Hindsight Skill：让 AI Agent 长出「学习记忆」的记忆系统

Skill超级捕获手 技术创作者 2026-09-26 16 阅读

Hindsight Skill：让 AI Agent 长出「学习记忆」的记忆系统

功能与原则

Hindsight 是一款专为 AI Agent 设计的长周期记忆系统，区别于传统 RAG 或知识图谱方案，它的核心目标是让 Agent 不只是「记住」，而是真正「学会」。其设计哲学是：记忆不是文本存储，而是 Agent 行为的改进依据——每一次任务执行都应沉淀为可复用的结构化经验。

核心原语只有三个：Retain（存入记忆）、Recall（检索记忆）、Reflect（基于记忆生成处置感知的响应）。所有操作均围绕这三条原语展开，API 极简，语义清晰。

认可度

  • GitHub Star：约 30,395（截至 2026-09-26），今日登顶 GitHub Trending，单日新增 +1,653 stars
  • 2026-09-25 登顶 GitHub Trending 全榜，彼时约 27.8K stars——两天涨近 3K
  • 在 LongMemEval 基准测试中自称达到 SOTA：LongMemEval-S 94.6%、LoComo-10 92%、BEAM 10M tokens 64.1%，数据由弗吉尼亚理工大学独立复现
  • 已被 Fortune 500 企业与多家 AI 创业公司生产级采用
  • 2026 年 4 月成为 NousResearch Hermes Agent 的原生记忆提供者

链接

GitHub：https://github.com/vectorize-io/hindsight

原作者

Vectorize AI，美国 Boulder 初创公司，2024 年获 True Ventures 300 万美元种子轮融资。创始团队专注于 AI Agent 基础设施，Hindsight 是其核心开源产品。

介绍

Hindsight 将 Agent 记忆建模为人类长期记忆的仿生结构，分为三层：

  • World Facts（世界事实）：关于外部环境的结构化事实
  • Experiences（经验）：Agent 自身执行过的任务会话历史
  • Mental Models（心智模型）：从原始记忆中综合提炼出的高层信念

与传统向量检索不同，Hindsight 在写入时（retain）即做原子事实抽取，将对话拆解为独立可检索单元；在检索时并行跑四路检索——语义向量、BM25 关键词、实体图谱、时间维度——经 RRF（互惠排名融合）与 cross-encoder 重排后输出结果，而非单纯的向量相似度排序。

这一架构使其在长上下文记忆任务中显著优于纯 RAG 方案：LongMemEval 基准测试比全上下文基线高出 +44.6 个百分点。

特点

  • 四路并行检索（TEMPR 架构）：语义 + BM25 + 图谱 + 时间，RRF 融合 + cross-encoder 重排，检索质量显著高于纯向量方案
  • 原子事实抽取写入：每条记忆在 retain 阶段即被分解为独立事实单元，支持精确检索而非整块回传
  • 三层记忆结构：World Facts / Experiences / Mental Models，模仿人类长期记忆分工
  • MCP 原生支持：一条 JSON 配置即可将 Hindsight 接入 Claude Code、Cursor、Windsurf 等 MCP 兼容 Agent
  • 60+ 集成覆盖：Claude Code / Codex / Cursor / Copilot / Cline 等编码 Agent；LangChain / LlamaIndex / CrewAI / Dify / n8n 等编排框架；Vapi / Pipecat 等语音平台
  • 部署灵活：Docker 一行命令、pip 嵌入式（hindsight-all）、Kubernetes Helm，一套 API 多端复用

使用方法

快速启动（Docker）：

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

Python SDK 示例：

from hindsight_client import Hindsight

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

# Retain：存入记忆
client.retain(bank_id="my-bank", content="Alice works at Google as a software engineer")

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

# Reflect：生成处置感知响应
response = client.reflect(bank_id="my-bank", query="Tell me about Alice")

为 Claude Code 添加文档记忆 Skill：

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

使用场景与人群

适用场景：
– 需要跨会话保持上下文一致性的 AI 编码助手（Claude Code / Cursor / Cline 等）
– 复杂多轮对话系统，需要从历史对话中提炼规律而非简单回顾
– 企业级 Agent 应用，需要可靠的长周期记忆层
– 需要将多个 Agent 的经验进行综合提炼的编排系统

目标用户：
– AI 应用开发者（需要为 Agent 添加可靠记忆层）
– 企业 AI 平台工程师（需要生产级记忆基础设施）
– Agent 框架维护者（需要标准化记忆接口）

输入与输出案例

案例一：跨会话项目上下文保持

Input:
  bank_id: "project-x"
  retain content: "用户在登录页点击'忘记密码'后的跳转率为 23%，低于预期的 35%"
  query: "项目 X 的密码重置体验有什么已知数据？"

Output:
  "根据记录，登录页'忘记密码'链接的点击后跳转率为 23%，
   低于预期基线 35%。建议在下次迭代中优先优化该路径的 CTA 文案或位置。"

案例二：编码 Agent 的项目经验积累

Input:
  bank_id: "coding-agent-session"
  retain content: "此前在 React 18 + TypeScript 项目中使用 useTransition 时，
   发现与 Suspense 边界存在兼容性问题，解决方案是降级到 17.1.0 版本"
  query: "在这个代码库里处理过 React 并发特性的问题吗？"

Output:
  "是的。曾在类似项目中遇到 useTransition 与 Suspense 的兼容性问题，
   当时的修复方案是降级到 17.1.0。如果当前环境也遇到挂起异常，
   建议优先尝试相同方案。"

Hindsight 的核心价值在于它把「记忆」从被动存储重新定义为主动学习机制——每一次任务执行都应让 Agent 变得更好，而非只是多了几条可检索的聊天记录。对于需要真正长周期智能的 Agent 系统，Hindsight 是目前开源领域最接近「学会而不只是记住」这一目标的基础设施级方案。

GitHub: https://github.com/vectorize-io/hindsight

评论区

0 条评论

登录后可评论。

Skill超级捕获手 16 阅读