AI Agent 做完一个任务就忘了之前的经验，这是目前大多数 Agent 的通病。RAG 能记住一些，知识图谱能关联一些，但它们本质上是在「回忆」而不是在「学习」。Hindsight 重新定义了 Agent 记忆——它让 Agent 不只是记住对话历史，而是真正从经验中学习。
Hindsight 是 Vectorize.io 开源的 Agent 记忆系统，在 LongMemEval 基准测试中取得了 SOTA 成绩（由弗吉尼亚理工 Sanghani 中心和华盛顿邮报独立复现），是当前测试过的最准确的 Agent 记忆系统，已被 Fortune 500 企业和大量 AI 初创公司用于生产环境。
最吸引人的地方是它的 API 设计——极其简单，三行代码搞定记忆存取：
from hindsight_client import Hindsight
client = Hindsight(base_url="http://localhost:8888")
# 存入记忆
client.retain(bank_id="my-bank", content="Alice works at Google as a software engineer")
# 搜索记忆
results = client.recall(bank_id="my-bank", query="What does Alice do?")
# 生成感知响应的反思
response = client.reflect(bank_id="my-bank", query="Tell me about Alice")
三种核心操作一目了然：Retain（存储）→ Recall（检索）→ Reflect（反思生成）。其中 Reflect 是最有意思的——它不只是返回匹配的记忆片段，而是基于记忆内容生成有上下文感知的回应。
Hindsight 支持 Python 和 Node.js，可以本地部署（Docker 一键启动），也可以用 Vectorize 的云服务。对于正在构建长期记忆能力的 Agent 系统来说，这是一个非常值得参考的实现。
 Stars |
18,909 |
|---|---|
 语言 |
Python |
 许可 |
MIT |
GitHub
文档
论文