什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建

什么是 Hindsight？ Hindsight™ 是一个代理记忆系统，旨在创建能够随时间学习的更智能代理。大多数代理记忆系统专注于回忆对话历史，而 Hindsight 则专注于让代理学习，而非仅仅记忆。 它消除了 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。 记忆性能与准确性 根据基准测试性能，Hindsight 是有史以来测试过的最准确的代理记忆系统。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 和其他代理记忆解决方案的当前报告性能如下： Hindsight 的基准测试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。 将 Hindsight 添加到您的 AI 代理 将 Hindsight 与现有代理结合使用的最简单方法是通过 LLM Wrapper。只需 2 行代码即可为您的代理添加记忆功能。这将用 Hindsight 包装器替换您当前的 LLM 客户端。之后，在进行 LLM 调用时，记忆将自动存储和检索。 如果您需要更精确地控制代理存储和回忆记忆的方式与时机，还可以通过 SDK 或直接通过 HTTP 集成简单的 API。 🤖 正在使用编码代理？ 安装 Hindsight 文档技能，以便在编码时即时访问文档： 适用于 Claude Code、Cursor 和其他 AI 编码助手。 快速开始 Docker（推荐） API: http://localhost:8888 UI: http://localhost:9999 您可以通过设置 HINDSIGHTAPILLMPROVIDER 修改 LLM 提供商。有效选项包括 openai、anthropic、gemini、groq、ollama、lmstudio 和 minimax。文档提供了有关 支持的模型 的更多详细信息。 Docker（外部 PostgreSQL） Oracle AI Database 也支持企业部署，具有完整的功能对等性。有关详细信息，请参见 存储文档。 API: http://localhost:8888 UI: http://localhost:9999 客户端 Python Node.js / TypeScript Python 嵌入式（无需服务器） 用例 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自动化工作的 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。 每用户记忆和聊天历史 Hindsight 的一个简单用例是通过存储和回忆与单个用户相关的记忆，为 AI 聊天机器人和其他对话式代理提供个性化支持。 此用例的需求通常如下： 在 Hindsight 中满足这些需求非常简单。当使用 retain 操作将新的用户输入和工具调用摄入 Hindsight 时，可以使用自定义元数据丰富新记忆。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。一旦这些记忆被输入 retain 操作，在检索相关记忆时，任何创建的原始记忆和心智模型都可以被过滤。 架构与操作 大多数代理记忆实现依赖于基本的向量搜索，有时也使用知识图谱。Hindsight 使用仿生数据结构来组织代理记忆，其方式更接近人类记忆的工作原理： 世界（World）：关于世界的事实（“炉子会变热”） 经验（Experiences）：代理自身的经历（“我碰了炉子，真的很烫”） 心智模型（Mental Models）：通过反思原始记忆和经验形成的对代理世界的习得理解。 Hindsight 中的记忆存储在记忆库（即 memory banks）中。当记忆添加到 Hindsight 时，它们会被推入世界事实或经验记忆路径。然后，它们被表示为实体、关系和时间序列的组合，并带有稀疏/密集向量表示，以辅助后续回忆。 Hindsight 提供三种简单的方法与系统交互： Retain：向 Hindsight 提供您希望它记住的信息 Recall：从 Hindsight 检索记忆 Reflect：反思记忆和经验，从现有记忆中生成新的观察和见解 Retain retain 操作用于将新记忆推入 Hindsight。它告诉 Hindsight 保留 您作为输入传递的信息。 在幕后，retain 操作使用 LLM 提取关键事实、时间数据、实体和关系。它通过规范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。 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、经验等）。 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 检索的各个结果被合并，然后使用 reciprocal rank fusion 和交叉编码器重排序模型按相关性排序。 最终输出会根据需要修剪以适应 token 限制。 Reflect reflect 操作用于对现有记忆进行更深入的分析。这使代理能够在记忆之间形成新的联系，并构建对其世界更全面的理解。 例如，reflect 操作可用于支持以下用例： AI 项目经理 反思项目中需要缓解的风险。 销售代理 反思为什么某些外展消息得到了回应而其他消息没有。 支持代理 反思客户提出的当前产品文档未回答的问题的机会。 reflect 操作还可用于处理需要更深入思考的按需问答或分析。 资源 文档： https://hindsight.vectorize.io 客户端： Python Node.js REST API CLI 社区： Slack GitHub Issues Star History 贡献 参见 CONTRIBUTING.md。 许可 MIT — 参见 LICENSE 由 Vectorize.io 构建