Hindsight 深度评测：4.6 万 Star 的 Agent 记忆系统，2538 条行为快照我重跑零处不一致，5 条日期误判却被冻在测试里

用 AI 编程助手写代码的人，几乎都吃过同一类闷亏：上周明明让它查过一遍、结论都写在对话里了，这周开个新会话，它又把同一个坑重新踩一次。你骂它失忆，其实它没坏——它的「记忆」就是这次对话，会话一关就清零。

Hindsight 想解决的就是这件事，而且它卖的不是「记住对话」，是「越用越懂」。它已经拿到 4.6 万 Star，官方还挂出一句话：据其测试，它是目前被测过的记忆系统里最准的一个。

比星数更让我想认真写它的是另一件事：这个项目给自己的测试下了极重的功夫。它有一份 2538 条的标准答案表，专门锁住「日期理解」这一项行为——换个人改代码，答案变一条就算错。我把这份表原样跑了一遍，一条没差。

先说它到底是什么

一句话：Hindsight 是一个给 AI 智能体（也就是能自己动手干活的 AI 程序）用的长期记忆系统。它跟「把聊天记录扔进向量数据库」的做法不是一个路子。

它自己给记忆分了四类，也是它宣称更准的原因：

记忆类型	装什么	举个例
世界事实	关于外部世界的知识	「那个灶台是烫的」
经历事实	智能体自己的经历	「我碰了那个灶台，真的很疼」
观察	从多条记忆里归纳出的信念	「碰灶台会疼，别碰」
心智模型	长期沉淀成的稳定认识	「这台设备的高温区在哪」

它的核心动作只有三个：retain（存进去）、recall（取出来）、reflect（让它自己想一遍、形成新结论）。差别在于存的时候不是原样丢进去，而是让大模型先抽出事实、时间、实体和关系，再归一化成结构化的东西；取的时候也不是单靠相似度，而是四条路同时走——语义相似、关键词精确匹配、实体关系图、时间范围过滤——再把四路结果合并排序。

规模是这样的：

部分	作用	实测规模
服务端核心	记忆引擎、接口、任务调度	16.8 万行 Python
客户端	四套语言的 SDK	6.4 万行 Python（仅 Python 那套）
命令行工具	终端里直接操作	1.7 万行 Rust
网页控制台	管理界面	15.6 万行 TypeScript
现成集成	把记忆接进各种现成工具	55 个集成目录，官方文档站列了 62 个
数据库迁移	表结构历史	111 个迁移脚本

把仓库里所有 Python 代码（含测试、各语言客户端和集成）加在一起是 56.6 万行，上面只列了主要几块。

代码量最大的一个文件是记忆引擎主文件，单个文件 23213 行——这一点见仁见智，我在下面「不完美的地方」里单独说。

它是怎么做到「越用越懂」的

三个设计值得单独拎出来，因为它们决定了它和「一个向量库 + 一段提示词」的区别。

存进去的东西会被反复整理，而不是越堆越多

新事实进来后，后台不是不管了，而是把相关的记忆慢慢归并成「观察」——一条带证据的信念。关键在于：新证据来了不是覆盖旧的，而是修正它，还会保留原话和证据条数。这意味着一条被推翻的旧结论是有痕迹的，而不是无声消失。

这一点为什么重要？因为智能体记错事实，通常不是「没查到」，而是「查到了一条早就过期的事实但不知道它过期了」。

时间理解是手写的，而且被 2538 条答案锁死

「上周三的报错」这句话，机器要理解成一段时间范围，才能去查。多数方案直接交给一个现成的时间解析库，出错就出错。Hindsight 的做法是手写规则，其中中文规则占比最大——单个中文时间规则文件 1845 行。

我把它拷进沙箱单独跑了一遍，用固定的「今天 = 2026 年 8 月 12 日」当参照，中文的 57 条时间说法里 49 条给出了明确区间，结果都对：

输入	它解析出的区间	对不对
昨天	8 月 11 日到 8 月 11 日	对
上周	8 月 3 日到 8 月 9 日	对
上个月	7 月 1 日到 7 月 31 日	对
第一季度	1 月 1 日到 3 月 31 日	对
最近三天	8 月 9 日到 8 月 12 日	对
这周末	8 月 15 日到 8 月 16 日	对（当周还没到）
上海的天气	不给区间	对（没当成时间）

这套规则不是只写在文档里的想法，它有一份锁死行为的答案表：整个语料库 423 条查询，每条配 6 个不同参照日期，一共 2538 个结果全部快照存盘，改代码后任何一条答案变了就测试失败。我把这份表原样重算了一遍，2538 条结果与快照零处不一致，跑完 24 秒。

最后一行是最容易翻车的地方：「上海」含「上」，「东京」含「东」，瞎认时间会污染检索。它专门存了一份「不该被当成时间」的陷阱句清单，包含中文地名和英文里的假时间词（比如连接这个单词里含「ect」、问题这个词含「hat」，都是时区缩写）。这份清单共 36 条，我逐条跑了一遍，31 条干净，5 条仍然被误判成具体日期。

误判集中在英文的「may」（五月/may 情态动词）上——四句话里带着「may」，全被判成 5 月 12 日那一天：

输入（英文）	它解析出的区间	应该
may	5 月 12 日	不是时间，是情态动词
the may report	5 月 12 日	「那份可能有的报告」或「五月报告」存疑，不该直接定死
may I ask a question	5 月 12 日	「我可以问个问题吗」
so what do we do now	8 月 12 日（当天）	「那我们现在怎么办」

