Agent 又失忆了？28 千星的 hindsight 让它越用越聪明

GitHub Trending 今日榜上窜得最快的是 hindsight——vectorize-io 开源的 agent 记忆系统，单日 +1668 星，总量 28.2 千（MIT）。它给自己划的赛道很清晰：大多数 agent 记忆方案在"回忆对话历史"，而它要做的是让 agent 学习，而不只是记住。

它是什么

Hindsight 是一个独立的 agent 记忆系统：你把信息交给它（retain），需要时检索（recall），它还会主动归纳（reflect）。与 RAG 和知识图谱这类方案相比，它的目标是消除两者在长期记忆任务上的短板——在业界广泛使用的 LongMemEval 基准上拿到了 SOTA 成绩。

值得信任的一点是：这个基准成绩被弗吉尼亚理工 Sanghani 中心和《华盛顿邮报》的研究者独立复现过，而榜单上其他方案的分数是厂商自报的。它也已经在财富 500 强企业和一批 AI 创业公司的生产环境里使用。

核心概念

• 三种操作：retain（存入）、recall（检索）、reflect（归纳反思），记忆按 bank 分库隔离；
• 四种记忆类型与 observations：agent 从交互中提炼出的事实，而不是原样存对话；
• Mental models 与 knowledge pages：把零散观察沉淀成对某个实体的结构化认知；
• 接入形态：服务端（Docker/pip/Helm/Cloud）、Python 与 TypeScript/Go 客户端、MCP server、还有嵌入式模式——不需要起服务直接跑。

快速上手

Docker 一行起服务（LLM 提供商支持 25+ 家：OpenAI、Anthropic、Gemini、DeepSeek，本地 ollama/lmstudio 也行，甚至可以直接挂 Claude Code 或 Codex 的现成订阅，不用 API key）：

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

客户端两行接入（Python）：

from hindsight_client import Hindsight

client = Hindsight(base_url="http://localhost:8888")

# 存入：告诉它一个事实
client.retain(bank_id="my-bank", content="Alice works at Google as a software engineer")

# 检索：按语义回忆相关记忆
client.recall(bank_id="my-bank", query="Where does Alice work?")

不想起服务还有嵌入式模式，pip 装完直接在进程里跑。

适合谁用

• 做长期运行的 agent 产品的团队：助手、运维 agent、客服系统，凡是需要"记住用户偏好和过往决策"的场景；
• 被 RAG 检索质量折磨的团队：它解决的正是 RAG 在"时间演化的事实"上的短板；
• 想先本地试的：ollama 全本地跑，MIT 协议没有使用限制。

一个提醒：它需要配一个 LLM 做记忆的提炼与归纳（按量花 API 费用），这笔开销是"记忆质量"的成本，不是白嫖能绕开的。

仓库地址：github.com/vectorize-io/hindsight（MIT），论文见 arXiv:2512.12818。