Seus agents podem ficar mais inteligentes com o tempo usando Hindsight: o sistema de memória de IA mais poderoso

Autoria: Better Stack · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Your agents can get smarter over time with Hindsight. The most powerful AI memory system. · Canal: Better Stack · 01:32 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Dados, bancos de dados e embeddings, Engenharia de prompts e contexto

Resumo

Hindsight é apresentado como um sistema de memória para agents que busca reduzir a repetição de erros e permitir o compartilhamento de memórias entre equipes. Ele pode funcionar como servidor central ou em modo embarcado, armazenando dados em Postgres com suporte do PGVector. Um LLM transforma entradas em fatos estruturados, que são conectados e consolidados em segundo plano para facilitar buscas e manter modelos mentais atualizados.

Pontos-chave

Hindsight é apresentado como um sistema de memória para agents e como o mais preciso já testado.
O sistema permite compartilhar memória entre os agents de uma equipe.
Hindsight pode funcionar em um servidor central dentro do Docker ou em modo embarcado, sem servidor.
Em ambos os modos, os dados são armazenados em Postgres com suporte do PGVector.
No modo embarcado, o sistema usa PGZero, um binário de Postgres sem configuração prévia que já disponibiliza PGVector.
Um LLM reescreve as entradas como fatos curtos, organizados por campos como o quê, quando, onde, quem e por quê.
Os fatos são conectados por entidades compartilhadas, significado semelhante, tempo e causa.
A consolidação em segundo plano combina fatos em observações e mantém modelos mentais atualizados.

Capítulos

Início	Capítulo	Resumo
00:00	O problema da memória dos agents	O vídeo apresenta Hindsight como uma forma de evitar que agents repitam erros e destaca o compartilhamento de memória entre equipes.
00:31	Arquitetura e modos de execução	Hindsight pode rodar como servidor central ou em modo embarcado, usando Postgres e PGVector para armazenar dados.
01:01	Como Hindsight organiza e recupera fatos	Um LLM estrutura entradas como fatos conectados, que são consolidados em segundo plano para melhorar a recuperação e atualizar modelos mentais.
01:32	Memória compartilhada entre equipes	O vídeo explica que a memória compartilhada permite que agents de toda a organização acessem informações produzidas por outros integrantes.

Citações

Você já percebeu como é irritante ter que repetir a mesma coisa para seus agents? — 00:00

Hindsight é um sistema de memória para agents que se define como o mais preciso já testado. — 00:00

Um LLM reescreve a entrada em fatos curtos usando campos como o quê, quando, onde, quem e por quê. — 01:01

Todos na sua organização podem se beneficiar dessa mesma memória compartilhada. — 01:32

Conceitos e entidades

Hindsight (ferramenta): Sistema de memória para agents que organiza, conecta e consolida informações para recuperá-las posteriormente.
Claude (empresa): A transcrição cita os sistemas de memória integrados da Claude como exemplo de ferramentas que ainda podem repetir erros.
Zap (ferramenta): Ferramenta mencionada como comparativo de Hindsight.
Supermemory (ferramenta): Ferramenta mencionada como comparativo de Hindsight.
PostgreSQL (ferramenta): Banco de dados usado por Hindsight para armazenar dados nos modos central e embarcado.
pgvector (ferramenta): Extensão que fornece suporte a banco de dados vetorial no Postgres usado por Hindsight.
PGZero (ferramenta): Binário de Postgres sem configuração prévia, com PGVector disponível, usado no modo embarcado.
Docker (ferramenta): Opção citada para executar o servidor central de Hindsight.
Better Stack (empresa): Canal do YouTube que publicou o vídeo.

Tradução completa (pt-BR)

00:00 Você já percebeu como é irritante ter que repetir a mesma coisa para seus agents várias vezes? Mesmo com sistemas integrados, como a memória do Claude, você ainda vai ver os mesmos erros se repetirem. Aqui está um sistema que pode resolver tudo isso para você. Hindsight é um sistema de memória para agents que se considera o sistema de memória para agents mais preciso já testado. Em comparação com outras ferramentas, como Zap e Supermemory, ele se sai muito melhor e ainda permite compartilhar a memória com toda a sua equipe. Então, deixe-me explicar como tudo isso funciona. A maioria dos sistemas de memória usa

00:31 grafos de conhecimento, mas, em vez disso, Hindsight executa um servidor personalizado que dá a você controle total sobre o armazenamento e a recuperação de conhecimento. Hindsight pode funcionar de uma de duas maneiras: como um servidor central, que pode ser executado dentro do Docker, ou incorporado, sem servidor algum. Nos dois casos, os dados são armazenados em um banco de dados Postgres com suporte do PGVector, para oferecer suporte completo a banco de dados vetorial. A versão incorporada faz isso por meio do PGZero, um binário Postgres com configuração zero e PGVector já disponível. Mas é muito mais do que apenas um

01:01 banco de dados vetorial. À medida que os dados chegam, um LLM reescreve a entrada em fatos curtos, usando os campos o quê, quando, onde, quem e por quê. Os fatos se conectam por meio de entidades compartilhadas, significado semelhante, tempo e causa. Assim, uma busca posterior pode seguir esses vínculos até fatos cujas palavras não correspondem às da consulta. A consolidação em segundo plano combina fatos em observações e mantém os modelos mentais atualizados. Então, ele combina um banco de dados Postgres tradicional, busca vetorial e de texto completo com LLMs em segundo plano. E isso resulta em uma memória superior que pode se limpar automaticamente

01:32 sozinha. Isso nos dá um dos sistemas de gerenciamento de memória mais precisos disponíveis hoje. E, como pode ser executado em um servidor central, isso significa que todos na sua organização podem se beneficiar dessa mesma memória compartilhada. Assim, um membro da equipe pode trabalhar em um problema, e os dados resultantes podem então ser acessados pelos agents de todos os outros membros da equipe. Você pode conferir o repo no GitHub para começar hoje mesmo. E, se quiser ficar por dentro de tecnologia e IA, inscreva-se no Better Stack.

Transcrição original

[00:00] Have you ever noticed how annoying it is to keep telling your agents the same thing over and over again even with built-in systems like Claude’s memory and default, you’ll still see the same mistakes come up repeatedly. Here’s a system that can fix all of that for you. Hindsight is an agent memory system that calls itself the most accurate agent memory system ever tested. Compared to other tools like Zap and Supermemory, it comes out way ahead and even lets you share memory between your entire team. So, let me explain how all of this works. Most memory systems use knowledge

[00:31] graphs, but Hindsight instead runs a custom server that gives you complete control in storing and recalling knowledge. Hindsight can run in one of two ways, as a central server which can run inside Docker or embedded using no server at all. In both cases, data is stored inside a Postgres database backed by PGVector for full vector database support. The embedded version does this via PGZero, a zero-config Postgres binary with PGVector already available. But, it’s so much more than just a

[01:01] vector database. As data comes in, an LLM rewrites the input into short facts using what, when, where, who, and why fields. Facts connect through shared entities, similar meaning, time, and cause. So, later search can follow these links to facts that do not match the query words themselves. Background consolidation merges facts into observations and keeps mental models up-to-date. So, it combines a traditional Postgres database, vector, and full-text search with background LLMs. And this results in superior memory that can automatically clean

[01:32] itself. This gives us some of the most accurate memory management available today. And because it can run inside a central server, it means everyone in your organization can benefit from that same shared memory. So, one team member could work through a problem and the data from that can now be accessed by the agents of every other team member. You can check out the GitHub repo to get started today. And if you want to stay up-to-date with tech and AI, then subscribe to Better Stack.