这不只是数字好看不好看的问题：它在取记忆的时候，解析出的区间会被直接当成时间过滤器用，把检索范围收窄到那一天。也就是说，一句「我们可以问个问题吗」可能让这次检索只翻当天的记忆，把真正相关但更早的事实筛掉——而且它不会报错，只会安静地少召回几条（也就是漏掉本该找回来的记忆）。

「跑绿 2538 条」和「有 5 条误判」听着矛盾，其实是同一件事的两面，也是它自己写清楚的：测试文件里直说这 2538 条记录的是旧实现的答案，包括那些可能本来就错的答案；优化不许改动其中任何一条，真要修正确性得另开一个可复核的改动。所以那 5 条不是漏网，是被刻意冻结住的既知缺陷——它们有测试覆盖，只是测试断言的是「行为不变」而不是「行为正确」。这个取舍本身是成熟的工程做法，但它也说明：这份表是防回归的护栏，不是正确性的证明。

存进去之前，先把密钥擦掉

给智能体加记忆有个现实风险：它会记住你贴进去的一切，包括你误粘的 API 密钥。Hindsight 的做法是在存之前过一道正则闸门，命中就替换成 [REDACTED:类型]，或者直接拦下不存。

它官方文档说这套规则有 45 条。我把源码拉出来数了一遍：实际声明了 46 条，能编译生效的也是 46 条，但文档的规则清单表格里只列了 44 条。对不上。

差的那两条我逐条查了来源：

规则	状态	来源
它自己家的密钥格式 `hsk_`	代码有、表格漏列	2026-09-14 那次提交补的（补之前是 45 条），提交信息说「给所有厂商都写了规则，唯独漏了自己家的密钥」
AWS 密钥的第二种写法	代码有、表格漏列	靠上下文才能认出来，测试文件里把它单独归为非边界类，所以没进那张表

也就是说，「45」这个数不是笔误，是改代码时忘了同步文档：补自家密钥那天，代码从 45 变成 46，文档三处写「45」的地方一个字没动。这类漂移不致命，但对一个把「准确」当卖点的项目来说，是值得记一笔的小账。

规则本身是真在干活。我按它测试文件里的样例造了 34 个假密钥，覆盖代码仓库令牌、云厂商密钥、支付平台密钥、消息服务令牌、数据库连接串、私钥文件六类，34 个全部被擦掉，一个不漏；反过来，普通句子里的时间戳「2026 03 18」、端口列表、版本号「1.2.3.4」都没被误伤——信用卡规则只认「数字成组 + 校验位通过」的写法，不是见数字就擦。中文紧贴着密钥写（密钥ghp_…结束）也能擦掉，这一点它有专门的提交修过。

不完美的地方

仓库不收外部贡献。它的贡献指南第一段写着：不接受团队外的 pull request，外部提交的 PR 直接关闭不审。作者的解释很坦诚——这样能让团队自己决定做什么、少审半成品、修 bug 时能把改动一起发出去。你可以说这是纪律，也可以说是把社区挡在门外，但它是明说的，不是暗着来的。

核心文件已经不短了。记忆引擎主文件单个 23213 行、1138 KB，接口层 10597 行。这不是那种「一个人一下午能读完」的代码库。它靠 622 个测试文件兜住机制层面的正确性，又用单独的「黑盒测试」（不给内部细节、只从外部调用）和「质量评测」（用真模型打分）兜住组合层面的正确性——后者自己承认单次跑红不代表回归，得重跑，因为同一个请求两次可能给出不同答案。

它宣传的 4.6 万 Star 和别人的评分，我没能独立复核。 它给出的最好成绩是 LongMemEval 基准 94.6%，并说这个成绩被弗吉尼亚理工的研究者和《华盛顿邮报》复现过。我没法验证这句话——仓库里没有第三方复现报告，只有它自己的一句话。它自己也写了「其他厂商的分数都是自报的」，这话反过来说也成立：它的分数在仓库里同样只有自报。基准成绩这件事，建议自己装一遍用自家数据跑，这也是它官方文档自己给的建议。

谁该用它，谁不该

适合：真的在做有状态智能体的人——一个助手要跨会话记住用户偏好、一个客服智能体要记住三个月前的工单、一个编码助手要记住这个项目的约定。它的四条检索路子不是营销词，是真在跑，对这种「需要精确回忆某条旧事实」的场景有实际意义。

不适合：只是想让聊天机器人更懂你的个人用户——太重了。它需要一整套服务端、一个数据库，要么自己部署，要么用它的云服务。如果你只是想让 AI 记住几句话，本号之前评过的 Mnemosyne OS 那种零依赖的小东西更合适——那篇里我也实测过，它的卖点就是轻。

它是 2025 年 10 月建仓的，到现在 3421 个提交，最近 90 天就有 1378 个，节奏很快，不是那种建完就没人管的仓库。但它也是商业公司的开源核心：Memory Defense 这类安全能力在开源版只给基础规则，企业版给的是 200 条以上的规则库——这条边界看它控制台里的文案就知道。

我的判断：值得放进观察清单，尤其是你真在做跨会话记忆的智能体。它最值得学的地方不完全是功能，而是那份 2538 条的答案表和「改代码不许改答案」的纪律——大部分项目连自己的输出都没锁住，就急着改架构了。至于它「最准」这句宣传，听完就当听完，自己跑一遍再信。

关注 AI商业快讯，每天一篇 AI 热点深度解读。