记忆存放在 bank 中。新记忆加入时会被推入「世界事实」或「经历」通道之一，再以实体、关系、时间序列的组合形式表示，并辅以稀疏与稠密向量表征，以便后续召回。
retain 借助 LLM 抽取关键事实、时间数据、实体与关系，再经归一化流程转换为规范化实体、时间序列、搜索索引与元数据。这些表征构成了 recall 与 reflect 精准检索记忆的通路。
client.retain(
bank_id="my-bank",
content="Alice got promoted to senior engineer",
context="career update",
timestamp="2025-06-15T10:00:00Z",
)recall 并行执行四路检索，结果先以倒数排名融合按相关性排序，再用交叉编码器重排，最后按需裁剪以适配 token 上限。
并行检索
倒数排名融合交叉编码器重排按 token 上限裁剪
reflect 让智能体在记忆之间建立新联系，并对自身世界形成更透彻的理解，适合需要深度思考而非简单查表的问题。
多数智能体记忆依赖基础的向量检索，偶尔用上知识图谱。Hindsight 采用更接近人类记忆工作方式的组织方式。
World facts
关于外部世界的事实性知识，不依赖智能体自身的经历。
“炉子开着的时候会变烫。”
Experiences
智能体自身的第一手体验，带有主体视角与时间戳。
“我摸了炉子，真的很疼。”
Observations
由大量记忆凝练出的、有证据支撑的信念，会被精炼而非覆盖。
“这个厨房里的操作台总是很烫。”
Mental models
从观察与事实中综合出的、对所处世界的习得性理解。
“张伟习惯先验证再动手。”
输入语言会被检测并端到端保留。事实保持原始语言，实体保留原生文字，张伟仍然是张伟，而不是「Zhang Wei」。
可按 bank 启用的策略，针对 45 种模式扫描每次 retain 中的密钥与 PII，要么脱敏为[REDACTED:github_token]，要么在存入前直接拦截。
快速开始
API :8888，UI :9999，数据卷 hindsight-data
export OPENAI_API_KEY=sk-xxx
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适合已有 PG 实例或需要统一运维数据库的团队
export OPENAI_API_KEY=sk-xxx
export HINDSIGHT_DB_PASSWORD=choose-a-password
cd docker/docker-compose
docker compose upWindows 与离线环境同样支持
pip install hindsight-api
export HINDSIGHT_API_LLM_API_KEY=sk-xxx
hindsight-apiHelm chart 直接托管 PostgreSQL
helm install hindsight oci://ghcr.io/vectorize-io/charts/hindsight \
--set api.llm.provider=openai \
--set api.llm.apiKey=sk-xxx \
--set postgresql.enabled=true# Python
pip install hindsight-client -U
# Node.js / TypeScript
npm install @vectorize-io/hindsight-client
# Go
go get github.com/vectorize-io/hindsight/hindsight-clients/go
# CLI
curl -fsSL https://hindsight.vectorize.io/get-cli | bashfrom hindsight_client import Hindsight
client = Hindsight(base_url="http://localhost:8888")
# Retain：存储信息
client.retain(bank_id="my-bank", content="Alice works at Google as a software engineer")
# Recall：检索记忆
client.recall(bank_id="my-bank", query="What does Alice do?")
# Reflect：生成带倾向性的回答
client.reflect(bank_id="my-bank", query="Tell me about Alice")const { HindsightClient } = require('@vectorize-io/hindsight-client');
const main = async () => {
const client = new HindsightClient({ baseUrl: 'http://localhost:8888' });
await client.retain('my-bank', 'Alice loves hiking in Yosemite');
const results = await client.recall('my-bank', 'What does Alice like?');
console.log(results);
};
main();60+ 项集成，多数无需改代码。编程智能体一条命令装好，框架与无代码平台各有现成适配，每个服务端还自带 MCP 端点。
最简单的方式是 LLM 包装器：把客户端换成包装后的版本，此后每次调用都会自动存储与检索记忆。底层基于 LiteLLM，同一套集成覆盖 100+ 模型。
from openai import OpenAI
from hindsight_litellm import wrap_openai
# 包装你已有的 LLM 客户端即可完成接入。
# 默认指向 Hindsight Cloud；传入 hindsight_api_url 可改用自托管服务端。
client = wrap_openai(
OpenAI(),
bank_id="user-123",
hindsight_api_url="http://localhost:8888",
)
# 调用前 Hindsight 会召回相关记忆，
# 调用后会保留本次对话。
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "What do you know about me?"}]
)npx @vectorize-io/hindsight-coding-agents install all自动构建「每仓库一个 bank」，数据摄取无需任何初始化命令。
需要应对开放式任务、根据用户反馈改变行为、并学习执行复杂任务以逼近人类工作水平的 AI 员工。用于 n8n 之类的简单工作流也能跑通，只是有些大材小用。
为聊天机器人做个性化：存储与召回单个用户相关的记忆，用自定义元数据隔离那些需要限定给特定用户的内容。
已在多家财富 500 强企业的生产环境中使用，被越来越多 AI 初创公司采用。