Agent Memory That Learns
Hindsight™ 是由 Vectorize, Inc. 开发的 Agent 记忆系统，核心理念是：让 Agent 学习，而不只是记住。
模拟人类记忆的三层结构：世界事实、个人经验、心智模型，而非简单的向量检索。
在 LongMemEval 基准测试中排名第一，性能数据由 Virginia Tech 独立复现验证。
已被 Fortune 500 企业和众多 AI 创业公司用于生产环境，Docker 一键部署。
Hindsight 的核心创新是采用仿生数据结构（Biomimetic Data Structures）组织记忆，模拟人类记忆的分层机制：
Hindsight 提供三个简洁的操作接口：Retain（保留）、Recall（回忆）、Reflect（反思），覆盖记忆的写入、读取和深度思考。
将新信息存入 Hindsight。系统会自动使用 LLM 提取关键事实、实体、关系和时序数据，经过归一化处理后生成规范化的实体、时序和搜索索引。
从记忆库中检索相关信息。同时执行四种检索策略：语义向量、关键词 BM25、图谱关系、时序过滤，然后通过 Reciprocal Rank Fusion + Cross-Encoder 重排序合并结果。
对已有记忆进行深度分析，形成新的关联和洞察，构建「心智模型」。例如：AI 项目经理反思项目风险、销售 Agent 分析哪种话术更有效。
from hindsight_client import Hindsight client = Hindsight(base_url="http://localhost:8888") # ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ # 1. RETAIN —— 存入记忆 # ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ client.retain( bank_id="my-agent", content="Alice 在 Google 担任高级工程师，擅长分布式系统" ) # 带上下文和时间戳 client.retain( bank_id="my-agent", content="Alice 晋升为 Staff Engineer", context="职业变动", timestamp="2026-06-01T10:00:00Z" ) # ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ # 2. RECALL —— 检索记忆（四路并行检索） # ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ results = client.recall( bank_id="my-agent", query="Alice 的职业背景是什么？" ) # 自动执行: 语义搜索 + BM25 + 图谱 + 时序 # 返回按相关性排序的融合结果 # ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ # 3. REFLECT —— 深度反思 # ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ insights = client.reflect( bank_id="my-agent", query="关于 Alice，我应该了解什么？" ) # 系统分析所有相关记忆，生成心智模型
Recall 操作的核心优势——同时执行四种互补的检索策略，确保不遗漏任何相关记忆：
使用 Embedding 模型将查询和记忆都转化为高维向量，计算余弦相似度。能理解同义词、近义表达。
经典的 BM25 算法，擅长精确匹配专有名词、数字、日期等语义搜索可能遗漏的细节。
利用实体和关系构建的知识图谱，支持多跳推理和关系发现。
基于时间戳的范围过滤，支持「最近一周发生了什么」「6月份有哪些事件」等时间维度查询。
Hindsight 将记忆分为三个层级，每一层都有独特的处理逻辑和检索路径：
关于世界的客观事实，如「Python 是一种编程语言」「北京是中国首都」。这些是通用知识，不依赖特定经验。
Agent 自身的经历和交互记录，如「用户上次问了关于 Redis 的问题」「上次部署失败是因为端口冲突」。
通过对世界事实和个人经验的反思（Reflect）形成的高层理解。例如「这个用户偏好简洁的代码风格」「周一下午用户通常比较忙」。
# 设置 LLM API Key export OPENAI_API_KEY="sk-..." # Docker 启动（API + UI） docker run --rm -it --pull always -p 8888:8888 -p 9999:9999 \ -e HINDSIGHT_API_LLM_API_KEY="sk-..." \ -v $HOME/.hindsight-docker:/home/hindsight/.pg0 \ ghcr.io/vectorize-io/hindsight:latest # API: http://localhost:8888 # UI: http://localhost:9999
pip install hindsight-all -U import os from hindsight import HindsightServer, HindsightClient with HindsightServer( llm_provider="openai", llm_model="gpt-5-mini", llm_api_key=os.environ["OPENAI_API_KEY"] ) as server: client = HindsightClient(base_url=server.url) client.retain(bank_id="demo", content="Alice 在 Google 工作") results = client.recall(bank_id="demo", query="Alice 在哪工作？") print(results)
HINDSIGHT_API_LLM_PROVIDER 环境变量切换。Hindsight 提供了 LLM Wrapper 模式——只需替换你的 LLM 客户端，记忆就会自动存取，无需修改任何业务逻辑：
from hindsight_client import HindsightLLMWrapper # 替换你的 LLM 客户端，记忆自动生效 llm = HindsightLLMWrapper( base_url="http://localhost:8888", bank_id="my-agent" ) # 之后的所有调用都会自动存取记忆 response = llm.chat("帮我回顾一下上次的项目进展") # → 自动 Recall 相关记忆，注入上下文 # → 响应后自动 Retain 新的交互
| 特性 | Hindsight | Mem0 | 传统 RAG | LangChain Memory |
|---|---|---|---|---|
| 心智模型 | ✅ Reflect 生成 | ❌ 无 | ❌ 无 | ❌ 无 |
| 四路检索 | ✅ 语义+BM25+图谱+时序 | ⚠️ 语义+图谱 | ⚠️ 仅语义 | ❌ 无 |
| 仿生架构 | ✅ 三层记忆 | ❌ 扁平结构 | ❌ 文本切片 | ❌ 键值对 |
| 时序支持 | ✅ 原生时序 | ⚠️ 元数据 | ❌ 无 | ❌ 无 |
| LLM Wrapper | ✅ 2 行集成 | ⚠️ 需改代码 | ❌ 需自建 | ⚠️ 需配置 |
| 基准测试 | 🏆 SOTA | ⚠️ 未公开 | ❌ 不适用 | ❌ 不适用 |
| 部署方式 | ✅ Docker / 嵌入 | ✅ pip install | ❌ 需自建 | ✅ pip install |
处理开放式任务、根据用户反馈调整行为、学习执行复杂任务，达到接近人类员工的工作水平。
通过 Reflect 反思项目风险、识别瓶颈、总结经验教训，持续优化项目管理策略。
分析哪种话术获得回复、哪些客户有购买意向，从每次交互中学习提升转化率。
记住每位用户的历史问题、偏好和情绪模式，提供越来越精准的个性化服务。
记住开发者的编码风格、项目架构决策、常见 bug 模式，随使用越来越「懂你」。
通过 Memory Bank 隔离实现多 Agent 共享记忆层，支持团队协作场景。
Hindsight 通过 Metadata 机制实现用户级记忆隔离，天然支持多租户场景：
from hindsight_client import Hindsight client = Hindsight(base_url="http://localhost:8888") # Alice 的记忆 —— 通过 metadata 隔离 client.retain( bank_id="customer-support", content="Alice 喜欢简洁的回答风格", metadata={"user_id": "alice_123"} ) # Bob 的记忆 —— 不同的 user_id client.retain( bank_id="customer-support", content="Bob 偏好详细的解释", metadata={"user_id": "bob_456"} ) # 检索时只返回 Alice 的记忆 results = client.recall( bank_id="customer-support", query="用户的回答偏好", metadata={"user_id": "alice_123"} )
默认存储后端，Docker 自带
企业级部署，功能完全对等
默认 LLM Provider
Claude 系列模型
Google 系列模型
本地模型推理