Hindsight 智能体记忆

它解决什么问题

给 Agent 接长期记忆时，最常见的做法是把对话原文塞进向量库，需要时做语义搜索。这套方案在规模上来之后会遇到几个实际问题：存储里堆满了寒暄和重复上下文；同一实体的不同写法各自成为孤岛；时间相关的查询（比如"上个月某团队做了什么"）很难命中；向量检索的 top-k 返回在长短不一的记忆片段面前，要么不够用，要么浪费 token。

Hindsight Agent Memory 这个技能瞄准的就是这一层。它的目标不是"记得更多"，而是让 Agent 把对话沉淀成结构化的事实网络，并且能跨记忆做推理而不是逐条复述。

技能如何工作

核心分为三块：事实提取、混合召回、跨记忆综合。

Retain（存入） 不是存原文，而是让 LLM 从对话流里提取原子事实，识别 Person / Org / Place / Product / Concept 等实体，用 fuzzy match 和共现分析消歧（"Alice" 和 "Alice Chen" 合并为同一人），再建立四类链接：Entity、Temporal、Semantic、Causal。每条事实带双时间轴——发生时间和获知时间并存，兼顾历史回溯和时效性排序。Retain Mission 可以指定提取焦点，比如"只关注技术决策和架构权衡，忽略会议日志"。

Recall（召回） 走 TEMPR 四路并行：Semantic 处理同义改写，Keyword 兜住专有名词，Graph 支持多跳关系查询，Temporal 按时间范围检索。四路结果用 RRF 融合后交给 Cross-Encoder 重排。返回量按 token budget 控制而非 top-k 条数，默认 4096 tokens，支持 low/mid/high 三档。时间查询采用 time-bucketed spreading——"2023 年发生了什么"会把全年均匀切桶、每桶取最强匹配，避免某个月密集输出挤掉其他月份。

Reflect（综合推理） 与 recall 的区别是它不逐条罗列，而是跨记忆做综合：发现模式、识别因果链、指出矛盾、输出趋势判断，可要求 structured output（JSON Schema），并支持 include_trace 查看用了哪些记忆、LLM 调用链。

技能同时提供五个宏指令：@RETAIN、@RECALL、@REFLECT、@CONSOLIDATE（低阶事实升格为心智模型）、@SCAN（检查重复、矛盾、陈旧与孤立记忆）。触发方式是关键词驱动——"记住这个"激活 @RETAIN，"复盘"激活 @REFLECT，同一主题累积 ≥5 条时主动建议 @CONSOLIDATE。

部署上提供双轨：未接外部服务时，宏指令在当前 session 内做结构化声明；检测到 Hindsight MCP 服务可用时，自动升级为 invoke_mcp_tool 调用，通过 Docker 一键起服务，MCP server 默认挂在 /mcp，支持多 bank 隔离与 Bearer key 鉴权。

适用边界

• 事实提取的质量取决于底层 LLM 的抽取能力，技能本身不保证每条 retained fact 都准确，关键决策前仍建议人工核对。
• 无后端回退模式下，记忆只保留在当前 session，跨会话不持久——要长期记忆就必须部署 MCP 服务。
• @CONSOLIDATE 合并矛盾项时的策略是"保留最新或最可靠版本"，如果你需要保留所有历史版本，应该在合并前先导出。