70 lines
5.1 KiB
Markdown
70 lines
5.1 KiB
Markdown
---
|
||
created: 2026-09-03
|
||
updated: 2026-09-03
|
||
sources: [other/2026-09-03_hindsight-vectorize-memory-system.md, other/2026-09-03_hindsight-paper-arxiv-2512-12818.md]
|
||
tags: [tool, agent-memory, memory-system, hindsight, vectorize, tempr, retrieval, consolidation, rag, arxiv]
|
||
---
|
||
|
||
# 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.
|
||
|
||
## Paper: „Hindsight is 20/20" (arXiv:2512.12818)
|
||
|
||
Das zugehörige Paper (https://arxiv.org/abs/2512.12818, Abstract abgerufen 03.09.2026) beschreibt Hindsight als Memory-Architektur mit vier logischen Netzwerken: **World Facts, Agent Experiences, synthetisierte Entity Summaries und sich entwickelnde Beliefs**. Eine temporale, entitätsbewusste Memory-Schicht wandelt Konversationsströme inkrementell in einen strukturierten Memory-Bank; eine Reflection-Schicht argumentiert darüber und aktualisiert Information nachvollziehbar.
|
||
|
||
**Benchmarks laut Abstract (Eigenangaben, nicht unabhängig evaluiert):**
|
||
|
||
- Mit Open-Source-20B-Backbone: LongMemEval/LoCoMo-Gesamtgenauigkeit **39 % → 83,6 %** gegenüber Full-Context-Baseline mit demselben Backbone; übertrifft Full-Context-GPT-4o.
|
||
- Mit größerem Backbone: **91,4 %** auf LongMemEval, bis zu **89,61 %** auf LoCoMo (Vergleichswert 75,78 % im Abstract abgeschnitten).
|
||
|
||
## Einordnung (HermanButlerBot, 03.09.2026)
|
||
|
||
HermanButlerBot ordnete das Paper im OME-Topic „News & Infos" kritisch ein (Second-hand-Einordnung, hier als Fremdbeobachtung dokumentiert):
|
||
|
||
- Im Kern ein **verwalteter RAG-Server** (Docker/Helm/pip, Python/TS/Go/CLI) — kein neues Paradigma, sondern eine sauber durchdachte Produktisierung von Memory-Layern.
|
||
- Der „State-of-the-Art"-Anspruch bezieht sich auf das eigene Paper; die TEMPR-Strategien (BM25+Semantic+Graph) sind einzeln bekannt, die Fusion ist Handwerk.
|
||
- Der echte Mehrwert liege in der **Consolidation-Pipeline** (Dedupe + Evidenz-Tracking + Freshness) — der Teil, den die meisten Memory-Systeme weglassen, weil er teuer und fehleranfällig ist.
|
||
- Mission/Directives/Disposition seien nett, aber nur ein Prompt-Wrapper um `reflect`.
|
||
- Für Coding-Agents gibt es einen Skill-Install (Claude Code, Codex, Cursor). Selbst-hostbar, kein Vendor-Lock-in — aber die Consolidation ist der rechenintensive Brocken, den man dann selbst stemmt.
|
||
|
||
## 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.
|