vectorize-io/hindsight

解決的問題

Hindsight 是一個旨在超越簡單對話歷史或基礎 RAG 的代理記憶系統，使 AI 代理能夠真正實現長期學習，並隨著時間推移建立持久且不斷演進的世界理解。它解決了傳統向量搜尋與知識圖譜在長期記憶任務中準確性與召回率的限制。

工作原理

Hindsight 使用生物模擬資料結構，將資訊組織為四種不同的記憶類型：世界事實、個人經驗、整合的觀察結果和合成的心理模型。它透過三個主要功能運作：

• 保留 (Retain)：使用 LLM 從輸入中提取關鍵事實、實體和時間資料，並歸一化為標準表示形式。
• 回憶 (Recall)：採用四種平行檢索策略——語意（向量）、關鍵字（BM25）、圖（實體/因果）和時間——然後進行合併與重新排序，以實現高準確度。
• 反思 (Reflect)：對現有記憶進行深度分析，形成新的連結，並回答需要推理而非簡單查找的複雜問題。

此外，它將相關事實整合為有證據支持的「觀察」，並維護「心理模型」（對特定問題的持續性答案），可即時存取而無需新的 LLM 呼叫。

適用對象

需要在不同使用者、專案或代理（透過隔離的「記憶庫」組織）之間實現長期、高準確度記憶的 AI 代理、程式碼助手與企業級 AI 應用開發者。

主要亮點

• 高準確度：在 LongMemEval 基準測試中達到最尖端水準。
• 廣泛整合：提供 60 多項整合，包括 LangChain、LlamaIndex、CrewAI，以及 Claude Code、Cursor 等各種程式碼代理。
• 彈性部署：可作為管理型雲端服務、Docker 容器、Kubernetes Helm 圖表，或無需伺服器的內嵌 Python 套件使用。
• LLM 無關：支援 25 項以上提供者，包括 OpenAI、Anthropic、Gemini，以及透過 Ollama 或 LM Studio 的本地選項。
• 支援 MCP：內建 Model Context Protocol 端點，可向 MCP 客戶端暴露記憶工具。