vectorize-io/hindsight
Hindsight: Agent Memory That Learns
paperclipai/paperclip（已於 2026-09-26 推過），故改推第 2 名。這是什麼
Hindsight 是一套面向 AI agent 的長期記憶系統。README 對它的定位很清楚：它不只是把對話歷史存起來再搜尋，而是希望讓 agent 能「學會」新的事實、經驗與使用者脈絡。它把記憶放在 bank 裡，並區分 world facts、experiences、observations、mental models 等類型；新增記憶時，系統會用 LLM 抽取事實、時間、實體與關係，再結合稀疏／密集向量等表示，供後續 recall 與 reflect 使用。換句話說，Hindsight 想解決的是 agent 常見的斷片問題：每次任務看似聰明，但跨 session、跨專案時缺少可累積的理解。
為什麼上榜
這個專案今天拿到 2,147 顆星，總星數已到 32,141，熱度明顯來自「agent memory」這個正在升溫的痛點。README 主打兩個訊息：第一，它聲稱在 LongMemEval 這類長期記憶 benchmark 上有先進表現，並提供持續更新的 benchmark 網站；第二，它不是只給一個 API，而是同時涵蓋自架服務、Cloud、SDK、LLM wrapper、coding agent、MCP 與多種框架整合。這讓 Hindsight 比單純的向量資料庫或聊天紀錄搜尋更像一個完整記憶層。值得注意的是，README 也把 RAG、knowledge graph 等做法列為對照，顯示它的賣點不只是「能找回資料」，而是將記憶組織成更接近人類記憶的結構。
適合誰，可以拿來做什麼
Hindsight 適合正在做長期互動型 agent 的團隊：例如客服、個人助理、企業內部工作流、自動化 coding agent，或任何需要跨多次任務累積使用者偏好與專案知識的系統。它也適合想先在本機或私有環境評估的開發者，因為 README 提供 Docker、pip、Kubernetes、embedded Python 與 Cloud 等選項。若你只是要做一次性的 RAG 問答，Hindsight 可能偏重；但如果需求是讓 agent 在多次互動後形成穩定的世界事實、經驗與 mental model，它的 retain、recall、reflect 三個操作會比較貼近產品級記憶層的設計。
上手
README 最推薦用 Docker 啟動服務，API 預設在 http://localhost:8888，UI 在 http://localhost:9999。接著可安裝 Python、Node.js、Go 或 CLI client 連線；若只想把既有 LLM 呼叫包起來，也有 hindsight-litellm wrapper。
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
pip install hindsight-client -U
Python client 的基本流程是建立 Hindsight，再對同一個 bank 呼叫 retain / recall / reflect：先存入記憶，再查詢相關內容，最後生成帶有記憶脈絡的回應。
README 重點摘要
- Hindsight 的核心不是保存聊天紀錄，而是讓 agent 透過 world facts、experiences、observations、mental models 累積可重用記憶。
- README 提供 Docker、外部 PostgreSQL、pip、Helm、Cloud 與 embedded Python 等部署方式，並列出 Linux、macOS、Windows 支援狀況。
- Client 覆蓋 Python、Node.js / TypeScript、Go、CLI 與 REST API；也能用 LLM wrapper 低改動接入既有 OpenAI / Anthropic 工作流。
- 內建 MCP endpoint，可把 retain、recall、reflect 暴露成工具給支援 MCP 的 client 使用。
- README 宣稱 benchmark 結果已由 Virginia Tech Sanghani Center 與 The Washington Post 的研究合作者重現；實際評估仍應參考其公開 benchmark 與自身場景測試。