# Hindsight

Hindsight é um sistema de memória de agentes open-source que permite que agentes de IA aprendam verdadeiramente ao longo do tempo, retendo fatos, recuperando com estratégias híbridas e refletindo para formar modelos mentais.

Canonical URL: https://a2a-mcp.org/entry/hindsight-pt

Language: pt

Category: Frameworks & SDKs

Updated: 2026-04-08

## O que é o Hindsight?

Hindsight é um **sistema de memória para agentes de IA** de código aberto (licença MIT) projetado para tornar os agentes de IA mais inteligentes, permitindo um aprendizado genuíno entre sessões. Diferente de sistemas tradicionais RAG ou de simples histórico de conversa, o Hindsight trata a memória como um substrato fundamental para o raciocínio.

Ele resolve o problema de agentes sem estado, que esquecem tudo entre as interações, fornecendo uma memória estruturada e biomimética com três operações principais: **Retenção**, **Recuperação** e **Reflexão**.

## Funcionalidades Principais

- **Redes de Memória Biomiméticas**: Organiza o conhecimento em Fatos do Mundo, Experiências e Modelos Mentais (incluindo consolidação automática de Observações).
- **Retenção**: Extração de entidades, relacionamentos, fatos e dados temporais, via LLM, para armazenamento em bancos de memória canônicos.
- **Recuperação (TEMPR)**: Recuperação híbrida com múltiplas estratégias combinando filtragem Semântica (vetorial), por Palavra-chave (BM25), por Grafos (entidades/temporal/causal) e Temporal, fundida com fusão de ranking recíproco e reranking.
- **Reflexão**: Síntese por meio de agente, usando a memória para gerar insights, atualizar crenças e suportar raciocínio complexo. Configurável via Missão, Diretrizes e Disposição.
- **Bancos de Memória**: Armazenamento isolado por usuário ou por contexto, com suporte a metadados.
- **Suporte Multi-LLM**: Funciona com OpenAI, Anthropic, Gemini, Groq, Ollama e outros via LiteLLM.

## Desempenho

O Hindsight alcança resultados de ponta em benchmarks de memória de longo prazo, incluindo a melhor precisão no **LongMemEval** (a partir do início de 2026). Seu desempenho foi reproduzido independentemente pelo Sanghani Center da Virginia Tech e pelo The Washington Post.

## Instalação & Início Rápido

### Docker (Recomendado)

```bash
export OPENAI_API_KEY=sk-xxx
docker run --rm -it --pull always -p 8888:8888 -p 9999:9999 \
  -e HINDSIGHT_API_LLM_API_KEY=$OPENAI_API_KEY \
  -v $HOME/.hindsight-docker:/home/hindsight/.pg0 \
  ghcr.io/vectorize-io/hindsight:latest
```

A API roda em `http://localhost:8888` e a interface web em `http://localhost:9999`.

### SDK Python

```bash
pip install hindsight-client -U
```

Uso básico:

```python
from hindsight_client import Hindsight

client = Hindsight(base_url="http://localhost:8888")
client.retain(bank_id="demo", content="...")
results = client.recall(bank_id="demo", query="...")
insights = client.reflect(bank_id="demo", query="...")
```

Também há suporte para Node.js/TypeScript e modos embutidos.

## Casos de Uso

- Construir agentes de programação persistentes (integrações com Claude Code, Cursor)
- Agentes conversacionais personalizados com retenção de preferências do usuário a longo prazo
- Agentes autônomos que aprendem com a experiência e adaptam suas estratégias
- Fluxos de trabalho de IA empresarial que requerem memória e raciocínio entre sessões

## Recursos

- GitHub: https://github.com/vectorize-io/hindsight
- Documentação Oficial: https://hindsight.vectorize.io
- Artigo no arXiv: https://arxiv.org/abs/2512.12818
- Hindsight Cloud: https://ui.hindsight.vectorize.io

O Hindsight está em desenvolvimento ativo (último commit em abril de 2026) e é utilizado em produção por empresas da Fortune 500 e startups de IA.

## Tags

- memória-de-ia-agente
- framework-de-agente
- memória-de-longo-prazo
- alternativa-rag
- python
- typescript
- llm
- vectorize

## Sources

- [Project website](https://github.com/vectorize-io/hindsight)