Pular para o conteúdo
    NotíciaModelos e ferramentas

    Hindsight, memória de agentes de IA da Vectorize, é liberada como open source

    A Vectorize abriu o código do Hindsight, framework de memória de agentes de IA com as operações retain, recall e reflect, sob licença MIT. O projeto mantém desenvolvimento ativo e publica benchmarks à frente de sistemas concorrentes.

    Fotografia em 16:9 de um arquivo escuro e amplo, com um catálogo antigo de fichas de madeira com dezenas de gavetas finas levemente descentrado à direita. Uma gaveta está puxada, transbordando de fichas manuscritas amareladas, algumas caída
    Fichas de memória: o Hindsight, framework da Vectorize para memória de agentes de IA, foi liberado como open source sob licença MIT, com operações de retenção, recuperação e reflexão e benchmarks à frente dos concorrentes.

    A Vectorize liberou como open source o Hindsight (abre em nova aba), um framework de memória para agentes de inteligência artificial. O código está disponível no GitHub sob licença MIT, o que significa que qualquer pessoa pode usar, modificar e distribuir o software, inclusive em projetos comerciais, sem pagar licença.⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​​‌‌​​‌​​‌‌​​​‌‌​‌‌​​​‌​​​‌‌​​‌‌​‌‌​​‌‌​​​‌‌​​‌‌​​‌‌​‌‌‌​‌‌​​​‌​​​‌​‌‌​‌​​‌‌​​​‌​​‌‌‌​​​​​‌‌​‌‌​​​‌‌​​​​​​‌​‌‌​‌​​‌‌​‌​​​‌‌​​​​‌​​‌‌​​​‌​​‌‌​​​‌​​‌​‌‌​‌​‌‌​​​​‌​​‌‌​​‌‌​​‌‌​‌‌‌​‌‌​​​​‌​​‌​‌‌​‌​‌‌​​‌​​​​‌‌​​‌‌​‌‌​​​‌‌​‌‌​​​‌‌​​‌‌​‌​‌​‌‌​​​​‌​‌‌​​​‌‌​​‌‌​‌​​​​‌‌‌​​​​​‌‌​‌‌‌​‌‌​​‌​‌​​‌‌​​‌​⁠

    O problema que o Hindsight ataca é simples de entender. Agentes de IA, os programas que executam tarefas de forma autônoma, geralmente esquecem tudo entre uma conversa e outra. Cada novo encontro começa do zero. A proposta do Hindsight é dar a esses agentes algo parecido com a memória de longo prazo: a capacidade de guardar o que aconteceu, buscar essa informação depois e raciocinar sobre ela.

    O sistema organiza as memórias em três operações, segundo a documentação oficial (abre em nova aba). A primeira é o retain, que converte as interações do agente em memória estruturada e com marcação de tempo. A segunda é o recall, que recupera as memórias mais relevantes para a situação atual, respeitando um limite de tokens, a unidade de texto que modelos de IA conseguem processar de uma vez. A terceira é o reflect, em que o sistema raciocina sobre o que guardou e devolve uma resposta pronta, em vez de um amontoado de memórias brutas.

    Bibliotecário de meia-idade visto de costas caminha por corredor estreito entre estantes altas de metal escuro em biblioteca pública à noite, segurando uma ficha catalográfica iluminada por facho de luz âmbar de luminária de teto; ao fundo,
    A Vectorize liberou como open source o Hindsight, framework de memória para agentes de IA baseado nas operações retain, recall e reflect, licenciado sob MIT e com benchmarks à frente de concorrentes.

    Cada banco de memórias fica isolado por usuário ou agente, com apoio do banco de dados Postgres e da extensão pgvector, usada para busca por similaridade. O Hindsight pode rodar de três formas: em nuvem, com o serviço gerenciado Hindsight Cloud; embutido na máquina local do usuário; ou em um cluster próprio. Há clientes em Python, Node, Go e uma interface de linha de comando, além de uma imagem Docker pronta para execução.

    Os números divulgados pela empresa são o argumento central do lançamento. Na página de produto, a Vectorize afirma 94,6% de acurácia no benchmark LongMemEval, que mede a capacidade de um sistema de memória de responder perguntas sobre conversas antigas. O índice é apresentado como resultado com revisão por pares e reproduzível de forma independente, com o código do benchmark aberto. Segundo a documentação, o sistema mais próximo marcou 74,0% no mesmo teste.

    No benchmark LoComo, o Hindsight aparece com 92,0%, contra 80,3% do concorrente. No LifeBench, 71,5% contra 61,0%. No BEAM, que usa dez milhões de tokens, a vantagem é maior ainda: 64,1% contra 40,6%. O paper técnico, publicado no arXiv em 14 de dezembro de 2025 (abre em nova aba), descreve uma arquitetura que organiza quatro redes lógicas de memória: fatos do mundo, experiências do agente, resumos de entidades e crenças em evolução. Com um modelo aberto de 20 bilhões de parâmetros, a acurácia geral subiu de 39% para 83,6%, frente ao método de contexto completo com o mesmo modelo, e superou até o resultado do contexto completo com GPT-4o.

