← 文章 / 开源项目

AI小展厅 3小时前 · 2026-09-27 02:41:15 · 4 阅读

Hindsight 开源:让AIAgent拥有长期记忆,并具备持续学习能力

Hindsight 开源：让 AI Agent 拥有长期记忆，并具备持续学习能力

Vectorize 开源了 Hindsight，一个面向 AI Agent 的长期记忆系统。项目围绕 Retain、Recall、Reflect 三项核心能力构建，用于完成记忆写入、长期检索以及基于历史记忆的推理。

Hindsight 采用 PostgreSQL 作为核心存储，结合向量检索、全文检索、实体关系和时间信息组织记忆，并支持 MCP、Docker、本地模型以及多种 Agent Framework。

项目源码采用 MIT License。

核心能力

Hindsight 将 Agent Memory 划分为几个不同层次。

World Fact 用于保存外部世界中的事实，例如项目采用 PostgreSQL、某位用户负责某项业务。

Experience 用于保存 Agent 或用户实际经历，例如某次部署完成、一次技术方案讨论以及一次任务执行结果。

Observation 用于保存从多个历史事实中归纳出的信息，例如用户长期使用某种开发方式，或者某个项目长期采用某类技术方案。

在此基础上，Hindsight 还提供 Mental Models，用于围绕特定主题形成持续更新的知识模型，例如用户技术偏好、项目架构和历史决策。

因此，系统中的记忆具有“事实—观察—模型”的层次关系。

Retain：写入长期记忆

retain() 是 Hindsight 的记忆写入接口。

client.retain(
    bank_id="my-bank",
    content="Alice joined Google in March 2024 as a Senior ML Engineer"
)

系统会从输入内容中提取事实、实体、关系和时间信息，并建立检索所需的数据结构。

官方提供多种提取模式：

• concise：提取精简记忆
• verbose：提取更完整的信息
• custom：自定义提取方式
• verbatim：保留原始表达
• chunks：直接保存原始 Chunk

同时可以通过 retain_mission 为 Memory Bank 指定关注方向。例如软件项目可以重点记录架构决策、API 设计、技术选型和问题修复过程。

这种方式使不同 Agent 或项目能够拥有相互独立的 Memory Bank。

Recall：多路检索历史信息

recall() 用于从长期记忆中寻找相关内容。

Hindsight 的检索体系称为 TEMPR，综合语义、关键词、实体关系和时间等信息进行搜索。

例如查询：

Alice 去年春天负责过什么项目？

系统可以同时利用 Alice 这一实体、项目语义以及时间条件进行检索。

这一设计针对长期记忆中的典型问题：用户过去的信息往往分散在多个会话中，单纯依靠向量相似度很难完整表达实体关系和时间关系。

Recall 本身负责搜索记忆，不负责生成最终回答，也不会额外调用 LLM 进行回答生成。

Reflect：基于记忆进行推理

reflect() 在 Recall 基础上进一步处理复杂问题。

response = client.reflect(
    bank_id="my-bank",
    query="What are Alice's strengths for the team lead role?"
)

Reflect 会检索相关记忆，再综合事实、Observations 和 Mental Models，通过 LLM 形成回答。

Recall 更接近“找到过去的信息”，Reflect 则用于“根据过去的信息形成结论”。

对于用户长期偏好、项目历史决策、任务经历等问题，Reflect 可以将分散在多个时间点的记忆结合起来。

Observation：持续整理历史事实

Hindsight 的 Observation 机制用于从多个记忆中形成更高层次的信息。

例如一个用户先后表达过：

• 喜欢使用 Python；
• 新项目开始使用 TypeScript；
• 后端项目逐步统一采用 TypeScript；
• 后续项目优先考虑 TypeScript。

