← Descubrir
GitHub · vectorize-io/hindsight

Capa de memoria inteligente para agentes de inteligencia artificial

Hindsight ofrece una capa de memoria de aprendizaje para agentes de inteligencia artificial. Al extraer información de interacciones pasadas para mejorar los procesos de toma de decisiones de los agentes, esta biblioteca de código abierto permite que los sistemas produzcan resultados más coherentes con el tiempo.

Actualizaciones

  • 22 de octubre de 2026: Estrellas 51,834 → 52,557, última versión v1.1.0 (21 de octubre de 2026).
  • 20 de octubre de 2026: Estrellas 49,114 → 51,834, última versión v1.0.0 (13 de octubre de 2026).
  • 13 de octubre de 2026: Estrellas 47,195 → 49,114, última versión v1.0.0 (13 de octubre de 2026).
  • 8 de octubre de 2026: Estrellas 46,537 → 47,195, última versión v0.10.3 (8 de octubre de 2026).

Qué aporta

  • Ofrece una arquitectura de memoria que aprende de interacciones pasadas y produce resultados más coherentes con el tiempo.
  • Va más allá de la recuperación directa de información para mejorar los procesos de toma de decisiones de los agentes.
  • Incluye bibliotecas cliente para diferentes lenguajes como Python, Node.js y Go.

Instalación

Iniciar servidor con Docker
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

Ejecución

Configurar cliente con Python
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

Si no programa

Pegue esto en su agente (Claude Code · Codex · Antigravity)

Quiero que mi agente de inteligencia artificial aprenda de las interacciones pasadas, no solo recordando el historial de conversación, sino tomando decisiones más coherentes con el tiempo. Ayúdame a configurar la instalación del servidor y las conexiones de cliente necesarias para integrar esta capa de memoria en mi proyecto.

Repositorio: https://github.com/vectorize-io/hindsight. Sigue las instrucciones oficiales del archivo README de este repositorio para la instalación y ejecución.

Antes de empezar, comprueba en qué sistema operativo estamos y si las herramientas necesarias (ej. Python, Node.js, Git, Docker) están instaladas. Instala las que falten paso a paso según este sistema.

Crea una carpeta nueva y vacía para trabajar. No toques ningún archivo fuera de esta carpeta y no borres nada. Antes de ejecutar cada comando, dime qué vas a hacer en una frase.

Dime qué debería ver en la pantalla al final de cada paso. Si ocurre un error, te pegaré el mensaje de error tal cual y lo solucionaremos juntos.

Términos relacionados del glosario

Memory LayerMemoryArtificial Intelligence
Para quién esDesarrolladores que desean que sus agentes de inteligencia artificial aprendan con el tiempo y tomen decisiones más coherentes.
LicenciaMIT

Enlaces

TreScout no desarrolló esta herramienta · la encontramos en las tendencias de GitHub y la presentamos. Esta página describe el repositorio tal como estaba el 2026-09-25: El número de estrellas y nuestro texto son de ese día, el repositorio puede haber cambiado desde entonces. Consulte el enlace del repositorio para ver el estado actual. El texto de presentación se preparó con IA a partir de la propia documentación del repositorio y esta página se tradujo automáticamente del original en turco · prevalece la versión turca.