vectorize-io/hindsight 一天新增約 2,349 顆星,主打會學習的代理記憶體

背景

代理(agent,能自行規劃步驟、呼叫工具完成任務的 AI 程式)若要跨次對話保留資訊,需要一套記憶系統。專案說明指出,多數代理記憶系統著重回想對話歷史,Hindsight 則著重讓代理學習。專案說明也提到 RAG(檢索增強生成,先查資料再交給模型回答的做法)與 knowledge graph(知識圖譜,用節點與關係存放資訊)這兩種替代技術,並表示 Hindsight 消除了它們的缺點。 GitHub 熱門專案

發生什麼事

vectorize-io/hindsight 截至本站記錄時(2026 年 10 月 29 日),GitHub 星數累計 55,896,一天內新增約 2,349 顆星。這個專案建立於 2025 年 10 月 30 日,主要語言為 Python,授權為 MIT(寬鬆的開源授權)。專案說明的標題寫的是「Hindsight: Agent Memory That Learns」。 GitHub 熱門專案

重點內容

專案說明表示,Hindsight 在長期記憶任務上達到 state-of-the-art(當前最佳水準)的表現,並在 LongMemEval(評估對話式 AI 長期記憶的基準測試)上取得這樣的成績。說明稱,Hindsight 的基準測試資料已由 Virginia Tech 的 Sanghani Center for Artificial Intelligence and Data Analytics 與 The Washington Post 的研究協作者獨立重現,其他分數則是軟體廠商自行回報。這些都是專案說明的自述,本站未另行驗證。 GitHub 熱門專案

運作方式上,專案提供 retain(儲存)、recall(搜尋)、reflect(產生回應)三個操作。例如用 Python 呼叫 retain,可存入「Alice works at Google as a software engineer」。arXiv 上標題為 Hindsight is 20/20 的論文摘要說明,這套架構把記憶分成四個邏輯網路,分別對應 world facts、agent experiences、synthesized entity summaries 與 evolving beliefs。摘要提到,在 LongMemEval 與 LoCoMo(兩者皆為長期對話記憶基準測試)這類基準上,Hindsight 搭配開源 20B 模型,整體準確率從 39% 提升到 83.6%,比較對象是使用同一骨幹模型(backbone,即底層運作的語言模型)的 full-context(把完整對話內容直接放進提示的做法)基線,結果也優於 full context GPT-4o。換成更大的骨幹模型後,LongMemEval 為 91.4%,LoCoMo 最高 89.61%,而先前開放系統的 LoCoMo 成績為 75.78%。 原文 官方原文・arxiv.org

部署方式上,專案說明列出 Docker(容器,把程式與環境打包執行)、pip 安裝 hindsight-api、Kubernetes 的 Helm(套件安裝工具),以及託管服務 Hindsight Cloud。Docker 啟動後,API(程式介面)在 http://localhost:8888,UI(網頁介面)在 http://localhost:9999。專案說明表示可透過 HINDSIGHT_API_LLM_PROVIDER 使用 25+ 家 LLM(大型語言模型)供應商,包含完全本機的 ollama、lmstudio、llamacpp。Hindsight Cloud 依用量計費,說明提到有免費額度,並有 99.9% uptime SLA(可用時間服務保證)。 GitHub 熱門專案

對使用者的意義

想替自己的代理加上記憶的開發者,可以依專案說明用 pip 安裝 hindsight-client,或使用 Node.js / TypeScript、Go 的 SDK(軟體開發套件)與 CLI(命令列介面,用打字下指令操作電腦的方式),也能透過 REST API 呼叫。使用 coding agent 的人,專案說明提供 npx skills add https://github.com/vectorize-io/hindsight --skill hindsight-docs,表示可搭配 Claude Code、Cursor 等工具查文件。想完全在本機跑,說明列出 ollama、lmstudio、llamacpp 可作為 LLM 供應商。 GitHub 熱門專案

限制與未定事項

專案說明的支援平台表中,macOS(Intel / x86_64)的 pip 安裝標示為警告符號,並說明 Intel Mac 要改用 hindsight-all-slim。論文摘要中的準確率,取自 LongMemEval 與 LoCoMo 這類長期對話記憶基準。星數是本站在記錄時間點的觀察值。 GitHub 熱門專案 官方原文・arxiv.org