Hindsight — 会"学习"的 AI Agent 记忆系统

> 一句话版本：一个让 AI 助手拥有长期记忆的系统，不只是记住对话历史，而是像人一样从经验中学习、形成认知模型，目前在记忆系统评测中得分最高。

核心内容

Hindsight 不是传统的"记住对话"系统，而是模拟人类记忆方式的三层结构：

三层记忆模型

三个核心操作

• Retain：存入记忆。用 LLM 提取实体、关系、时间序列，归一化后存储
• Recall：检索记忆。4 种策略并行执行，融合排序
• Reflect：深度反思。从已有记忆中形成新洞察和连接

Recall 的 4 路并行检索

查询: "Alice 的工作情况？"
    ├── 语义搜索（向量相似度）
    ├── 关键词搜索（BM25 精确匹配）
    ├── 图遍历（实体/时间/因果链）
    └── 时间过滤（时间范围）
         ↓
    Reciprocal Rank Fusion + Cross-encoder 重排序
         ↓
    最终结果（按 token 限制裁剪）

性能表现

该成绩由 Virginia Tech Sanghani Center 和 Washington Post 独立复现。

技术特点

• 支持 OpenAI、Anthropic、Gemini、Groq、Ollama、LM Studio、Minimax
• SDK：Python、Node.js、REST API、CLI
• Docker 一键部署
• 2 行代码集成（LLM Wrapper）
• 按用户隔离记忆（metadata 过滤）
• MCP 兼容

安装

# Docker（最简单）
docker run --rm -it -p 8888:8888 -p 9999:9999 \
  -e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY \
  ghcr.io/vectorize-io/hindsight:latest

# Python SDK
pip install hindsight-client -U

具体示例

场景：AI 助手帮你管快递

第 1 天 — Retain 存入

用户："我有个快递到了，韵达的，单号 YT123456，是给 Ivy 买的生日礼物。"

Hindsight 用 LLM 提取实体（韵达、YT123456、Ivy、生日礼物）、关系和时序，归一化后存为 5 种格式：向量索引（语义搜索）、BM25 索引（关键词）、图节点（实体关系）、时间序列、元数据。

第 5 天 — Recall 检索

用户："那个快递怎么样了？"

4 路并行检索 → RRF 融合排序 → Cross-encoder 精排 → AI 直接回答"你的韵达快递 YT123456（给 Ivy 的生日礼物）目前状态是……"

第 30 天 — Reflect 学习

用户："Ivy 快过生日了，帮我推荐礼物。"

Recall 找到相关记忆 → LLM 归纳：用户每年给 Ivy 准备生日礼物，偏好数学/Pop Mart → 存为 Mental Model → AI 主动回答"Ivy 生日快到了，去年你通过韵达寄了礼物，今年需要帮你挑吗？"

对比传统 RAG

内部实现原理

Retain：存入记忆

原始输入 → LLM 提取实体/关系/时序 → 归一化（"韵达"→ canonical entity）→ 存储为 5 种格式（向量索引、BM25、图节点、时间序列、元数据）。一次存入，服务多种检索策略。

Recall：4 路并行检索

1. 语义搜索（pgvector）：向量相似度匹配

2. 关键词搜索（BM25）：精确文本匹配

3. 图遍历：沿实体/关系/因果链遍历

4. 时间过滤：按时间范围筛选

4 路结果 → 合并去重 → Reciprocal Rank Fusion（RRF）综合排名 → Cross-encoder 精确重排序 → 按 token 限制裁剪返回。

Reflect：反思学习

Recall 检索相关记忆 → LLM 对一组记忆做归纳总结 → 结论存为新的 Mental Model（附带来源记忆引用）→ 下次类似场景直接用 Mental Model，无需重新推理。

存储层

PostgreSQL + pgvector，单库承载向量表、全文索引、图结构、时间序列。

一句话总结

Retain = LLM 提取 + 多格式存储

Recall = 4 路并行查 + RRF 融合 + Cross-encoder 排序

Reflect = LLM 归纳记忆 → 存为心智模型 → 下次直接用

分析

优势：

• LongMemEval 91.4%，目前最强的 agent 记忆系统
• 仿生记忆结构（世界→经验→心智模型）比传统 RAG/知识图谱更接近人类认知
• 4 路并行检索 + RRF 融合，召回率和准确率都高
• 有 Fortune 500 生产案例，不是纯学术项目
• 多 LLM 提供商支持，不绑定单一厂商
• MIT 开源

风险：

• 需要 LLM API 做记忆提取和反思，本身有 API 成本
• Docker 部署依赖 PostgreSQL（docker-compose 模式）
• 自家 benchmark 对比自家产品，虽有第三方复现但独立评测数据有限
• Vectorize.io 是商业公司，开源版和付费版的边界需关注

与 Jay 的关联：

• Jay 的 OpenClaw agent 目前用文件系统做记忆（MEMORY.md 等）
• Hindsight 可以作为更强大的记忆后端，特别是需要跨会话、长期学习能力的场景
• 和 MemPalace 的 AAAK 压缩是不同思路：Hindsight 重结构化存储和智能检索，MemPalace 重压缩

评分