عن المشروع

Hindsight هو نظام ذاكرة مفتوح المصدر للوكلاء مصمم لمساعدة وكلاء الذكاء الاصطناعي على التعلم والتحسن مع الوقت، متجاوزاً مجرد استرجاع المحادثات. يقدم نفسه كبديل لنهجي RAG والرسوم المعرفية لمهام الذاكرة طويلة المدى. ## ما الذي يفعله ينظم Hindsight الذكريات باستخدام بنى بيانات محاكية للأحياء مستوحاة من طريقة عمل الذاكرة البشرية. تُصنف الذكريات إلى: - **حقائق العالم**: حقائق عامة عن العالم - **الخبرات**: تجارب الوكيل المباشرة - **الملاحظات**: معتقدات موحدة مدعومة بالأدلة تتشكل من ذكريات كثيرة مع الوقت - **النماذج الذهنية**: فهم متعلم لعالم الوكيل، مُركّب من الملاحظات والحقائق يوفر النظام ثلاث عمليات أساسية: 1. **الاحتفاظ (Retain)** — يخزن معلومات جديدة. يستخدم LLM لاستخراج الكيانات والعلاقات والبيانات الزمنية، ثم يطبعها إلى تمثيلات قانونية للاسترجاع لاحقاً. 2. **الاسترجاع (Recall)** — يسترجع الذكريات باستخدام أربع استراتيجيات متوازية: التشابه الدلالي المتجهي، ومطابقة الكلمات المفتاحية BM25، والروابط الرسومية للكيانات/الزمن/السببية، وتصفية النطاق الزمني. تُدمج النتائج عبر دمج الرتب المتبادل ثم يُعاد ترتيبها. 3. **التفكر (Reflect)** — يجري تحليلاً أعمق للذكريات الموجودة لتكوين روابط جديدة، أو الإجابة عن أسئلة معقدة، أو بناء فهم شامل. تُوحَّد الملاحظات تلقائياً في الخلفية من الحقائق المحتفظ بها ذات الصلة، مع الاحتفاظ بالأدلة الداعمة مع اقتباسات دقيقة. النماذج الذهنية هي إجابات دائمة لأسئلة محددة يعيد Hindsight كتابتها كلما تعلم البنك أكثر. ## كيفية استخدامه ### خيارات النشر - **Docker** (موصى به): شغّل حاوية واحدة باستخدام `docker run`، مع كشف API على المنفذ 8888 وواجهة المستخدم على المنفذ 9999. - **التثبيت المباشر**: ثبّت عبر `pip install hindsight-api` وشغّله مباشرة. - **Kubernetes**: مخطط Helm متاح من `oci://ghcr.io/vectorize-io/charts/hindsight`. - **المدمج (Python)**: `pip install hindsight-all` لخادم داخل العملية دون حاجة إلى نشر منفصل. - **Hindsight Cloud**: خيار مُدار مستضاف مع توسع تلقائي واتفاقية مستوى خدمة بنسبة توفر 99.9%. يعمل الخادم مع أكثر من 25 مزود LLM بما في ذلك OpenAI وAnthropic وGemini وGroq وBedrock وOllama وأي نقطة نهاية متوافقة مع OpenAI. تعمل الاشتراكات الحالية لـ ChatGPT Plus وClaude Pro وCursor وGitHub Copilot دون مفتاح API. ### مكتبات العملاء Python (`hindsight-client`) وNode.js/TypeScript (`@vectorize-io/hindsight-client`) وGo وCLI كلها متاحة. مثال بسيط: ```python from hindsight_client import Hindsight client = Hindsight(base_url="http://localhost:8888") client.retain(bank_id="my-bank", content="Alice works at Google") results = client.recall(bank_id="my-bank", query="What does Alice do?") ``` ### التكامل السريع يتيح لك غلاف LiteLLM (`hindsight-litellm`) تغليف عميل LLM موجود بسطرين من الكود، مع استرجاع الذكريات ذات الصلة تلقائياً قبل كل استدعاء والاحتفاظ بالمحادثات بعده. يغطي هذا أكثر من 100 نموذج عبر LiteLLM. ### التكاملات يأتي Hindsight مع أكثر من 60 تكاملاً لا تتطلب تغييرات في الكود، بما في ذلك: - **وكلاء البرمجة**: Claude Code وCodex وCursor وGitHub Copilot وAider وCline وغيرها — مع حزمة مخصصة لذاكرة المشروع لكل مستودع مبنية من سجل git. - **أطر الوكلاء**: LangGraph/LangChain وLlamaIndex وCrewAI وPydantic AI وOpenAI Agents SDK وGoogle ADK وAutoGen وغيرها. - **بدون كود/قليل الكود**: n8n وZapier وDify وFlowise. - **التطبيقات**: ChatGPT وPerplexity وObsidian وVapi وPipecat. كما يكشف كل خادم عن نقطة نهاية MCP مدمجة على `/mcp/{bank_id}/`، مما يمكّن أي عميل MCP من استخدام الاحتفاظ والاسترجاع والتفكر كأدوات. ## الميزات الرئيسية - **متعدد اللغات افتراضياً**: تُكتشف لغة الإدخال وتُحفظ؛ تحتفظ الكيانات بنصها الأصلي (مثلاً 张伟 يبقى 张伟). - **دفاع الذاكرة**: سياسة اختيارية لكل بنك تفحص كل عملية احتفاظ بحثاً عن الأسرار والبيانات الشخصية مقابل 45 نمطاً، مع حجب أو حظر المطابقات قبل التخزين. - **بنوك الذاكرة**: مخازن ذاكرة معزولة لكل مستخدم أو وكيل أو مشروع مع عدم تسرب صارم بين البنوك. يمكن للبنوك أن تحمل سمات مزاجية (التشكك، الحرفية، التعاطف) تشكل طريقة تفكير reflect. - **الجاهزية للإنتاج**: PostgreSQL مع pgvector أو Oracle AI Database للتخزين، ومراقبة Prometheus، وCLI إداري للعمليات، وخطافات ويب لأحداث دورة الحياة، ونقاط توسعة للمستأجرين والمصادقة والتخزين. - **صفحات المعرفة**: مستندات حية يكتبها البنك عن نفسه، منظمة كويكي وقابلة للإسقاط كملفات markdown. ## ادعاءات الأداء وفقاً لملف README، حقق Hindsight أداءً متقدماً على معيار LongMemEval اعتباراً من يناير 2026. أُعيد إنتاج بيانات المعيار بشكل مستقل من قبل باحثين في مركز Sanghani بجامعة Virginia Tech وصحيفة The Washington Post؛ الدرجات الأخرى مُبلَّغ عنها ذاتياً من البائعين. تُنشر النتائج الحية على benchmarks.hindsight.vectorize.io.