2026-11-12 07:08:34
1个 Claude 号毕业了，恭喜🎉😭
还有一个苟延残喘
问下今天被封的同志，账号是不是都过了第一次 kyc 的，我第2个号没弹过 kyc 就没事
2026-11-11 15:26:31
Every time we have a new model, I run the same simple prompt on all my projects:
"Read this entire project and find everything that’s broken, inconsistent, inefficient, or no longer needed. Fix what you’re sure about and list the rest for me to revi
每次我们有一个新模型，我都会在所有项目上运行相同的简单提示：
“阅读整个项目，找出所有损坏、不一致、低效或不再需要的东西。修复你确信的部分，并将其余部分列出供我审查。”
强烈推荐一试
2026-11-11 11:45:19
还是准备迁出 Hermes 了，各位有什么开源平替推荐的
要自己用过的，不要道听途说。。。。
经过 5 天的调研和试用，我最终决定迁移到 Cindy @making_cindy
简单说下这几天的历程：
一开始我用的是 DS Bot，但它更适合工作场景。我的需求更偏日常生活协助，工作这块我一直用 Pi。
由于DS Bot 的完成度很高，让我产生了「我也可以」的幻觉。于是我用 DSH 搭配 Opus 5.5，开始搭自己的 Hermes。
开发了 3 天，依旧一坨屎。昨天让 Fable 5.2 做了心肺复苏，还是没救回来，宣告死亡。
这几天我也一直在同步用 Alma 和 Cindy。
Alma：又爱又恨。
爱的是很多功能很超前，我在 Hermes 上自己写的不少插件都参考了它的设计。Alma 就是一个武器库。
恨的是 UX 一言难尽，还有很多细节 bug 让人抓耳挠腮。代码又是闭源的，排障很麻烦。
最要命的是不支持多角色和记忆隔离，只能排除。
Cindy：体验和功能最平衡。
折腾 DSH 那几天，我一直在参考它的代码和设计，基建非常完善。能折腾的范围没有 DSH 那么广，但靠插件也能做出很不错的定制。
还有我最喜欢的伙伴功能，细节体验都不错，个人使用和工作使用也能分得很清楚
所以最后准备迁移到 Cindy
游戏结束，GG @DashHuang @zkyo
2026-11-11 09:04:50
We’re spending up to 100B tokens across 26,040 agent runs to answer one question: when you switch models, should you switch harnesses too?
Our v1.0 FrontierHarness leaderboard ranked harnesses on a single model.
V1.1 expands it to 21 harnesses × 5 m
据我所知，这个榜单里，只有 Alma 是 @yetone 一个人开发的吧，其它都是社区、团队或公司
一人抵一师啊，这还玩毛
2026-11-10 21:11:00
最近，我把 Agent 记忆系统从 Nowledge Mem 换到了 Hindsight。 趁这个机会，简单对比下两者的使用感受和区别。
Nowledge Mem 从图数据库和人机交互切入，想做连通所有工具的个人认知中枢。它有全平台桌面端、CLI、浏览器插件和 MCP 等全家桶，定位是「个人 AI 上下文管理器」，主打第二大脑。
Hindsight 则是从大规模数据管道和 RAG 检索切入，想做给 Agent 兜底的高可用记忆基建，主要服务于开发者。MIT 开源，基于 Docker + Postgres，对外就三个核心 API：retain 存、recall 取、reflect 推理，自带一个简陋的 Web 管理页。
一个面向人，一个面向 Agent，这个定位差异几乎决定了它们所有体验上的不同。
Nowledge Mem 安装很简单，下载对应平台的安装包双击就能用。
Hindsight 则需要准备 Docker 和 Postgres 环境，需要一定的代码和部署能力，当然也可以让 AI 代劳。
(注：两者也都提供了免运维的云端托管版本。)
Nowledge Mem 初次启动有完整的 onboarding 引导，上手难度很低。
Hindsight 在安装阶段就需要通过环境变量完成模型、重排器、数据库等初始设置，必须查阅文档或配置文件进行调试。
Nowledge Mem 的记忆维度非常丰富。单是记忆分类就有 Decision、Insight、Procedure、Fact、Preference 等七八种；处理后的产物还有 Threads、Working Memory 简报、Crystals 结晶文章、Skills 技能等四五种形态，对重视记忆分类的人来说很友好。
Hindsight 相比之下克制很多，基础记忆类型只有 3 种：事实（World fact）、经历（Experience fact）和观察（Observation）；产物也只有 2 种：心智模型（Mental model）和知识页（Knowledge page）。
Nowledge Mem 蒸馏的最小单位是会话（Thread）。当前一个会话默认提炼出的记忆数量相对固定（单次通常在 6 条左右），如果单个会话非常长，中间很多细节很容易被漏掉。
Hindsight 则将长会话分块（Chunking）进行蒸馏，块的数量和抽出的记忆没有硬性上限，无论会话多长，都能完整拆解提炼成独立的事实单元。
Nowledge Mem 有一套完整的后台智能处理，能自动把记忆连成图谱、识别冲突、建立演变关系，每天早上还会生成一份 Working Memory 简报。但它有两个痛点：
