54 lines
3 KiB
Markdown
54 lines
3 KiB
Markdown
|
---
|
|||
|
|
type: other
|
|||
|
|
source_url: https://hindsight.vectorize.io/#what-hindsight-does
|
|||
|
|
retrieved: 2026-09-03
|
|||
|
|
title: "Hindsight — Memory-System für AI-Agents (Vectorize)"
|
|||
|
|
author: "Vectorize"
|
|||
|
|
tags: [agent-memory, memory-system, hindsight, vectorize, tempr, retrieval, consolidation, rag]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# Hindsight — Memory-System für AI-Agents (Vectorize)
|
|||
|
|
|
|||
|
|
Quelle: https://hindsight.vectorize.io/#what-hindsight-does (Produkt-Übersichtsseite, abgerufen 2026-09-03). Geteilt von René Kl. in OME Topic „News & Infos“.
|
|||
|
|
|
|||
|
|
## Positionierung laut Seite
|
|||
|
|
|
|||
|
|
Hindsight adressiert das Problem, dass AI-Agents zwischen Sessions alles vergessen. Laut Seite reicht einfache Vektor-Suche nicht: temporale Fragen („Was hat Alice letzten Frühling gemacht?“), verknüpfte Fakten und Konsolidierung von Wissen werden als Kernprobleme genannt.
|
|||
|
|
|
|||
|
|
## API laut Seite
|
|||
|
|
|
|||
|
|
- `retain()` — Speichern von Informationen im Memory-Bank
|
|||
|
|
- `recall()` — Suchen und Abrufen
|
|||
|
|
- `reflect()` — Agentisches Reasoning mit Memory
|
|||
|
|
|
|||
|
|
## Memory-Typen laut Seite
|
|||
|
|
|
|||
|
|
| Typ | Inhalt | Beispiel |
|
|||
|
|
|---|---|---|
|
|||
|
|
| Mental Model | Nutzer-kuratierte Zusammenfassungen für häufige Fragen | „Team-Kommunikations-Best-Practices“ |
|
|||
|
|
| Observation | Automatisch konsolidiertes Wissen aus Fakten | „Nutzer war React-Enthusiast, ist jetzt zu Vue gewechselt“ |
|
|||
|
|
| World Fact | Objektive Fakten | „Alice arbeitet bei Google“ |
|
|||
|
|
| Experience Fact | Eigene Aktionen/Interaktionen des Banks | „Ich habe Bob Python empfohlen“ |
|
|||
|
|
|
|||
|
|
Bei `reflect` werden Quellen in Prioritätsreihenfolge geprüft: Mental Models → Observations → Raw Facts.
|
|||
|
|
|
|||
|
|
## Multi-Strategy Retrieval (TEMPR) laut Seite
|
|||
|
|
|
|||
|
|
Vier Suchstrategien parallel: Semantic (konzeptuelle Ähnlichkeit), Keyword/BM25 (Namen, Fachbegriffe), Graph (verwandte Entitäten, indirekte Verbindungen), Temporal („letzten Frühling“, „im Juni“, Zeiträume).
|
|||
|
|
|
|||
|
|
## Observation Consolidation laut Seite
|
|||
|
|
|
|||
|
|
Nach dem Retain konsolidiert das System verwandte Fakten automatisch zu Observations: Deduplizierung überlappender Fakten, Evidence-Tracking (jede Observation referenziert Quell-Memories mit exakten Zitaten plus Proof-Count), kontinuierliche Verfeinerung (Updates statt Überschreiben, Historie bleibt erhalten), Freshness-Awareness (bei nicht konsolidierten neueren Memories gelten betroffene Observations als stale und werden gegen Raw Facts verifiziert).
|
|||
|
|
|
|||
|
|
## Mission, Directives & Disposition laut Seite
|
|||
|
|
|
|||
|
|
Memory-Banks sind konfigurierbar: Mission (natürlichsprachliche Identität), Directives (harte Regeln, z.B. „Nie Aktien empfehlen“, „Immer Quellen nennen“), Disposition (weiche Traits wie Skepsis/Literalität/Empathie auf Skala 1–5). Diese Einstellungen wirken nur auf `reflect`, nicht auf `recall`.
|
|||
|
|
|
|||
|
|
## Deployment laut Seite
|
|||
|
|
|
|||
|
|
Docker Compose, Helm oder pip; Quick Start in 60 Sekunden beworben; Integrations-Hub vorhanden.
|
|||
|
|
|
|||
|
|
## Abgrenzung
|
|||
|
|
|
|||
|
|
Die Seite ist eine Produkt-Übersicht (Marketing-Doku). Genannte Fähigkeiten sind Herstellerangaben; unabhängige Benchmarks, Fehlerraten oder Vergleichstests werden auf der Seite nicht geliefert.
|