vectorize-io/hindsight

解决的问题

Hindsight 是一个旨在超越简单对话历史或基础 RAG 的代理记忆系统，使 AI 代理能够真正实现长期学习，并随着时间推移构建持久且不断演进的世界理解。它解决了传统向量搜索和知识图谱在长期记忆任务中准确性和召回率的局限性。

工作原理

Hindsight 使用生物模拟数据结构，将信息组织为四种不同的记忆类型：世界事实、个人经验、整合的观察结果和合成的心理模型。它通过三个主要功能运作：

• 保留 (Retain)：使用 LLM 从输入中提取关键事实、实体和时间数据，并将其归一化为标准表示形式。
• 回忆 (Recall)：采用四种并行检索策略——语义（向量）、关键词（BM25）、图（实体/因果）和时间——然后进行合并和重新排序，以实现高精度。
• 反思 (Reflect)：对现有记忆进行深度分析，形成新的联系，并回答需要推理而非简单查找的复杂问题。

此外，它还将相关事实整合为有证据支持的“观察”，并维护“心理模型”（对特定问题的持续性答案），可即时访问而无需新的 LLM 调用。

适用人群

需要在不同用户、项目或代理（通过隔离的“记忆库”组织）之间实现长期、高精度记忆的 AI 代理、代码助手和企业级 AI 应用开发者。

主要亮点

• 高精度：在 LongMemEval 基准测试中达到最先进水平。
• 广泛集成：提供 60 多个集成，包括 LangChain、LlamaIndex、CrewAI，以及 Claude Code、Cursor 等各种代码代理。
• 灵活部署：可作为托管云服务、Docker 容器、Kubernetes Helm 图表，或无需服务器的嵌入式 Python 库使用。
• LLM 无关：支持 25 个以上提供商，包括 OpenAI、Anthropic、Gemini，以及通过 Ollama 或 LM Studio 的本地选项。
• 支持 MCP：内置 Model Context Protocol 端点，可向 MCP 客户端暴露记忆工具。