    O anúncio foi feito pela Vectorize em post de blog (abre em nova aba) em 16 de dezembro de 2025, dois dias após a submissão do paper, escrito com colaboradores da Virginia Tech e do The Washington Post. O artigo tem sete autores, entre eles Chris Latimer e Nicolò Boschi, este último engenheiro da Vectorize.

    Boschi comentou o esforço de construção do framework no dia 6 de outubro de 2026. Segundo ele, o desenvolvimento consumiu 1,4 bilhão de tokens do modelo Opus 5.5 para, nas palavras dele, fazer engenharia reversa do melhor framework de memória de agentes, publicado de graça no GitHub.⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​​‌‌​​‌​​‌‌​​​‌‌​‌‌​​​‌​​​‌‌​​‌‌​‌‌​​‌‌​​​‌‌​​‌‌​​‌‌​‌‌‌​‌‌​​​‌​​​‌​‌‌​‌​​‌‌​​​‌​​‌‌‌​​​​​‌‌​‌‌​​​‌‌​​​​​​‌​‌‌​‌​​‌‌​‌​​​‌‌​​​​‌​​‌‌​​​‌​​‌‌​​​‌​​‌​‌‌​‌​‌‌​​​​‌​​‌‌​​‌‌​​‌‌​‌‌‌​‌‌​​​​‌​​‌​‌‌​‌​‌‌​​‌​​​​‌‌​​‌‌​‌‌​​​‌‌​‌‌​​​‌‌​​‌‌​‌​‌​‌‌​​​​‌​‌‌​​​‌‌​​‌‌​‌​​​​‌‌‌​​​​​‌‌​‌‌‌​‌‌​​‌​‌​​‌‌​​‌​⁠

    SEM SENTIDO. Gastei 1,4 bilhão de tokens com o Opus 5.5 para fazer engenharia reversa do melhor framework de memória de agentes e publiquei no GitHub DE GRAÇA. Confere aí.

    — Nicolò Boschi (@nicoloboschi), 6 de out. de 2026, no X

    A declaração é dele, não um dado verificado pela reportagem: trata-se de uma estimativa do próprio autor sobre o processo de desenvolvimento.

    O repositório mostra um projeto em movimento, e não um lançamento abandonado. São 3.553 commits na ramificação principal, com alterações registradas em 7 de outubro de 2026 envolvendo documentação, integração contínua e as próprias operações de retain e recall. No dia anterior, um commit corrigia a forma como o sistema lê as fontes de uma resposta antes de aplicá-las na consolidação de memórias.

    A Vectorize afirma que a versão aberta usa a mesma base de código da versão em nuvem, sem funcionalidades bloqueadas, sem limites de uso e sem telemetria que reporta dados para a empresa. Quem quiser o serviço gerenciado, com certificação SOC2 Tipo 2, paga por ele. Quem quiser rodar por conta própria, baixa e executa.

    Para quem acompanha o ecossistema de agentes de IA, o quadro é razoavelmente claro: uma peça que faltava, a memória persistente, agora pode ser adotada sem custo de licença. O resto, como sempre, depende do uso.

    Mais detalhes estão na documentação e na página de produto da Vectorize (abre em nova aba).⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​​‌‌​​‌​​‌‌​​​‌‌​‌‌​​​‌​​​‌‌​​‌‌​‌‌​​‌‌​​​‌‌​​‌‌​​‌‌​‌‌‌​‌‌​​​‌​​​‌​‌‌​‌​​‌‌​​​‌​​‌‌‌​​​​​‌‌​‌‌​​​‌‌​​​​​​‌​‌‌​‌​​‌‌​‌​​​‌‌​​​​‌​​‌‌​​​‌​​‌‌​​​‌​​‌​‌‌​‌​‌‌​​​​‌​​‌‌​​‌‌​​‌‌​‌‌‌​‌‌​​​​‌​​‌​‌‌​‌​‌‌​​‌​​​​‌‌​​‌‌​‌‌​​​‌‌​‌‌​​​‌‌​​‌‌​‌​‌​‌‌​​​​‌​‌‌​​​‌‌​​‌‌​‌​​​​‌‌‌​​​​​‌‌​‌‌‌​‌‌​​‌​‌​​‌‌​​‌​⁠

    Este conteúdo foi útil para você?

    Foto de Leandro Vieira

    Leandro Vieira

    CEO e founder | IA.com.br

    Ver perfil completo