hindsight

Hindsight é um sistema de memória para agentes, de código aberto, projetado para ajudar agentes de IA a aprender e melhorar ao longo do tempo, indo além da simples recordação de conversas. Ele se posiciona como uma alternativa às abordagens de RAG e grafos de conhecimento para tarefas de memória de longo prazo. ## O que ele faz Hindsight organiza as memórias usando estruturas de dados biomiméticas inspiradas em como a memória humana funciona. As memórias são categorizadas em: - **World facts**: fatos gerais sobre o mundo - **Experiences**: as experiências diretas do próprio agente - **Observations**: crenças consolidadas e respaldadas por evidências, formadas a partir de muitas memórias ao longo do tempo - **Mental models**: compreensão aprendida do mundo do agente, sintetizada a partir de observações e fatos O sistema fornece três operações principais: 1. **Retain** — armazena novas informações. Usa um LLM para extrair entidades, relacionamentos e dados temporais, normalizando-os em representações canônicas para recuperação posterior. 2. **Recall** — recupera memórias usando quatro estratégias paralelas: similaridade semântica por vetores, correspondência de palavras-chave por BM25, vínculos graph-based de entidade/temporais/causais e filtragem temporal por intervalo. Os resultados são combinados por reciprocal rank fusion e reclassificados. 3. **Reflect** — realiza análises mais profundas das memórias existentes para formar novas conexões, responder a perguntas complexas ou construir uma compreensão completa. As observações são consolidadas automaticamente em segundo plano a partir de fatos retidos relacionados, mantendo evidências de apoio com citações exatas. Os modelos mentais são respostas permanentes a perguntas definidas que o Hindsight reescreve conforme o banco aprende mais. ## Como usá-lo ### Opções de implantação - **Docker** (recomendado): execute um único contêiner com `docker run`, expondo a API na porta 8888 e a UI na porta 9999. - **Bare metal**: instale com `pip install hindsight-api` e execute diretamente. - **Kubernetes**: chart Helm disponível em `oci://ghcr.io/vectorize-io/charts/hindsight`. - **Embedded (Python)**: `pip install hindsight-all` para um servidor em processo, sem necessidade de implantação separada. - **Hindsight Cloud**: opção hospedada e gerenciada com escalonamento automático e SLA de 99,9% de disponibilidade. O servidor funciona com mais de 25 provedores de LLM, incluindo OpenAI, Anthropic, Gemini, Groq, Bedrock, Ollama e qualquer endpoint compatível com OpenAI. Assinaturas existentes de ChatGPT Plus, Claude Pro, Cursor e GitHub Copilot funcionam sem chave de API. ### Bibliotecas de cliente Python (`hindsight-client`), Node.js/TypeScript (`@vectorize-io/hindsight-client`), Go e uma CLI estão disponíveis. Um exemplo simples: 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?") ### Integração rápida O wrapper LiteLLM (`hindsight-litellm`) permite envolver um cliente LLM existente em duas linhas de código, recuperando automaticamente memórias relevantes antes de cada chamada e retendo conversas depois. Isso abrange mais de 100 modelos por meio do LiteLLM. ### Integrações Hindsight acompanha mais de 60 integrações que não exigem alterações de código, incluindo: - **Agentes de programação**: Claude Code, Codex, Cursor, GitHub Copilot, Aider, Cline e outros — com um pacote dedicado para memória de projeto por repositório construída a partir do histórico do git. - **Frameworks de agentes**: LangGraph/LangChain, LlamaIndex, CrewAI, Pydantic AI, OpenAI Agents SDK, Google ADK, AutoGen e mais. - **Sem código/baixo código**: n8n, Zapier, Dify, Flowise. - **Aplicativos**: ChatGPT, Perplexity, Obsidian, Vapi, Pipecat. Cada servidor também expõe um endpoint MCP integrado em `/mcp/{bank_id}/`, permitindo que qualquer cliente MCP use retain, recall e reflect como ferramentas. ## Principais recursos - **Multilíngue por padrão**: o idioma de entrada é detectado e preservado; as entidades mantêm sua escrita nativa (por exemplo, 张伟 permanece 张伟). - **Memory Defense**: uma política opcional por banco que examina cada operação retain em busca de segredos e PII usando 45 padrões, redigindo ou bloqueando correspondências antes do armazenamento. - **Bancos de memória**: armazenamentos de memória isolados por usuário, agente ou projeto, com ausência estrita de vazamento entre bancos. Os bancos podem ter traços de disposição (ceticismo, literalismo, empatia) que moldam como o reflect raciocina. - **Pronto para produção**: PostgreSQL com pgvector ou Oracle AI Database para armazenamento, monitoramento Prometheus, CLI administrativa para operações, webhooks para eventos de ciclo de vida e pontos de extensão de locatário/autenticação/armazenamento. - **Páginas de conhecimento**: documentos vivos que um banco escreve sobre si mesmo, organizados como um wiki e projetáveis como arquivos markdown. ## Alegações de desempenho De acordo com o README, o Hindsight alcançou desempenho de estado da arte no benchmark LongMemEval em janeiro de 2026. Os dados do benchmark foram reproduzidos independentemente por pesquisadores do Sanghani Center da Virginia Tech e do The Washington Post; outras pontuações são autorrelatadas pelos fornecedores. Os resultados ao vivo são publicados em benchmarks.hindsight.vectorize.io.