¿Qué es Hindsight?
Hindsight es un servidor de memoria para agentes de Vectorize. Le envías texto con retain, lo consultas con recall y le pides que razone sobre lo que guarda con reflect. Cada banco de memoria es un almacén aislado para un usuario, un agente o un proyecto.
Al hacer retain, un LLM (OpenAI gpt-5-mini por defecto, o cualquiera de más de 25 proveedores, Ollama incluido) extrae hechos, fechas, entidades y relaciones, que se guardan en PostgreSQL con pgvector, u Oracle AI Database 23ai, como entidades, enlaces, series temporales y vectores densos y dispersos. Recall lanza en paralelo búsquedas semánticas, por palabras clave BM25, por grafo y por rango temporal, las fusiona con reciprocal rank fusion y las reordena con un cross-encoder. En segundo plano, los hechos relacionados se consolidan en observaciones que conservan sus citas de respaldo y se refinan en lugar de sobrescribirse cuando llega nueva evidencia.
El 3 de noviembre de 2026 Vectorize publicó tres modelos pequeños de pesos abiertos para el proceso de memoria: un modelo de decisión de 0.8B, un reranker de 114M y un modelo de embeddings de 112M. El servidor tiene licencia MIT; Hindsight Cloud es la versión alojada de pago.
¿Merece la pena Hindsight?
Hindsight ha crecido más rápido que cualquier rival: unas 59.400 estrellas en GitHub, versiones semanales y v1.2.0 el 3 de noviembre de 2026. A diferencia de Mem0, mantiene todas sus funciones en el servidor con licencia MIT, incluidas la recuperación por grafo y temporal, la consolidación en segundo plano y un endpoint MCP por banco.
El diseño trata la memoria como creencias, no como un montón de fragmentos. Retain usa un LLM para extraer hechos, entidades, relaciones y fechas; recall lanza cuatro búsquedas a la vez (vectorial, BM25, grafo de entidades y rango temporal) y ajusta el resultado a un presupuesto de tokens que por defecto es de 4.096. Las observaciones son lo distintivo: los hechos relacionados se fusionan en una creencia que registra su evidencia y un recuento de pruebas, y la información nueva la refuerza o la debilita en lugar de sustituirla en silencio. Los mental models van un paso más allá: guardan una respuesta fija a una pregunta, como las preferencias de un usuario, que se lee sin recuperación y sin llamada al LLM.
Las cifras de benchmark son buenas pero no independientes. El artículo de Vectorize da un 91,4% en LongMemEval y un 89,61% en LoCoMo con Gemini-3 redactando las respuestas, y un 83,6% en LongMemEval usando solo el modelo abierto GPT-OSS-20B. Su clasificación en directo muestra ahora un 94,6% en LongMemEval y un 92% en LoCoMo. El README dice que los resultados los reprodujeron Virginia Tech y The Washington Post, pero investigadores de ambos son coautores del artículo, y las cifras de la competencia se copiaron de informes de otros proveedores en lugar de volver a medirse. No se publica la latencia de recuperación.
El servidor autoalojado no viene protegido por defecto. La comprobación de claves de API solo empieza cuando defines HINDSIGHT_API_TENANT_EXTENSION, y cada banco recibe un endpoint MCP activado por defecto, así que un servidor expuesto en el puerto 8888 permite a cualquiera leer y escribir memoria. El filtrado de secretos y datos personales (Memory Defense, 45 patrones) es opcional por banco. La página de precios de Vectorize dice que la versión autoalojada no envía telemetría.
La factura alojada depende de las escrituras. Retain cuesta 10 $ por millón de tokens, cinco veces la tarifa de ingesta de Honcho, mientras que recall cuesta 0,75 $ por millón; el almacenamiento es gratis durante 30 días y luego cuesta 0,25 $ por millón de tokens al mes, y la página de precios dice que las memorias nunca se borran. Un agente que guarda 100 millones de tokens de conversación al mes paga 1.000 $ antes de cualquier recall.
Dónde se gana su sitio
Un ingeniero de plataforma que da memoria de proyecto compartida a los agentes de programación de un equipo de 30 personas
Que Claude Code y Codex dejen de reaprender las mismas convenciones del repositorio en cada sesión
npx @vectorize-io/hindsight-coding-agents install all conecta cada agente detectado a un banco por repositorio construido a partir del historial de git y de sesiones anteriores. Autoalojado en un servidor con Postgres solo cuesta el LLM de extracción; ponlo detrás de la extensión de clave de API antes de compartirlo en la red.
Un equipo de producto que gestiona un asistente de soporte para un negocio de suscripción con 50.000 clientes
Recordar el historial de cada cliente y detectar cuándo cambia un dato
Un banco por cliente, con retain tras cada ticket y recall antes de cada respuesta. Las observaciones guardan el plan antiguo y el nuevo con su evidencia en lugar de devolver ambos a ciegas. En Cloud, 100 millones de tokens retenidos al mes son 1.000 $; autoalojar traslada ese gasto a la extracción con LLM.
