你肯定干过这事。

每次打开Claude Code，第一句话不是“帮我改代码”，而是先花五分钟交代项目背景：用的什么框架、数据库是哪个版本、代码规范有哪些、上次那个bug修到哪了。

交代完，它才开始干活。关掉窗口，明天再来一遍。

我受够了这个循环，所以上周看到Hindsight一周涨了11,089个GitHub Star的时候，我当天就把它部署了。用了七天，说几个真实感受。网上讲Hindsight记忆系统怎么安装的内容不少，但把Hindsight和Mem0到底有什么区别、Hindsight比RAG强在哪、免费版够不够用讲透的不多。我把我踩过的坑写下来。

为什么RAG救不了Agent的失忆症

我一开始也觉得RAG够用。把文档切块、embedding、存向量库，查的时候按相似度返回top-k。这套流程用了一年多，处理静态文档查询没问题。

问题是Agent的场景不是查文档。

Agent需要记住的是“这个用户上周说他不喜欢React了，想换Vue”，不是“文档第37页提到了Vue”。RAG把六个月前的一条事实和昨天刚形成的判断放在同等地位，用同一套相似度算法去匹配。它分不清哪些信息过时了、哪些发生了改变。

Vectorize.io的CEO Chris Latimer在VentureBeat的采访里直接说了一句很狠的话：“RAG已经靠呼吸机活着了，Agent记忆即将彻底取代它。”

我试了Hindsight之后理解了他为什么敢这么说。

Hindsight把记忆分成了四个逻辑网络：世界网络存客观事实，Agent网络存自身经历，意见网络存主观判断并附带置信度分数，观察网络存从多个事实中合成的结论。当你告诉它“我用的是PostgreSQL 16”，它存的是事实。当你说“我觉得Redis缓存不太行”，它存的是带置信度的意见。下次新证据出现，意见可以更新，事实可以修正。

这种区分让Agent不再把所有信息当成一样重。

跟Mem0比，该选哪个

Mem0是目前社区最大的记忆系统，GitHub上有大约62.6K Star，Apache-2.0协议。Hindsight只有19K左右。

但精度差距很明显。在LongMemEval基准测试上，Hindsight拿到了94.6%的准确率，这个结果由弗吉尼亚理工Sanghani中心的研究者独立复现过。Mem0在独立评估中只有49.0%。

还有一个更关键的测试：BEAM基准，测试1000万Token量级的记忆表现。在这个测试里，Hindsight排第一，Mem0没有公布可比数据。

但Mem0有一个Hindsight短期内追不上的优势：社区。62.6K Star意味着你在网上搜任何Mem0的问题，大概率有人已经踩过坑了。Hindsight的19K Star虽然增速很快，但遇到冷门问题可能得自己翻源码。

我的选择是：如果你追求精度、不想在记忆检索上反复调优，用Hindsight。如果你需要大量现成的教程和社区支持，Mem0更稳。

部署：一条Docker命令，但有个坑

Hindsight的部署确实简单。官方文档给了一行命令：

“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 $HOME/.hindsight-docker:/home/hindsight/.pg0 ghcr.io/vectorize-io/hindsight:latest”

它自带嵌入式PostgreSQL（叫pg0），你不需要额外装数据库。端口8888是API，9999是Web控制台。跑起来之后打开浏览器就能看到管理界面。

但这里有个坑我踩了。

如果你不设置 HINDSIGHT_API_WORKER_ID 环境变量，Docker会用容器主机名作为worker身份，而容器ID每次重启都会变。这意味着重启时正在处理的任务会被遗弃，新容器不认识旧任务。我第二次重启的时候丢了一批刚写入的记忆，找了半天才发现是这个原因。建议部署时直接加上 -e HINDSIGHT_API_WORKER_ID=hindsight-prod 。

另一个坑是Docker镜像只支持AMD64架构。如果你用的是Apple Silicon的Mac，需要走pip安装路线，或者用官方的slim版本搭配外部embedding服务。

