Hindsight (58k★): 에이전트 메모리가 학습하는 방법

에이전트가 작업을 반복할 때, 이전 경험을 기억하면 더 잘합니다.

하지만 "기억"이라고 해서 모두 같은 것은 아닙니다. 단순한 로그 저장과 학습하는 메모리는 다릅니다.

Hindsight은 후자를 구현합니다. GitHub에서 58,000개 이상의 스타를 받은 이 프로젝트는 에이전트 메모리를 단순한 데이터 저장이 아닌, 생물학적 영감을 받은 데이터 구조로 설계했습니다.

Biomimetic 메모리 구조

Hindsight의 메모리는 인간의 기억 방식을 모방합니다.

Human Memory Model          Hindsight Implementation
─────────────────          ────────────────────────
World Facts      ──▶       World facts (사실, 정의)
Experiences      ──▶       Experiences (경험, 사건)
Observations     ──▶       Observations (관찰, 패턴)
Mental Models    ──▶       Mental models (추상화, 규칙)

각 메모리 타입은 서로 다른 수명 주기와 검색 전략을 가집니다.

World facts:    영구적, 자주 업데이트됨
Experiences:    반영구적, 특정 컨텍스트에 종속
Observations:   반영구적, 패턴 기반
Mental models:  장기적, 드물게 업데이트

Retain → Recall → Reflect: 세 가지 연산

Hindsight의 핵심 API는 세 가지 연산으로 구성됩니다.

Retain  → 메모리에 저장 (write)
Recall  → 관련 메모리 검색 (read)
Reflect → 기존 메모리에 대한 심층 분석 (analyze)

Retain: 저장

from hindsight import HindsightClient

client = HindsightClient()

# 월드 팩트 저장
await client.retain("my-bank", "Alice loves hiking in Yosemite")

# 경험 저장
await client.retain("my-bank", "Alice asked about mortgage rates on 2026-10-15")

메모리는 뱅크(bank) 단위로 조직됩니다. 각 뱅크는 사용자나 프로젝트별로 분리됩니다.

Recall: 검색 — 4가지 전략의 병렬 실행

Hindsight의 가장 기술적으로 흥미로운 부분은 Recall입니다. 네 가지 병렬 검색 전략을 사용하고, 결과를 하나의 순위로 통합합니다.

Recall Query: "What does Alice like?"
  │
  ├── Semantic Search (벡터) ──┐
  ├── Keyword Search (BM25)   ├── Reciprocal Rank Fusion ──▶ 최종 순위
  ├── Graph Search (엔티티)   │
  └── Temporal Search (시간) ─┘

각 전략의 역할:

Reciprocal Rank Fusion (RRF)

네 전략의 결과를 통합하는 방법은 Reciprocal Rank Fusion입니다.

RRF 점수 = Σ 1 / (k + rank_i)

여기서 k는 상수(일반적으로 60), rank_i는 각 전략에서의 순위.

예시:
  메모리 A: Semantic 1위, Keyword 5위 → 1/61 + 1/65 = 0.031
  메모리 B: Semantic 3위, Keyword 2위 → 1/63 + 1/62 = 0.032

  메모리 B가 약간 우세 — 두 전략에서 모두 상위권이기 때문.

RRF는 각 전략의 절대 점수가 아니라 상대 순위만 사용합니다. 이는 서로 다른 스코어링 시스템을 가진 전략들을 공정하게 비교할 수 있게 합니다.

Reflect: 심층 분석

Reflect는 기존 메모리를 바탕으로 한 심층 분석 연산입니다. 단순한 검색이 아니라, 메모리 간의 관계를 파악하고 새로운 통찰을 생성합니다.

# Alice의 행동 패턴 분석
reflection = await client.reflect("my-bank", """
  Analyze Alice's financial behavior patterns.
  What are her priorities and concerns?
""")

# 결과: "Alice는 주택 구매에 관심이 많으며, 
#        이자율 변동에 민감하게 반응함.
#        2026년 10월 이후 대출 관련 문의 증가 중."

이 기능은 단순 RAG 시스템에는 없는 Hindsight만의 차별점입니다.

아키텍처: 자체 호스팅 가능

Hindsight은 Docker, pip(베어 메탈), 임베디드 DB(pg0) 세 가지 방식으로 배포할 수 있습니다.

Docker 배포:
  hindsight-server (메인 서비스)
  ├── Retention Service (저장)
  ├── Recall Service (검색)
  ├── Reflect Service (분석)
  └── Storage Backend (PostgreSQL + pgvector)

임베디드 모드:
  pip install hindsight-all
  # 서버 없이 Python에서 직접 사용

LiteLLM 통합을 통해 100개 이상의 모델을 지원합니다. 이는 Hindsight가 다양한 LLM 생태계와 호환될 수 있게 합니다.

60+ 통합 — 이미지의 힘

Hindsight는 Claude Code, Codex, Cursor, LangGraph, CrewAI, n8n 등 60개 이상의 도구와 통합됩니다.

                ┌── Claude Code
                ├── Codex
                ├── Cursor
                ├── LangGraph
                ├── CrewAI
                ├── n8n
사용자 데이터 ──┤ ... (60+ 통합)
                ├── OpenHands
                ├── AutoGen
                ├── LangChain
                ├── LlamaIndex
                └── ...

이 통합 생태계가 Hindsight의 58k 스타를 견인하는 주요 요인입니다.

한계와 고려사항

1. 그래프 검색 오버헤드: Graph Search를 활성화하려면 엔티티 추출과 그래프 구축이 필요합니다. 초기 설정 비용이 큽니다.
2. 메모리 성장: Retain만 반복하면 메모리가 무한히 커집니다. 정리(policy)가 필요합니다.
3. Reflect 비용: Reflect 연산은 LLM 호출을 수반하므로, 빈번한 실행에는 비용이 발생합니다.
4. Self-hosted 복잡성: Docker 배포는 비교적 쉽지만, 베어 메탈(pip) 설치에는 플랫폼별 주의가 필요합니다. Intel Mac은 hindsight-all-slim이 필요합니다.

개발자 테이크어웨이

에이전트 메모리를 설계할 때 가장 중요한 질문은 세 가지입니다.

1. 무엇을 기억하는가? 월드 팩트, 경험, 관찰, 멘탈 모델 — 각각 다른 수명과 검색 전략이 필요합니다.

2. 어떻게 찾는가? 단일 검색 전략(벡터만)으로는 부족합니다. Semantic + Keyword + Graph + Temporal의 4전략 병렬 검색이 실제 사용 사례에서 더 나은 결과를 냅니다.

3. 어떻게 학습하는가? 단순 검색을 넘어 Reflect 연산으로 메모리 간의 관계를 분석해야, 에이전트가 진정한 의미의 "학습"을 할 수 있습니다.

Hindsight는 이 세 가지를 모두 제공합니다. 58k 스타는 단순한 인기 숫자가 아니라, 에이전트 메모리에 대한 시장의 명확한 요구를 나타냅니다.

• GitHub
• 문서
• 논문
• 벤치마크