← Entdecken
GitHub · vectorize-io/hindsight

Intelligente Speicherebene für KI-Agenten

Hindsight bietet eine lernende Speicherebene (Memory Layer) für KI-Agenten. Diese Open-Source-Bibliothek verbessert die Entscheidungsprozesse von Agenten, indem sie Rückschlüsse aus vergangenen Interaktionen zieht, und sorgt dafür, dass Systeme im Laufe der Zeit konsistentere Ergebnisse liefern.

Aktualisierungen

  • 22. Oktober 2026: Sterne 51,834 → 52,557, neueste Version v1.1.0 (21. Oktober 2026).
  • 20. Oktober 2026: Sterne 49,114 → 51,834, neueste Version v1.0.0 (13. Oktober 2026).
  • 13. Oktober 2026: Sterne 47,195 → 49,114, neueste Version v1.0.0 (13. Oktober 2026).
  • 8. Oktober 2026: Sterne 46,537 → 47,195, neueste Version v0.10.3 (8. Oktober 2026).

Was es bringt

  • Bietet eine Speicherarchitektur, die aus vergangenen Interaktionen lernt und im Laufe der Zeit konsistentere Ergebnisse liefert.
  • Geht über das bloße Abrufen von Informationen hinaus und verbessert die Entscheidungsprozesse von Agenten.
  • Enthält Client-Bibliotheken für verschiedene Sprachen wie Python, Node.js und Go.

Installation

Server mit Docker starten
export OPENAI_API_KEY=sk-xxx

docker run -it --pull always --name hindsight --restart unless-stopped -p 8888:8888 -p 9999:9999 \
  -e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY \
  -v hindsight-data:/home/hindsight/.pg0 \
  ghcr.io/vectorize-io/hindsight:latest

Ausführung

Client mit Python einrichten
pip install hindsight-client -U                                  # Python
npm install @vectorize-io/hindsight-client                        # Node.js / TypeScript
go get github.com/vectorize-io/hindsight/hindsight-clients/go     # Go
curl -fsSL https://hindsight.vectorize.io/get-cli | bash          # CLI

Wenn Sie nicht programmieren

Fügen Sie dies in Ihren Agenten ein (Claude Code · Codex · Antigravity)

Ich möchte, dass mein KI-Agent aus vergangenen Interaktionen lernt und nicht nur den Gesprächsverlauf im Gedächtnis behält, sondern im Laufe der Zeit konsistentere Entscheidungen trifft. Hilf mir, das notwendige Server-Setup und die Client-Verbindungen zu konfigurieren, um diese Speicherebene in mein Projekt zu integrieren.

Repository: https://github.com/vectorize-io/hindsight. Richte dich bei der Installation und Ausführung nach den offiziellen Anweisungen in der README-Datei dieses Repositorys.

Prüfe vor dem Start, unter welchem Betriebssystem wir arbeiten und ob die notwendigen Tools (z. B. Python, Node.js, Git, Docker) installiert sind. Installiere fehlende Tools schrittweise entsprechend diesem System.

Erstelle einen neuen, leeren Ordner für die Arbeit. Rühre keine Dateien außerhalb dieses Ordners an und lösche nichts. Sag mir vor jedem Befehl in einem Satz, was du tun wirst.

Sag mir, was ich am Ende jedes Schrittes auf dem Bildschirm sehen sollte. Wenn ein Fehler auftritt, füge ich die Fehlermeldung exakt so ein, wie sie ist, und wir beheben sie gemeinsam.

Verwandte Begriffe aus dem Glossar

Memory LayerMemoryArtificial Intelligence
Für wen es gedacht istEntwickler, die möchten, dass KI-Agenten im Laufe der Zeit lernen und konsistentere Entscheidungen treffen.
LizenzMIT

Links

TreScout hat dieses Werkzeug nicht entwickelt · wir haben es in den GitHub-Trends gefunden und stellen es vor. Diese Seite beschreibt das Repository so, wie es am 2026-09-25 war: Die Anzahl der Sterne und unser Text stammen von diesem Tag, das Repository kann sich seitdem geändert haben. Den aktuellen Stand finden Sie über den Link zum Repository. Der Präsentationstext wurde mit KI aus der eigenen Dokumentation des Repositories erstellt und diese Seite wurde maschinell übersetzt aus dem türkischen Original · maßgeblich ist die türkische Fassung.