至于“没有数据库经验能搞定吗”——能。pg0是内嵌的，你完全不用碰PostgreSQL的任何命令。但如果你要跑生产环境，官方建议换成外部PostgreSQL 14+，配上pgvector扩展。这一步就开始需要一点数据库知识了。

接OpenClaw就三步

我平时用OpenClaw比较多，所以重点说这个集成。

官方插件叫 @vectorize-io/hindsight-openclaw ，安装三步：

“openclaw plugins install @vectorize-io/hindsight-openclaw
npx --package @vectorize-io/hindsight-openclaw hindsight-openclaw-setup
openclaw gateway”.

安装向导会问你用哪种部署模式：Cloud（用托管的Hindsight服务）、External API（连你自己跑的Hindsight）、或者Embedded daemon（在本机拉起守护进程）。

我选的是External API，因为已经本地跑了一个Hindsight实例。向导会让你填API URL，然后自动配置好。

插件的工作原理是在每次用户回合前自动召回相关记忆，注入到系统提示词里；每次交互结束后自动保留对话。你不需要手动调用任何API，Agent会自己管理记忆。

一个月花多少钱

自托管完全免费，MIT协议，没有用量限制。你只需要付LLM API的费用，因为每次retain和reflect都会调用LLM。

如果你不想自己运维，用Hindsight Cloud的话是按量付费。存记忆（retain）每百万Token 10美元，检索（recall）每百万Token 0.75美元，reflect每次调用0.05美元。

我自托管一周，每天的LLM调用费用大概在0.3到0.8美元之间，取决于对话量。比我想象的便宜。

还有个彻底免费的方案：用Ollama跑本地模型。把 HINDSIGHT_API_LLM_PROVIDER 设成 ollama ，模型指向本地的gpt-oss:20b就行。代价是推理速度慢一些，而且reflect功能要求模型支持tool calling，有些本地模型不支持。

接上编程助手之后，效率变了多少

这是我最关心的部分。

我同时在用Claude Code和Cline，两个都接了Hindsight。最直观的变化是每次开新会话不用再交代背景了。Agent会自动召回项目相关的记忆——我用的PostgreSQL 16、团队的代码规范、上次修的那个并发bug的决策原因。

Hindsight 0.9.0还集成了十个编程Agent，包括Claude Code、Codex CLI、Cursor CLI、GitHub Copilot CLI、Cline等等，一个命令搞定所有配置。

但真正让我意外的是它“学会”的能力。

Hindsight 0.4.0引入了一个叫Observations的机制。每次你存入一条新事实，系统会在后台自动和已有的记忆做比对，合成更高层次的观察。

举个例子。第一周你告诉它“用户喜欢React”，第二周说“用户称赞了React的组件模型”，第三周说“用户换成Vue了不用React了”。旧方案可能只记住最后一条“用户用Vue”。Hindsight的Observations会合成出一条完整的记忆：“用户曾经是React的爱好者，欣赏其组件模型，但后来主动切换到了Vue”。

这个差别在实际使用中很明显。如果你问Agent“推荐一个React的教程”，后者能判断出“这个用户已经不用React了，不该推荐”。

这就是“记住”和“学会”的区别。

值不值得装

如果你只是偶尔用AI聊聊天、写写东西，Hindsight对你来说太重了。部署、配置、维护都需要时间。

如果你每天花几个小时在编程Agent上，每次都要重新交代上下文，那它值得花一个下午部署。一周涨11,089 Star不是没有原因的——太多人受够了Agent的失忆症。

有个数据我记到现在。在BEAM基准的1000万Token量级测试里，Hindsight拿到了64.1%的准确率，这个测试的上下文量已经大到任何模型都塞不进窗口了。在那个量级上，有没有记忆系统完全是两个物种。

Agent记忆这件事，正在从“锦上添花”变成“基础设施”。Hindsight可能不是最终答案，但它至少指了一个明确的方向：Agent需要的不只是存储，还要学习。