一个具备仿生架构的智能体记忆系统，通过反思机制让 AI 从经验中持续学习，支持多策略检索，在 LongMemEval 基准测试中表现优异，采用 MIT 开源协议。
核心理念#
Hindsight 是一个专注于让智能体通过反思机制从经验中"学习"而非单纯回忆历史的记忆系统。传统 Agent 记忆系统大多侧重于对话历史的存储与检索（RAG），导致 Agent 只能"回忆"而不能"成长"。Hindsight 通过仿生架构解决这一问题。
仿生记忆架构#
记忆被组织为三个层级，模拟人类认知结构：
- World（世界知识）：存储客观事实（如 "Alice works at Google"），类似陈述性记忆
- Experiences（经历）：记录 Agent 自身的交互过程和事件流，类似情景记忆
- Mental Models（心智模型）：通过 reflect 操作从 Experiences 和 World 中提炼的抽象理解，是实现"学习"的关键
核心操作#
- Retain（保留）：将非结构化内容摄入并分类存储到指定的 Bank 中
- Recall（回忆）：利用多策略检索引擎，根据 Query 激活相关记忆
- Reflect（反思）：触发推理机制，分析现有记忆，生成新的洞察或更新 Mental Models
多策略检索#
系统内置复合检索逻辑，结合：
- 语义相似性检索
- 精确关键词匹配
- 实体关系图查询
- 时间维度检索
快速上手#
from hindsight_client import Hindsight
client = Hindsight(base_url="http://localhost:8888")
# 存储信息
client.retain(bank_id="my-bank", content="Alice works at Google")
# 检索记忆
results = client.recall(bank_id="my-bank", query="What does Alice do?")
# 生成洞察
client.reflect(bank_id="my-bank", query="Tell me about Alice")
适用场景#
- 长期运行的 AI 员工（需积累行业知识或公司流程）
- 自适应交互（根据用户反馈调整行为）
- 复杂任务自动化（长周期内维持状态和经验）
- 千人千面个性化（记忆特定用户偏好）
性能表现#
在 LongMemEval 基准测试中达到 SOTA 水平。
开发资源#
- GitHub Stars: 1.5k+
- 许可协议: MIT License
- SDK 支持: Python、Node.js/TypeScript
⚠️ 注意：输入材料未提供具体的 GitHub 仓库地址和官方文档链接，需进一步搜索确认。部署方式（Docker/二进制/Library）及底层存储依赖（向量数据库）待核实。