52 lines
3.2 KiB
Markdown
52 lines
3.2 KiB
Markdown
|
---
|
|||
|
|
created: 2026-09-03
|
|||
|
|
updated: 2026-09-03
|
|||
|
|
sources: [other/2026-09-03_hindsight-vectorize-memory-system.md]
|
|||
|
|
tags: [tool, agent-memory, memory-system, hindsight, vectorize, tempr, retrieval, consolidation, rag]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# Hindsight — Memory-System für AI-Agents (Vectorize)
|
|||
|
|
|
|||
|
|
**Hindsight** ist ein Memory-System für AI-Agents von Vectorize (https://hindsight.vectorize.io). Geteilt von René Kl. in OME Topic „News & Infos“ (03.09.2026). Die Seite ist eine Produkt-Übersicht — Herstellerangaben, keine unabhängigen Benchmarks.
|
|||
|
|
|
|||
|
|
## Kernidee
|
|||
|
|
|
|||
|
|
Agenten vergessen zwischen Sessions alles. Hindsight adressiert laut Hersteller drei Probleme, die einfache Vektor-Suche nicht löst: temporale Fragen („Was hat Alice letzten Frühling gemacht?“), verknüpfte Fakten („Alice arbeitet bei Google“ + „Google ist in Mountain View“ → „Wo arbeitet Alice?“) und automatische Wissens-Konsolidierung.
|
|||
|
|
|
|||
|
|
## API
|
|||
|
|
|
|||
|
|
- `retain()` — Speichern im Memory-Bank
|
|||
|
|
- `recall()` — Suchen und Abrufen
|
|||
|
|
- `reflect()` — Agentisches Reasoning mit Memory
|
|||
|
|
|
|||
|
|
## Memory-Typen
|
|||
|
|
|
|||
|
|
| Typ | Inhalt | Beispiel |
|
|||
|
|
|---|---|---|
|
|||
|
|
| Mental Model | Nutzer-kuratierte Zusammenfassungen | „Team-Kommunikations-Best-Practices“ |
|
|||
|
|
| Observation | Automatisch konsolidiertes Wissen | „Nutzer war React-Enthusiast, jetzt Vue“ |
|
|||
|
|
| World Fact | Objektive Fakten | „Alice arbeitet bei Google“ |
|
|||
|
|
| Experience Fact | Eigene Aktionen des Banks | „Ich habe Bob Python empfohlen“ |
|
|||
|
|
|
|||
|
|
Bei `reflect` werden Quellen in Prioritätsreihenfolge geprüft: Mental Models → Observations → Raw Facts.
|
|||
|
|
|
|||
|
|
## TEMPR — Multi-Strategy Retrieval
|
|||
|
|
|
|||
|
|
Vier Suchstrategien parallel: **Semantic** (konzeptuelle Ähnlichkeit), **Keyword/BM25** (Namen, Fachbegriffe), **Graph** (verwandte Entitäten, indirekte Verbindungen), **Temporal** (Zeiträume, „letzten Frühling“).
|
|||
|
|
|
|||
|
|
## Observation Consolidation
|
|||
|
|
|
|||
|
|
Automatische Konsolidierung verwandter Fakten: Deduplizierung, Evidence-Tracking (jede Observation referenziert Quell-Memories mit exakten Zitaten + Proof-Count), kontinuierliche Verfeinerung (Update statt Überschreiben, Historie bleibt), Freshness-Awareness (nicht konsolidierte neuere Memories machen betroffene Observations stale → Verifikation gegen Raw Facts).
|
|||
|
|
|
|||
|
|
## Mission, Directives & Disposition
|
|||
|
|
|
|||
|
|
Konfigurierbare Memory-Banks: **Mission** (natürlichsprachliche Identität), **Directives** (harte Regeln, z.B. „Nie Aktien empfehlen“), **Disposition** (weiche Traits wie Skepsis/Literalität/Empathie, Skala 1–5). Wirken nur auf `reflect`, nicht auf `recall`.
|
|||
|
|
|
|||
|
|
## Deployment
|
|||
|
|
|
|||
|
|
Docker Compose, Helm oder pip; Quick Start in 60 Sekunden beworben; Integrations-Hub vorhanden.
|
|||
|
|
|
|||
|
|
## Einordnung
|
|||
|
|
|
|||
|
|
Hindsight ist ein weiterer Baustein im Agent-Memory-Wettbewerb (siehe [[plur1bus-memory.md]] und [[../architecture/memory-system.md]]). Die TEMPR-Kombination aus Semantic/BM25/Graph/Temporal und die explizite Observations-Schicht mit Evidence-Tracking ähneln konzeptionell dem, was PLUR1BUS mit Neo-Schicht, Status-Ladder und Reconsolidation abbildet — hier aber als zentraler Dienst statt Plugin. Die „Directives“-Idee (harte Regeln im Memory-Bank) ist eine interessante Abgrenzung zu reinen Retrieval-Systemen. Unabhängige Vergleichstests fehlen bislang.
|