vectorize-io GitHub avatar

hindsight

Python
智能体记忆系统vectorize-io最近推送 2026年11月19日
Agent 框架MIT61.8k7,380248 issues7 天 +1,334

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年10月24日

为 AI Agent 提供能长期记忆并持续学习的记忆系统。

Hindsight 是一个面向 AI Agent 的长期记忆系统,重点不只是保存对话,而是让 Agent 从历史信息中学习。它提供 retain、recall、reflect 三类操作,并支持记忆库、心理模型和知识页面等概念。

推荐指数

5.0

功能覆盖完整、部署方式多,适合需要长期记忆的 Agent 项目试用和落地。

近 7 天

+1,334

新增 Star

总 Star 排名

#80

雷达追踪的 3,958 个 AI 仓库中

创建于

2025

2025年10月30日

核心亮点

  • 1长期学习

    目标是让 Agent 从历史经验中形成可复用的记忆,而不只是检索聊天记录。

  • 2多种部署

    支持 Docker、pip、Kubernetes、外部 PostgreSQL、嵌入式运行和托管服务。

  • 3模型选择多

    README 声称支持 25+ 个模型提供商,也支持 Ollama、LM Studio 等本地模型。

  • 4客户端齐全

    提供 Python、Node.js/TypeScript 和 Go 客户端,并支持 MCP 与 LLM Wrapper 集成。

  • 5开源许可

    项目采用 MIT 许可证,便于在自建服务和应用中集成。

适用场景

  • 长期对话助手

    例如:让客服 Agent 记住用户过去的偏好、问题和处理结果。

  • 编码 Agent

    例如:让编码助手保留项目约定、历史决策和开发者的工作习惯。

  • 企业知识助手

    例如:把持续产生的业务信息写入记忆库,供后续 Agent 查询和反思。

  • 多轮任务执行

    例如:让 Agent 在多次任务之间保留上下文,减少重复询问。

它是怎么工作的

  1. 第 1 步

    写入记忆

    通过 retain 操作把对话、观察或其他信息写入指定的 memory bank。

  2. 第 2 步

    检索信息

    Agent 使用 recall 从长期记忆中查找与当前任务相关的内容。

  3. 第 3 步

    形成理解

    通过 reflect 对已有记忆进行整理和推理,生成更高层次的理解。

  4. 第 4 步

    持续使用

    Agent 在后续请求中继续读写记忆,并结合心理模型或知识页面辅助决策。

快速上手

  1. 1

    启动服务

    准备 OpenAI API Key,使用 Docker 启动 Hindsight 服务。

    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
  2. 2

    访问服务

    API 默认运行在 8888 端口,管理界面默认运行在 9999 端口。

    http://localhost:8888
    http://localhost:9999
  3. 3

    安装客户端

    按使用的语言安装官方客户端。

    pip install hindsight-client -U
    npm install @vectorize-io/hindsight-client
    go get github.com/vectorize-io/hindsight/hindsight-clients/go

适合谁

  • 需要跨会话记忆的 AI Agent 开发者
  • 希望自建 Agent 记忆服务的 Python、Node.js 或 Go 团队
  • 需要在本地模型、云端模型和多种部署方式之间切换的项目
  • 正在接入 MCP 或编码 Agent 的开发者

不太适合

  • 只需要简单聊天记录存储的应用
  • 不希望引入独立服务、模型调用和持久化存储的轻量项目
  • 只需要传统关键词搜索或静态知识库的场景

成熟度

  • 活跃度项目有 52867 个 Star,最近一次推送时间为 2026-10-22,维护活动较活跃。
  • 文档README 提供快速开始、部署、模型、存储、集成和基准测试入口,文档覆盖较完整。
  • 社区项目有 6216 个 Fork、154 个开放 Issue,并提供 Slack 社区入口。
  • 上手难度Docker 和 pip 可快速启动,但生产部署还涉及模型服务、数据库和持久化配置。

使用前注意

  • · 记忆处理依赖 LLM,使用云端模型时需要配置 API Key,并可能产生调用成本。
  • · Docker 默认使用本地持久化卷;生产环境应进一步评估数据库、备份和扩展配置。
  • · 项目支持多种模型提供商,但不同提供商的能力、延迟和费用可能不同。
  • · 虽然采用 MIT 许可证,实际部署仍需单独检查所用模型、数据和第三方服务的许可及隐私要求。

主题标签

agentic-aimemoryagentsai-memory