Vectorize retweeted
I usually disagree with them but they are right on this: 'Memory enables autonomy'
this is why I'm so bullish on Hindsight and why we're working so hard on making it able to *actually* learn for real use cases
Vectorize retweeted
Replying to @NaoxpAI @NousResearch
Agreed. I’ve had hindsight setup locally for my Hermes agent now for probably 8 months and it’s incredible. The way Hermes works with it makes it seamless. I don’t have to remind my agents of anything. They just remember. 7.2 million connections, 155k memories.
Vectorize retweeted
if you build products, you have to always listen for user feedbacks and improve it, relentlessly.
sometimes you can relax and enjoy the fruit of your labour.
many users say that this is the best memory for hermes.
we, at @Vectorizeio, believe in open source and in fact:
- hindsight is fully open source
- all our integrations are open source
- our models are open weights
Vectorize retweeted
Replying to @dezenerate7 @HermesWatcher
Get another laptop , download Hermes , connect it to hindsight , then connect the other Hermes to hindsight memory
Vectorize retweeted
how Hindsight handles temporal questions
it's much more complicated than this but at high level this is the simplest visualization
Vectorize retweeted
Just a normal two weeks at True 🔥
@enveda @splice @dittolive and @iceye_global unveiled big partnerships, showing what AI can do inside real industries, while @Vectorizeio and @soloio_inc launched new models and products. @Basecamp_Res? They see a path to curing cancer.
The pattern is the same: teams building what comes next well before the rest of the world catches on
Vectorize retweeted
Four open source memory systems, 12 weeks of simulated team chat.
Hindsight led at 86%. OpenViking trailed at 74%, because it only writes memory when a session ends, so recent facts are gone.
Ran against our simple baseline (grey)
Agent memory still has a way to go 🧵
Vectorize retweeted
Replying to @daleverett
I use @Vectorizeio hindsight and linear. All my agents know Perfectly what the Others did
Vectorize retweeted
this year I had my 3rd child and getting back in shape is harder than ever
i started using Claude + Hindsight to keep track of my progress
this is what I see after 45 days on the hindsight ui
Vectorize retweeted
Replying to @nicoloboschi
Hindsight cloud runs my entire mental
Model for my 7 device fleet, 1.4m facts and counting and it's been flawless. Their infra is strong
Replying to @HermesAgentTips
Hindsight, is there anything better?
Vectorize retweeted
🧠 La mémoire de vos agents - vous faites comment, vous ?
Perso j'ai fini par arrêter d'opposer les approches. J'en garde deux, en couches complémentaires. Et tout est auto-hébergé, parce que la mémoire de mes agents contient mes clients, mes serveurs et mes projets - je ne veux pas ça dans le cloud de quelqu'un d'autre.
❌ Le RAG pur (rechercher des chunks à chaque question) ne m'a jamais donné un agent qui apprend. Il redécouvre tout, tout le temps. Pas d'accumulation.
J'utilise donc :
1️⃣ Un wiki maintenu par l'agent (pattern LLM Wiki de Karpathy)
> des pages markdown liées, compilées une fois à l'ingest, pas re-recherchées.
Moi dérivé sur Logseq : c'est ma couche lisible par un humain. Mes agents y lisent librement mais n'y écrivent que quand je le demande. J'ai patché ma reMarkable pour que mon agent perso puisse y publier des notes > checklists de prod, docs de réunion, tout mis en forme pour Logseq, et j'annote à la main sur la liseuse. L'agent peut récupérer et faire de de la HTR(OCR) pour intégrer mes retours manuscrits.
Concrètement : j'enregistre mes réunions, visios et appels téléphoniques. Un compte rendu est généré et publié sur Logseq par sujet, ce qui me permet de les segmenter en tickets dans mon gestionnaire de projets OpenProject. Les agents peuvent lire ces tickets et les retours clients/collaborateurs - en commentaires ou directement les tickets postés par les clients eux-mêmes.
2️⃣ Hindsight (vectorize-io), auto-hébergé animé actuellement par une base Qwen 27B/40b (ça dépend des jours ^^ )
> là c'est la mémoire qui travaille en continu côté machine : extraction de faits typés, résolution d'entités, consolidation automatique d'observations, recall multistratégies (sémantique + BM25 + graphe + temporel).
Je découpe en banques de connaissances séparées :
🏢 une banque par client > tout ce qui concerne chaque client reste isolé et propre
🔬 une banque perso pour mes projets de recherche, l'administration de mes services, la gestion de mes serveurs/bureau, et mes geekeries & expérimentations
La différence avec le wiki est nette. Le wiki te donne une base propre et lisible. Hindsight recroise les concepts tout seul et déterre des trucs qu'un agent lambda ne ressortirait qu'en passant des heures à tout relire.
Exemple concret vécu :
"Tu devais prévenir machin quand ce serait en prod - je t'ai préparé un template de mail sur le endpoint d'API qui vient d'être livré."
Alors que je l'avais juste évoqué à l'oral même pas de façon franche durant une visio. C'est exactement la frontière entre se souvenir et avoir réfléchi.
Donc quand je lance un sujet, mes agents consultent les deux :
📄 le wiki pour la version propre & actionnable pour moi (humain)
🔁 Hindsight pour tout ce qui est relié, daté et consolidé en arrière-plan
Pour le côté agent, mes deux Hermes (perso + dev pro) utilisent Hindsight comme memory provider : Hermes rappelle automatiquement les souvenirs pertinents avant chaque tour et retient ce qui s'est dit après chaque réponse, en continu. Le rappel arrive directement dans le contexte de l'agent (budget réglable, filtrable par banque/tags), et l'agent peut aussi aller chercher ou consolider lui-même via les outils recall/reflect. Les sous-agents et tâches cron lisent cette mémoire mais n'y écrivent pas -seule ma session principale alimente la banque durable. Résultat : mes banques se remplissent proprement (une par client + une perso), et l'agent continue de croiser les sujets même quand je ne suis pas là.
Le point que les deux partagent et qu'il faut retenir : compiler/consolider au lieu de re-rechercher. Le wiki le fait à l'ingest, Hindsight le fait en continu. Le tout sur mes propres machines, avec mes propres modèles.
Et vous - RAG, knowledge graph custom, wiki auto-maintenu, memory bank type Hindsight ? Vous stockez quoi, et surtout : qui écrit dans la mémoire de votre agent, lui ou vous ? 🤖
Vectorize retweeted
Pas très fan de ce type de « second brain » : on ne maîtrise pas ses données, hébergées sur le cloud d'un tiers. Tout l'intérêt de Hindsight @Vectorizeio et d'autres solutions open source : auto-héberger sa mémoire et rester souverain sur ses données.
Vectorize retweeted
Hindsight released a 0.8B model for agent memory on 3 Nov.
It checks which evidence matters and whether there is enough to answer; the LLM writes.
A useful design question: which repeated judgments in your agent need a full generation call?
🤖 Made with AI
Vectorize retweeted
I just upgraded my local AI memory tonight.
Hindsight 1.2.0 + GPT OSS 120B + hs-decide-1-flash handling recall, consolidation, and reflect. Hs-decide-1-flash is now assisting in Recall, Reflect, and Consolidation, so the big LLM gets 31% fewer LLM calls.
Who else is running a persistent agent memory layer locally? What are you using? I have been VERY happy with #Hindsight. I hope these changes were worth it.


