这些内容可以分别作为历史事实保存，同时进一步形成关于用户技术偏好的 Observation。

新的事实进入系统后，相关 Observation 可以继续更新。

这样形成的记忆结构包含原始证据和高层归纳信息，后续 Reflect 可以同时利用两类内容。

PostgreSQL 作为核心数据库

Hindsight 的一个工程特点是直接建立在 PostgreSQL 之上。

项目官方 API 文档列出了多种向量后端，包括：

• pgvector
• pgvectorscale
• vchord
• ScaNN

全文搜索则支持 PostgreSQL 原生全文搜索以及多个扩展方案。

Hindsight 因此可以在 PostgreSQL 中同时处理结构化数据、全文检索、向量检索以及 Agent Memory。

项目还提供读副本相关配置，可将 Recall 查询分配到独立连接池。

对于已经使用 PostgreSQL 的企业或个人开发者，这种架构能够减少额外数据库组件。

支持云端和本地模型

Hindsight 本身不提供基础大语言模型，记忆提取和 Reflect 推理需要连接 LLM。

官方支持：

• OpenAI
• Anthropic
• Gemini
• DeepSeek
• MiniMax
• Groq
• Amazon Bedrock
• Vertex AI

同时支持：

• Ollama
• LM Studio
• llama.cpp
• OpenAI-compatible API
• LiteLLM

因此，Hindsight 可以与本地模型结合使用。

对于已经运行 Ollama、vLLM 或 LiteLLM 的本地 AI 环境，可以将 Hindsight 作为独立 Memory Server，通过兼容 API 调用现有模型。

MCP 接入 Agent

Hindsight 内置 MCP Server，可以将长期记忆能力提供给支持 MCP 的 Agent。

项目目前提供针对 Coding Agent 的集成，README 中列出的对象包括：

• Claude Code
• Codex CLI
• Cursor CLI
• GitHub Copilot CLI
• Cline
• Devin
• Pi
• Prime Agent

实际使用时，可以为不同代码仓库建立独立 Memory Bank。

Agent 在开发过程中可以记录架构决策、代码问题、解决过程以及项目约定，后续任务通过 Recall 获取历史信息。

Hindsight 同时提供 Microsoft Agent Framework、Google ADK 等集成方式。

Docker 部署

官方提供 Docker 镜像，基础部署方式如下：

docker run -it --pull always \
  --name hindsight \
  -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

默认 API 端口为 8888，控制界面端口为 9999。

项目同时提供 Python Package、Docker Compose 和 Helm 等部署方式。

论文评测

Hindsight 的技术方案发表在 arXiv 论文 《Hindsight is 20/20: Building Agent Memory that Retains, Recalls, and Reflects》。

论文使用 LongMemEval、LoCoMo 等长期记忆任务进行测试。

论文报告，在使用相同开源 20B 模型的实验中，加入 Hindsight 后整体准确率由完整上下文基线的 39% 提升至 83.6%；扩大模型规模后，LongMemEval 达到 91.4%，LoCoMo 最高达到 89.61%。

项目官方随后发布的 Agent Memory Benchmark 中，Hindsight v0.4.19 的测试结果包括：

数据集	Hindsight 测试结果
LoCoMo	92.0%
LongMemEval	94.6%
LifeBench	71.5%
PersonaMem	86.6%

这些结果对应特定版本、模型和测试设置，适合用于理解项目当前研究与工程实现的表现。不同版本、模型和数据集之间不能直接横向比较。

项目技术结构

从整体架构看，Hindsight 可以概括为：

Agent → Retain → Memory Bank → Recall → Reflect → Agent

其中：

Retain 负责将对话、文档和任务经历转化为长期记忆。

Memory Bank 负责保存事实、经历、观察和实体关系。

Recall 负责通过语义、关键词、实体和时间等信息检索记忆。

Reflect 负责结合检索结果和高层记忆进行推理。

Mental Models 则负责维护针对特定主题的长期知识摘要。

在工程层面，PostgreSQL 提供核心存储，向量与全文检索提供搜索能力，外部 LLM 负责记忆提取与 Reflect，MCP 则负责连接现有 Agent。

适用场景

Hindsight 主要适用于需要长期状态保存的 Agent：

个人 AI 助手

保存用户长期偏好、历史任务和持续变化的信息。

Coding Agent

记录代码仓库结构、技术方案、历史 Bug 和开发约定。

企业 Agent

保存业务知识、操作历史和跨会话任务状态。

客服 Agent

建立持续更新的用户交互记忆。

研究 Agent

保存检索过程、历史结论及相关证据。

对于本地 AI 用户，Hindsight 还可以与 Ollama、vLLM、LiteLLM 和 MCP 组合使用，构建本地化的长期记忆服务。

Hindsight 开源:让AIAgent拥有长期记忆,并具备持续学习能力