ghcr.io/vectorize-io/charts/hindsight:0.9.2

什么是 Hindsight？

Hindsight™ 是一个智能体记忆系统，旨在创建能够随时间学习的更智能的智能体。大多数智能体记忆系统专注于回忆对话历史，而 Hindsight 则专注于让智能体学习，而不仅仅是记忆。

它消除了诸如 RAG 和知识图谱等替代技术的缺点，并在长期记忆任务上提供最先进的性能。

目录

• 记忆性能与准确性
• 快速开始 — 服务器 · 客户端 · 支持的平台 · 嵌入式
• 将 Hindsight 添加到您的智能体 — LLM 包装器 · 集成 · 编码智能体 · MCP
• 核心概念 — 记忆类型 · 保留/回忆/反思 · 观察 · 心智模型与知识页面 · 记忆库
• 使用场景
• 生产环境部署
• 资源

---

记忆性能与准确性

根据基准测试结果，Hindsight 是迄今为止测试过的最准确的智能体记忆系统。它在 LongMemEval 基准测试中取得了最先进的性能，该基准被广泛用于评估各种对话式 AI 场景下的记忆系统性能。截至 2026 年 1 月，Hindsight 和其他智能体记忆解决方案的当前报告性能如下：

实时、持续更新的结果（包括每个模型的准确性、延迟和成本）发布于 benchmarks.hindsight.vectorize.io。

Hindsight 的基准性能数据已由弗吉尼亚理工大学 Sanghani 人工智能与数据分析中心 和《华盛顿邮报》的研究合作伙伴独立复现。其他分数由软件供应商自行报告。

Hindsight 已在财富 500 强企业的生产环境中使用，并被越来越多的 AI 初创公司采用。

---

🤖 正在使用编码智能体？ 安装 Hindsight 文档技能，以便在编码时即时访问文档：

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

适用于 Claude Code、Cursor 和其他 AI 编码助手。

---

快速开始

1. 启动服务器

Docker（推荐）

export OPENAI_API_KEY=sk-xxx

docker run -it --pull always --name hindsight --restart unless-stopped -p 8888:8888 -p 9999:9999 \
-e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY \
-v hindsight-data:/home/hindsight/.pg0 \
ghcr.io/vectorize-io/hindsight:latest

API：http://localhost:8888 UI：http://localhost:9999

Hindsight 通过 HINDSIGHT_API_LLM_PROVIDER 支持25+ 个 LLM 提供商——托管型（openai、anthropic、gemini、groq、bedrock、vertexai、minimax、deepseek、atlas、meta 等）、完全本地型（ollama、lmstudio、llamacpp）、任何 OpenAI 兼容端点，以及可连接其他提供商的网关（litellm、litellmrouter）。现有订阅也可使用：openai-codex（*** Plus/Pro）、claude-code（Claude Pro/Max）和 github-copilot（GitHub Copilot）无需 API 密钥。详见 支持的模型。

Docker（外部 PostgreSQL）

export OPENAI_API_KEY=sk-xxx
export HINDSIGHT_DB_PASSWORD=choose-a-password
cd docker/docker-compose
docker compose up

Oracle AI Database 也支持企业部署，功能完全对等。详情参见 存储文档。

裸机（pip）

pip install hindsight-api
export HINDSIGHT_API_LLM_API_KEY=sk-xxx

hindsight-api

Kubernetes（Helm）

helm install hindsight oci://ghcr.io/vectorize-io/charts/hindsight \
--set api.llm.provider=openai \
--set api.llm.apiKey=sk-xxx \
--set postgresql.enabled=true

托管版（无需服务器）

Hindsight Cloud 是托管选项：自动扩展的托管基础设施，外加仪表板、备份、团队协作和 99.9% 正常运行时间 SLA。按使用量计费，提供免费额度——无固定月费或每席位费用。将任何客户端指向 https://api.hindsight.vectorize.io 并使用您的 API 密钥，即可完全跳过部署步骤。

比较自托管、Cloud 和企业版 → · 注册 →

所有选项（包括 Windows 和离线环境）均在 安装指南 中涵盖。

2. 连接客户端

pip install hindsight-client -U # Python
npm install @vectorize-io/hindsight-client # Node.js / TypeScript
go get github.com/vectorize-io/hindsight/hindsight-clients/go # Go
curl -fsSL https://hindsight.vectorize.io/get-cli | bash # CLI

Python

from hindsight_client import Hindsight

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

# 保留：存储信息
client.retain(bank_id="my-bank", content="Alice works at Google as a software engineer")

# 回忆：搜索记忆
client.recall(bank_id="my-bank", query="What does Alice do?")

# 反思：生成情境感知响应
client.reflect(bank_id="my-bank", query="Tell me about Alice")

Node.js / TypeScript

const { HindsightClient } = require('@vectorize-io/hindsight-client');

const main = async () => {
const client = new HindsightClient({ baseUrl: 'http://localhost:8888' });

await client.retain('my-bank', 'Alice loves hiking in Yosemite');

const results = await client.recall('my-bank', 'What does Alice like?');
console.log(results);
}

main();

支持的平台

⚠️ Intel Mac：使用 hindsight-all-slim——详情参见 安装指南。

Python 嵌入式（无需服务器）

pip install hindsight-all -U

在 Intel（x86_64）Mac 上，改为安装 hindsight-all-slim——参见 支持的平台。

import os
from hindsight import HindsightServer, HindsightClient

核心概念

记忆类型

大多数智能体记忆实现依赖于基本的向量搜索，有时也会使用知识图谱。Hindsight 采用仿生数据结构来组织智能体记忆，其方式更接近人类记忆的工作原理：

• 世界事实（World facts）：关于世界的事实（“炉子会变热”）
• 经验（Experiences）：智能体自身的经历（“我碰了炉子，真的很烫”）
• 观察（Observations）：从多个记忆中形成的、有证据支持的综合信念
• 心智模型（Mental models）：智能体对其世界的习得理解，由观察和事实综合而成

