企业官网建设流程全解析

Hindsight Docker 部署并配置 Hermes

• GitHub: https://github.com/vectorize-io/hindsight
• 官方文档: https://hindsight.vectorize.io/

为什么使用 Hindsight

为什么 AI Agent 需要真正的"长期记忆"？

大多数 AI Agent 在会话结束后都会"失忆"。

每次开启一轮新对话，系统都需要重新认识用户：它不知道你是谁，不记得你们之前讨论过什么，也无法继承自己在过去交互中已经获得的理解。看起来这像是一个实现细节，但实际上，它限制的是 AI Agent 的能力边界——没有稳定、可持续的记忆，Agent 很难真正成为一个能够长期协作的智能体。

而"让 AI 记住事情"这件事，远没有把历史对话做个向量检索那么简单。

1. 记忆不仅是检索，更需要时间推理

很多问题并不是在问"哪段历史最相似"，而是在问"过去某个时间点发生了什么"。

例如：“Alice 去年春天做了什么？”

这类问题的关键不在于语义匹配，而在于对时间线的理解、事件的组织，以及对"春天""去年"这类时间范围的推理能力。如果记忆系统只能根据 embedding 找相似文本，那么它很难真正回答这类问题。

2. 零散事实本身没有价值，关键在于关联与推断

现实中的记忆不是一条条彼此孤立的记录，而是可以相互连接、相互推导的知识网络。

假设系统知道两件事：

• Alice 在 Google 工作
• Google 位于 Mountain View

那么它理应能够回答：“Alice 在哪里工作？”

这并不要求系统曾经显式存下"Alice 在 Mountain View 工作"这句话，而是要求它能把已有事实关联起来，完成跨记忆的推理。如果记忆系统只能机械地存储和召回片段信息，那么这些事实永远只是"堆在那里"，无法转化为真正可用的知识。

3. Agent 的记忆需要"沉淀"，而不是无限堆积

对 AI Agent 来说，记忆不应该只是不断追加日志。一个真正可用的记忆系统，应该能从长期交互中提炼出更稳定、更高层的观察。

例如，一个编程助手在多次协作后，可能逐渐发现：

• 用户偏好函数式编程风格
• 用户更关注可维护性，而不是极致性能
• 用户倾向于接受渐进式重构，而不是一次性大改

这些内容不应该只是散落在若干对话记录里，而应该被整理、归纳、沉淀成对用户的长期认知，并在后续生成代码、提出建议、做技术选型时持续发挥作用。

换句话说，Agent