ghcr.io/vectorize-io/hindsight:0.10-slim

什么是 Hindsight？

Hindsight™ 是一个智能体记忆系统，旨在创建能够随时间推移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 则专注于打造能够学习而非仅仅记忆的智能体。

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了最先进的性能。

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 添加到你的智能体中 — LLM 包装器 · 集成 · 编码智能体 · MCP
• 核心概念 — 记忆类型 · 存储/回忆/反思 · 观察结果 · 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

Hindsight 是经基准测试验证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》的研究合作者独立复现。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 种以上 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）。现有订阅也适用：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。

将 Hindsight 添加到您的智能体

LLM 包装器（2行代码）

为现有智能体添加记忆的最简单方法是使用 LLM 包装器。将您的 LLM 客户端替换为包装后的客户端——之后每次调用都会自动存储和检索记忆，无需对代码进行其他更改。

pip install hindsight-litellm

from openai import OpenAI
from hindsight_litellm import wrap_openai

# 包装您现有的 LLM 客户端即可完成。
# 默认使用 Hindsight Cloud；若为自托管服务器，传入 hindsight_api_url。
client = wrap_openai(
OpenAI(),
bank_id="user-123",
hindsight_api_url="http://localhost:8888",
)

# Hindsight 在调用前会召回相关记忆
# 并在调用后保留对话。
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "What do you know about me?"}],
)

wrap_anthropic() 为 Anthropic SDK 提供相同功能，并且每个设置（存储库、召回预算、事实类型、使用反思而非召回等）都可以通过 hindsight_* 参数在每次调用时覆盖。底层使用 LiteLLM，因此同一集成支持 100 多种模型。请参阅 LiteLLM 集成。

如果您需要明确控制记忆的存储和召回时机，请直接使用 SDK 或 REST API。

集成

60 多种集成——大多数无需代码更改。

👉 浏览所有集成

编码智能体

一个包为 CLI 编码智能体提供长期项目记忆：从 git 历史和过往会话自动构建的每个仓库存储库，在智能体开始工作时注入，外加涵盖架构、约定和进行中工作的精选知识页面。

npx @vectorize-io/hindsight-coding-agents install all # 所有检测到的智能体，原生连接
npx @vectorize-io/hindsight-coding-agents install claude-code # 或仅安装一个

支持 Claude Code、Codex CLI、Cursor CLI、GitHub Copilot CLI、opencode、Kilo CLI、Cline CLI、Antigravity CLI、Devin CLI、pi、Prime Agent、Grok Build 和 DeepSeek Harness。数据摄入是自动的——无需设置命令。请参阅 编码智能体集成。

MCP 服务器

每个服务器都内置了 https://modelcontextprotocol.io/ 端点，每个存储库一个，默认启用：

将任何 MCP 客户端指向该端点，即可将 retain、recall 和 reflect 作为工具公开。请参阅 MCP 服务器文档。

---

核心概念

记忆类型

大多数智能体记忆实现依赖基本的向量搜索，有时也使用知识图谱。Hindsight 使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”）
• 观察结果（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）：从观察结果和事实中综合得出的对智能体世界的习得理解

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，以帮助后续召回。

三大操作

存储（Retain）

retain 操作用于将新记忆推送到 Hindsight 中。它告诉 Hindsight 保留 您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、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 →

召回（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 →

反思（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，更全面地理解其世界——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的风险。
• 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 反思客户提出的当前产品文档未解答的问题的机会。

Reflect 文档 →

观察结果

存储的事实不会保持扁平堆积。在后台，Hindsight 将相关事实合并为 观察结果（observations）——存储库随时间积累的去重信念。每个观察结果都保留其支持证据，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。

观察结果文档 →

心智模型与知识页面

内存库（Memory Banks）

bank 是一个隔离的内存存储——一个用户、代理或项目的“大脑”。隔离是严格的：不存在跨bank泄漏。Banks 携带背景上下文和 disposition traits（怀疑主义、字面主义、同理心），这些特质会影响其对记忆的反思推理方式，并且可以通过声明式 bank 模板 创建。

另外两个值得了解的特性：

• 默认支持多语言。 输入语言会被检测并全程保留——事实保持其原始语言，实体保留其原生文字（张伟 保持为 张伟，而非“Zhang Wei”）。文档 →
• Memory Defense。 一种可选的、每bank策略，会扫描每个retain操作中的机密和PII，对照45种模式，要么对匹配项进行脱敏（[REDACTED:github_token]），要么在项目到达存储前阻止它。文档 →

---

用例（Use Cases）

Hindsight 旨在支持对话式 AI 代理以及旨在自主执行任务的代理。Hindsight 的理想用例是需要融合这些功能的代理，例如需要处理开放式任务、根据用户反馈改变行为、学习执行复杂任务以实现接近人类水平的工作自动化的 AI 员工。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。

每用户记忆与聊天历史（Per-User Memories and Chat History）

Hindsight 较简单的用例之一是通过存储和召回与单个用户相关的记忆，来个性化 AI 聊天机器人和其他对话代理。

此用例的需求通常如下：

在 Hindsight 中满足这些要求很简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据来丰富新记忆。元数据提供了一种便捷的方式来隔离需要限制给特定用户的记忆。一旦将这些输入 retain 操作，在检索相关记忆时，可以过滤掉任何创建的原始记忆和心智模型。

更多模式参见 Cookbook 和 最佳实践。

---

生产环境运行（Running in Production）

---

资源（Resources）

文档：

客户端：

社区：

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

---

星标历史（Star History）

---

贡献（Contributing）

参见 CONTRIBUTING.md。

许可证（License）

MIT — 参见 LICENSE

---

由 Vectorize.io 构建