记忆存储在存储库（banks） 中。添加记忆时，它们会被推入世界事实或经验路径，然后表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以帮助后续回忆。

三大操作

Retain

retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 你作为输入传递的信息。

client.retain(
bank_id="my-bank",
content="Alice got promoted to senior engineer",
context="career update",
timestamp="2025-06-15T10:00:00Z",
)

在幕后，retain 使用 LLM 提取关键事实、时间数据、实体和关系。它通过标准化过程将提取的数据转换为规范实体、时间序列和搜索索引以及元数据。这些表示为 recall 和 reflect 操作中的准确记忆检索创建了路径。

Retain 文档 →

Recall

recall 操作用于检索记忆。这些记忆可以来自任何记忆类型（世界事实、经验等）

client.recall(bank_id="my-bank", query="What does Alice do?")
client.recall(bank_id="my-bank", query="What happened in June?") # 时间相关

Recall 并行执行 4 种检索策略：

• 语义（Semantic）：向量相似度
• 关键词（Keyword）：BM25 精确匹配
• 图谱（Graph）：实体/时间/因果链接
• 时间（Temporal）：时间范围过滤

各个结果被合并，使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序，然后根据需要裁剪以适应令牌限制。

Recall 文档 →

Reflect

reflect 操作对现有记忆进行更深入的分析。这使智能体能够在记忆之间建立新的联系，构建对其世界更全面的理解——或者回答需要深入思考而非简单查找的问题。

client.reflect(bank_id="my-bank", query="What should I know about Alice?")

例如，reflect 支持以下用例：

• AI 项目经理 反思项目中需要缓解哪些风险。
• 销售智能体 反思为什么某些外展消息得到了回复，而其他消息没有。
• 支持智能体 反思客户存在当前产品文档未解答的问题的机会。

Reflect 文档 →

观察

保留的事实不会保持为一堆扁平的信息。在后台，Hindsight 将相关事实合并为观察（observations）——存储库随时间积累的去重信念。每个观察都保留其支持证据，包括确切引用和证据计数，并且在新证据到来时会被完善而非覆盖，因此新信息会强化、削弱或扩展现有信念，而不是无声地替换它。

观察文档 →

心智模型与知识页面

思维模型（mental model） 是对记忆库相关问题的固定答案（例如“该用户的偏好是什么？”）。您只需定义一次问题；Hindsight会生成答案、存储答案，并在记忆库获取更多信息时在后台重写答案。读取思维模型相当于数据库读取——无需检索，无需调用LLM——因此智能体可以启动时就拥有一页既定知识，而不必在每个会话中重新获取。

知识页面（knowledge pages） 是隐藏了机制的思维模型：记忆库撰写的关于自身的动态文档，像维基一样按文件夹组织，可搜索，并可投影到磁盘上成为普通Markdown文件。只需提供名称和问题；其他所有决策均为默认值，可根据需要覆盖。

思维模型 → · 知识页面 →

记忆库（Memory Banks）

记忆库（bank） 是一个隔离的记忆存储——为单个用户、智能体或项目提供一个“大脑”。隔离是严格的：不存在跨记忆库泄漏。记忆库包含背景上下文和性格特质（disposition traits）（怀疑主义、 literalism、同理心），这些特质会影响其基于记忆进行推理的方式，且可通过声明式记忆库模板创建。

另外两个值得了解的特性：

• 默认多语言支持。 输入语言会被检测并全程保留——事实保持原始语言，实体保留原生文字（张伟仍为张伟，不会变为“Zhang Wei”）。文档 →
• 记忆防护（Memory Defense）。 一种可选的、按记忆库配置的策略，会扫描每个retain操作中的机密和个人身份信息（PII），对照45种模式，对匹配项进行脱敏（[REDACTED:github_token]）或在存储前阻止该项目。文档 →

---

用例

Hindsight旨在支持对话式AI智能体以及旨在自主执行任务的智能体。Hindsight的理想用例是需要融合这些特性的智能体，例如AI员工，它们需要处理开放式任务、根据用户反馈改变行为，并学习执行复杂任务，以接近人类的水平实现工作自动化。Hindsight可用于简单的AI工作流（如使用n8n和其他类似工具构建的工作流），但对此类应用可能过于复杂。

每用户记忆和聊天历史

Hindsight的一个较简单用例是通过存储和召回与单个用户相关的记忆，为AI聊天机器人和其他对话智能体提供个性化支持。

此用例的要求通常如下：

在Hindsight中满足这些要求非常简单。当使用retain操作将新的用户输入和工具调用摄入Hindsight时，可使用自定义元数据（metadata）丰富新记忆。元数据提供了一种便捷方式来隔离需要限制给特定用户的记忆。一旦将这些记忆输入retain操作，在检索相关记忆时，就可以过滤掉任何创建的原始记忆和思维模型。

更多模式请参见Cookbook和最佳实践。

---

生产环境运行

---

资源

文档：

客户端：

社区：

• Slack
• https://github.com/vectorize-io/hindsight/issues

---

星级历史

---

贡献

参见CONTRIBUTING.md。

许可证

MIT——参见LICENSE

---

由Vectorize.io构建