图谱
而 Hindsight 使用 仿生数据结构（biomimetic data structures） 来组织记忆，使其更接近人类的记忆方式。 ([GitHub][1])
记忆被分为四种类型：
World（世界知识）
关于世界的事实，例如：
“炉子会变热”
Experiences（经验）
Agent 自身经历，例如：
“我碰了炉子，很痛”
Opinion（观点）
带有置信度的信念，例如：
“我不应该再碰炉子” 置信度：0.99
Observation（观察）
通过反思事实和经验形成的复杂模型，例如：
“卷发棒、烤箱、火也会很热，我不应该碰它们”
记忆存储方式
在 Hindsight 中，记忆存储在 Memory Bank（记忆库） 中。
当记忆被添加时：
- 会进入 世界知识路径 或 经验路径
-
同时被表示为：
- 实体（Entities）
- 关系（Relationships）
- 时间序列（Time Series）
并使用：
- 稀疏向量
- 稠密向量
帮助后续检索。 ([GitHub][1])
与系统交互的三个核心操作
Hindsight 提供三个核心方法：
Retain
存储信息（让系统记住）。
Recall
从记忆库中检索信息。
Reflect
对记忆进行反思，从已有记忆中生成新的洞察。
会学习的 Agent 记忆
Hindsight 的核心目标是：
让 Agent 能够随着时间学习并不断改进。
这是通过 reflect 操作实现的。
例如：
一个产品支持 Agent 正在帮助用户排查问题。
过程：
- Agent 调用了
search-documentation工具 - 发现返回的文档并不是正确产品的文档
- 这成为一次 经验记忆
随着经验积累，reflect 操作可以帮助 Agent：
- 总结哪些方法有效
- 哪些方法失败
- 下次应该如何处理类似问题。 ([GitHub][1])
记忆性能与准确率
Hindsight 在 LongMemEval 基准测试中达到了最先进性能。 ([GitHub][1])
该基准用于评估对话式 AI 的长期记忆能力。
研究结果表明：
- Hindsight 在多个模型上达到 SOTA
- 在某些测试中准确率超过 90%。 ([AICompetence.org][2])
快速开始
推荐使用 Docker 运行：
export OPENAI_API_KEY=your-key
docker run --rm -it --pull always -p 8888:8888 -p 9999:9999 \
-e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY \
-e HINDSIGHT_API_LLM_MODEL=o3-mini \
-v $HOME/.hindsight-docker:/home/hindsight/.pg0 \
ghcr.io/vectorize-io/hindsight:latest
访问：
API: http://localhost:8888
UI: http://localhost:9999
客户端安装
Python：
pip install hindsight-client -U
Node.js：
npm install @vectorize-io/hindsight-client
Python 示例
from hindsight_client import Hindsight
client = Hindsight(base_url="http://localhost:8888")
# Retain：存储记忆
client.retain(bank_id="my-bank", content="Alice works at Google as a software engineer")
# Recall：检索记忆
client.recall(bank_id="my-bank", query="What does Alice do?")
# Reflect：反思并生成洞察
client.reflect(bank_id="my-bank", query="Tell me about Alice")
系统架构
Retain（存储）
用于向系统写入新记忆。
系统会自动：
- 提取事实
- 提取实体
- 提取关系
- 识别时间信息
并将这些数据规范化为：
- 实体
- 时间序列
- 搜索索引。
Recall（检索）
检索过程会并行执行四种策略：
- 语义搜索（向量相似度）
- 关键词搜索（BM25）
- 图结构检索（实体关系）
- 时间过滤
随后：
- 合并结果
- 使用 Reciprocal Rank Fusion
- 使用 cross-encoder rerank
最终返回最相关的记忆。 ([GitHub][1])
Reflect（反思）
reflect 用于深入分析记忆。
它可以：
- 发现记忆之间的关系
- 形成新的观点或观察
- 让 Agent 从经验中学习。
示例场景：
- AI 项目经理分析项目风险
- 销售 Agent 分析哪些营销信息有效
- 客服 Agent 分析文档缺失的知识点。 ([GitHub][1])
资源
文档：
https://hindsight.vectorize.io
客户端：
- Python
- Node.js
- REST API
- CLI
社区：
- Slack
- GitHub Issues
贡献
请查看：
CONTRIBUTING.md
License
MIT License
✅ 一句话总结：
Hindsight 是一个专门为 AI Agent 设计的长期记忆系统， 通过 retain / recall / reflect 三个操作，使 Agent 能够像人类一样：
- 记住事实
- 积累经验
- 形成观点
- 通过反思学习。 ([Vectorize][3])
