Слой памяти для AI-агентов и приложений, который хранит и извлекает контекст пользователей, сессий и агентов между диалогами.
vectorize-io/hindsight
Система памяти для агентов: сохраняет, извлекает и анализирует воспоминания, помогая ИИ-агентам учиться со временем, а не просто воспроизводить историю чата.
- Звёзды
- 51,907
- Форки
- 6,178
- Открытые issues
- 148
- Последний коммит
- вчера
Что это?
Hindsight — система памяти для агентов, которая помогает создавать ИИ-агентов, способных учиться, а не только запоминать. Вместо простого извлечения истории диалогов она распределяет воспоминания по категориям: факты о мире, собственный опыт агента, обобщённые наблюдения и ментальные модели, которые формируются со временем.
В основе API — три операции: retain сохраняет новую информацию, а LLM извлекает из неё факты, сущности и связи; recall параллельно выполняет семантический поиск, поиск по ключевым словам BM25, графу сущностей и временным данным, а затем объединяет результаты; reflect проводит более глубокий анализ уже сохранённых воспоминаний. Воспоминания изолированы по банкам — отдельным для каждого пользователя, агента или проекта; для каждого банка сервер предоставляет MCP endpoint.
Hindsight можно запускать как Docker-контейнер, pip-пакет или Helm chart в Kubernetes; в качестве хранилища используется PostgreSQL с pgvector. Доступны клиенты для Python, Node.js, Go и CLI, а также поддерживается широкий выбор провайдеров LLM, включая полностью локальные решения, такие как Ollama и LM Studio.
Ключевые возможности
- 01Операции retain, recall и reflect для сохранения воспоминаний агента и работы с ними
- 02В recall объединяются векторный поиск, поиск по ключевым словам, графу сущностей и временным данным с последующим ранжированием
- 03Банки памяти изолируют данные для каждого пользователя, агента или проекта
- 04Встроенный MCP endpoint для каждого банка, доступный MCP-совместимым клиентам
- 05Поддержка более 25 провайдеров LLM, включая локальные модели через Ollama и LM Studio
- 06Клиенты для Python, Node.js, Go и CLI, а также REST API
Сценарии использования
- Персонализация чат-бота: запоминание предпочтений и истории каждого пользователя
- Долговременная память для архитектуры проекта и предыдущих сессий у агентов-программистов
- Добавление памяти в существующее приложение на базе LLM с помощью обёртки над клиентом OpenAI или Anthropic
- Создание автономных агентов, которые адаптируют поведение на основе накопленной обратной связи
Быстрый старт
- 1
Запустите сервер с помощью Docker
docker run -it --pull always --name hindsight --restart unless-stopped -p 8888:8888 -p 9999:9999 -e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY -v hindsight-data:/home/hindsight/.pg0 ghcr.io/vectorize-io/hindsight:latest - 2
Установите клиент Python
pip install hindsight-client -U - 3
Подключите клиент, чтобы сохранять воспоминания, извлекать их и размышлять о них
Что важно знать
- Для полного самостоятельного хостинга нужен API-ключ провайдера LLM или настроенная локальная модель.
- Для встроенного использования на Mac с Intel требуется отдельный пакет hindsight-all-slim.
Темы
Частые вопросы
- Что такое hindsight?
- Система памяти для агентов: сохраняет, извлекает и анализирует воспоминания, помогая ИИ-агентам учиться со временем, а не просто воспроизводить историю чата. Hindsight — система памяти для агентов, которая помогает создавать ИИ-агентов, способных учиться, а не только запоминать. Вместо простого извлечения истории диалогов она распределяет воспоминания по категориям: факты о мире, собственный опыт агента, обобщённые наблюдения и ментальные модели, которые формируются со временем.
- hindsight можно использовать бесплатно? Какая у него лицензия?
- hindsight распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- hindsight всё ещё поддерживается?
- Активно поддерживается. Последний коммит в hindsight — 20 окт. 2026 г..
- Для чего можно использовать hindsight?
- Персонализация чат-бота: запоминание предпочтений и истории каждого пользователя Долговременная память для архитектуры проекта и предыдущих сессий у агентов-программистов Добавление памяти в существующее приложение на базе LLM с помощью обёртки над клиентом OpenAI или Anthropic Создание автономных агентов, которые адаптируют поведение на основе накопленной обратной связи
- Как установить hindsight?
- Запустите сервер с помощью Docker: docker run -it --pull always --name hindsight --restart unless-stopped -p 8888:8888 -p 9999:9999 -e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY -v hindsight-data:/home/hindsight/.pg0 ghcr.io/vectorize-io/hindsight:latest Установите клиент Python: pip install hindsight-client -U Подключите клиент, чтобы сохранять воспоминания, извлекать их и размышлять о них
- Где скачать hindsight?
- Исходный код и инструкции по установке — на GitHub: https://github.com/vectorize-io/hindsight
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Движок памяти и контекста для AI-приложений и ассистентов: единый API для постоянной памяти, RAG, профилей пользователей и коннекторов.
Инфраструктура памяти для LLM-агентов: сохраняет диалоги и выполнение задач в структурированном виде для приложений на Python и TypeScript.
Визуальная платформа для создания, тестирования и развертывания AI-агентов и рабочих процессов с поддержкой API и MCP-серверов.
Опенсорсный RAG-движок, объединяющий генерацию с дополненной выборкой и возможности агентов, чтобы обеспечить контекстный слой для приложений на базе LLM.
Локальная AI-система памяти: хранит историю диалогов без изменений и находит нужное с помощью семантического поиска; доступна как MCP-сервер и CLI.