Un ingeniero de ML en un banco que no puede enviar texto de clientes a una API alojada
Ejecutar la memoria del agente íntegramente en su propio hardware
Apunta Hindsight a un modelo local mediante Ollama o vLLM y ejecuta en local los modelos abiertos hs-decide-1-flash, hs-rerank-1 y hs-embed-1 para reducir llamadas al LLM. El 83,6% del artículo en LongMemEval se obtuvo solo con GPT-OSS-20B, que cabe en una GPU de consumo de gama alta.
Antes de decidirte
- Puesta en marcha
- Un solo docker run con una clave de LLM arranca la API en el puerto 8888 y una interfaz en el 9999 con Postgres embebido; pip install hindsight-all lo ejecuta dentro del proceso desde Python. Hay charts de Helm y un archivo Compose con Postgres externo para producción.
- Integraciones
- Clientes para Python, TypeScript y Go, una CLI y API REST; un endpoint MCP por banco; un wrapper de LLM para los SDK de OpenAI y Anthropic vía LiteLLM; más de 60 integraciones, entre ellas LangGraph, CrewAI, Pydantic AI, n8n y Claude Code.
- Datos y privacidad
- Los datos autoalojados se quedan en tu base de datos Postgres u Oracle, pero el texto retenido va al LLM configurado; Vectorize dice que la versión autoalojada no tiene telemetría. Cloud hace copias diarias, dice que las memorias nunca se borran y muestra distintivos SOC 2 Type 2; BYOC, single-tenant, SSO y Memory Defense son funciones de Enterprise.
- Coste a escala
- Autoalojar cuesta Postgres más las llamadas al LLM de extracción y consolidación, que el modelo de decisión abierto pretende reducir. Cloud: 10 $ por millón de tokens retenidos, 0,75 $ por millón recuperados, 0,05 $ por reflect, 0,25 $ por millón de tokens almacenados al mes tras 30 días.
- Límites
- No se publica la latencia de recuperación; la consolidación es asíncrona, así que los hechos nuevos llegan a las observaciones con retraso. 185 issues y pull requests abiertos, y el ritmo rápido de versiones obliga a actualizar a menudo.
Lo bueno
- Todas las funciones bajo MIT, incluida la recuperación por grafo y temporal
- Las observaciones revisan creencias con evidencia en lugar de sobrescribir
- Funciona sobre Postgres con opción embebida, o totalmente en local con Ollama
- Endpoint MCP integrado y plug-ins para 13 CLI de agentes de programación
Lo malo
- Autenticación de la API desactivada hasta que configures una tenant extension
- Benchmarks reproducidos por los propios coautores del artículo
- El retain en Cloud a 10 $ por millón de tokens es la escritura más cara aquí
- Cada retain y cada pasada de consolidación cuestan llamadas al LLM
Ideal para
Equipos que quieren memoria por grafo, temporal y vectorial en un único servidor autoalojable, sin funciones reservadas a una versión de pago.
Alternativas a Hindsight
Hindsight: preguntas frecuentes
- ¿Merece la pena Hindsight?
- Hindsight es el servidor de memoria para agentes de código abierto más completo que puedes ejecutar hoy, sin nada reservado fuera de la licencia MIT, aunque su ventaja en benchmarks se apoya en cifras reproducidas por los propios coautores de su artículo. Le damos un 4.4 sobre 5.
- ¿Cuánto cuesta Hindsight?
- Servidor autoalojado gratuito bajo MIT. Hindsight Cloud se factura por uso con 5 $ de crédito gratuito: retain a 10 $ por millón de tokens, recall a 0,75 $ por millón de tokens, reflect a 0,05 $ por llamada, almacenamiento a 0,25 $ por millón de tokens al mes tras los primeros 30 días. Enterprise (BYOC, on-premises, SSO) bajo presupuesto.
- ¿Qué inconvenientes tiene Hindsight?
- Autenticación de la API desactivada hasta que configures una tenant extension; benchmarks reproducidos por los propios coautores del artículo; el retain en Cloud a 10 $ por millón de tokens es la escritura más cara aquí; cada retain y cada pasada de consolidación cuestan llamadas al LLM.
- ¿Para quién es Hindsight?
- Equipos que quieren memoria por grafo, temporal y vectorial en un único servidor autoalojable, sin funciones reservadas a una versión de pago.
- ¿Cuánto cuesta Hindsight para un equipo o en producción?
- Autoalojar cuesta Postgres más las llamadas al LLM de extracción y consolidación, que el modelo de decisión abierto pretende reducir. Cloud: 10 $ por millón de tokens retenidos, 0,75 $ por millón recuperados, 0,05 $ por reflect, 0,25 $ por millón de tokens almacenados al mes tras 30 días.
- ¿Es Hindsight seguro para los datos de la empresa?
- Los datos autoalojados se quedan en tu base de datos Postgres u Oracle, pero el texto retenido va al LLM configurado; Vectorize dice que la versión autoalojada no tiene telemetría. Cloud hace copias diarias, dice que las memorias nunca se borran y muestra distintivos SOC 2 Type 2; BYOC, single-tenant, SSO y Memory Defense son funciones de Enterprise.
- ¿Cuáles son las mejores alternativas a Hindsight?
- Las alternativas más cercanas que hemos analizado son Mem0, Graphiti, Honcho, Letta y Memvid.
Respuestas comprobadas el 6 nov 2026.
¿Desarrollas Hindsight? Muestra esta nota en tu web
