Vectorize

Vectorize 把自家项目 Hindsight 定位成「会学习的智能体记忆层」。它不只把事实存下来再检索，而是把失败的工具调用、用户的纠正沉淀成经验，让同一个坑尽量不踩第二次。项目以 MIT 协议开源，同时提供托管云与企业部署两条路。

核心能力

• 按用户隔离的长期记忆：每个用户拥有独立上下文，偏好、历史与决策互不串味，跨会话持久保存，隔几周回来仍能接上。
• 毫秒级召回：并行检索在最相关的记忆上返回时间低于 100 毫秒；配套的 Memlake 引擎官方称可在对象存储上支撑 1 亿条记忆、p99 低于 100 毫秒。
• 反思层自动归纳：把零散观察合并成可复用知识，模式从数据里自己浮现，不靠人工打标签，官方认为这让智能体攒出的是判断力而不只是数据量。
• 与模型解耦：记忆层不绑定具体大模型，更换模型不会丢掉智能体已经学到的东西。
• 一行命令接入编码智能体：官方安装命令会给本机检测到的 20 多个编码智能体各建一个仓库级记忆库；官方称在 sdebench 上，Claude Code 每任务纠错次数从 0.85 降到 0.36，成本也更低。
• 三种运行方式：开源版基于 Postgres，一条 Docker 命令自托管；Hindsight Cloud 按用量计费；企业版支持私有云、BYOC 与本地部署，含单租户隔离、SSO、审计日志与最高 99.95% 的 SLA。

适合谁

• 做客服、销售助手等长期陪伴型产品的后端与算法工程师
• 用 Claude Code、Cursor 等编码智能体、想跨会话保留项目上下文的开发者
• 需要多个智能体共享同一份用户偏好的平台团队
• 对数据落地有硬要求、必须自托管或 BYOC 的企业架构师

使用建议

• 先用 Docker 自托管版验证召回效果，再决定要不要上托管云
• 接入面只有 retain、recall、reflect 三个动作，先打通一条主链路再扩
• 官方公布的 LongMemEval-S 检索准确率为 94.6%，对比的次优系统是 74.0%，选型时可按自己的语料复测一遍
• 企业采购前确认区域与合规：BYOC 可选 AWS、Google Cloud、Azure 或本地机房
• 记忆会随使用持续增长，尽早规划归档与按用户删除的策略