Hindsight 全程无需人工审核。每次存入记忆后，后台会自动触发观察层合并，把相同的说法合并计数、把冲突的信息修正，零审批介入。如果基础事实不够用，还可以进一步通过心智模型和知识页进行高层级的定时综合反思。
Nowledge Mem 的检索靠图谱结合关键词和语义，结果通常按条数返回（比如固定 Top 5）。它最惊艳的是支持记忆演变追踪：默认只返回当前有效的那条记忆，加个参数又能查出完整的历史演进过程，非常符合人类对「思考变化」的认知习惯。给 Agent 读时它是一份高质量的结构化摘要，代价是有时会损失原始细节。
Hindsight 的抽取则是工业级多路召回：向量、BM25 关键词、实体图谱、时间窗口四路并行，合并后再用 Cross-Encoder 重排。它最懂 Agent 的一点在于：按 Token 预算截断上下文，而不是按固定条数截断。Agent 留给记忆多少上下文空间，它就尽量塞满多少高质量内容。粒度保留得更细，代价是会占用更多上下文。
Nowledge Mem 的日常维护主要在客户端界面上点选。它底层对记忆关系的定义极其优雅，有明确的 Replaces（改主意替换）、Enriches（补充细节）、Challenges（前后矛盾）等显式标记，能清晰还原认知演变。但界面和操作流略显繁琐，这些高级标记往往藏得很深。
Hindsight 则是纯正的工程师思维，操作只有基础的：修改（PATCH）、作废（invalidate）和恢复。它没有显式的 supersede 标记，遇到互相冲突的事实时，主要靠写入时间戳的新旧来判断谁生效，在状态类事实（比如「现在的会员到期日」）上偶尔会出现时序误判。
Nowledge Mem 核心是用 Rust 写的本地服务，性能很强。单次查询几乎都在几十到几百毫秒内完成，跑在后台对 CPU 和内存的占用极低，日常完全无感。
Hindsight 跑在 Docker + Postgres 里，组件较重。如果不加调优，在累积了一两万条事实后，本地做交叉重排很容易超过 3 秒甚至超时。必须手动调参（比如限制候选集为 25 条、单条截断 160 Token），或者换用更高效的专用重排模型，才能把延迟压到 0.2 秒左右的及格线，需要花心思优化。
Nowledge Mem 作为桌面应用，小版本迭代频繁，容易偶发各种小 bug。比如我之前遇到过去重逻辑 bug 导致整个写入通道卡死，或者守护进程静默退出、macOS LaunchAgent 丢失等情况。由于底层闭源封装，排查手段有限，通常只能等官方发版、手动降级，或去 Discord 里求助。
Hindsight 是典型的后端服务体系。出了问题直接翻 Docker 日志或者连 Postgres 查表，交给 AI 排查也很方便。配合定时脚本就能实现每日数据库全量物理冷备与热备。只要环境和配置调顺了，常年扔在后台基本不会掉链子。
Nowledge Mem 的桌面端改版后很精致，有可视化可拖动的图谱网络、时间线浏览等。但功能模块较多，上手需要一定的学习成本。
Hindsight 则是纯粹的毛坯房，自带的 Web 管理页极其简陋。它压根没打算让人泡在界面里，把服务暴露成标准 API 后，剩下的事情全交由终端、脚本和 Agent 自身去调用。
Nowledge Mem 支持云端或者本地模型，设置页面可以控制 token 的消耗，开销整体可控。
Hindsight 也支持云端或者本地模型，它是个不折不扣的「Token 吞吐机」。拆块提取、后台观察层合并都会频繁调用 LLM。如果开启了心智模型（Mental model）的定时自动刷新，内部会跑复杂的多轮反思回路，要是配置不当陷入刷新循环，一天烧掉上千万 Token 也不是没可能。生产环境下，最好把提取模型切给便宜的高并发 Flash 模型，并谨慎配置定时刷新。
Nowledge Mem 的创始人 是 Wey Gu（古思为），前开源图数据库 NebulaGraph 的 GenAI 负责人与布道师；联合创始人兼 CTO 是数据库内核开发者 hawkingrei 这就解释了为什么他们对知识图谱、实体提取和演化关系的执念如此之深。但为了把 SQLite、图引擎和向量库同时塞进本地桌面端，工程复杂度极高（CTO 最近开源了 HawDB 来解决多库同步），迭代频繁时难免在底层守护进程和同步逻辑上出问题。
Hindsight 是 Vectorize.io 出品的开源项目。两位联合创始人 Chris Latimer 和 Chris Bartholomew 都是搞大规模数据平台出身。CTO 之前创办的流数据平台 Kesque 被 DataStax 收购，两人在 DataStax 做了多年企业级数据基础设施，随后拿到 True Ventures 的 360 万美元种子轮，专门深耕 RAG 管道和数据检索。 所以 Hindsight 骨子里就是一套标准的企业级数据 Infra。四路召回、RRF 排名融合、交叉重排以及按 Token 截断，完全是工业级检索系统的规范做法。对他们来说，服务跑在 Docker 和 Postgres 里、对外提供干净的 API 就足够了，至于个人用户在意的桌面客户端和新手引导，优先级并不高。
简单总结两者的选型：
Nowledge Mem 属于「入门简单，精通难」。 你需要理解它的图谱与分类理念，并在不少设置项里摸索。如果你不想折腾 Docker 和数据库，日常主要在 ChatGPT、Claude、Cursor 等桌面工具之间切换，希望找一个开箱即用、界面精致、能帮自己理清认知脉络的「第二大脑」，Nowledge Mem 会非常合适。
Hindsight 属于「入门难，上手后省心」。 如果你在折腾自己的 Agent 架构，需要一个完全脱离特定客户端、支持多角色隔离、后台全自动免审批干活，且数据彻底掌控在自己手里的持久记忆基建，Hindsight 会是更扎实的选择，前提是你需要花费一定的时间进行服务的运维，或者用 SOTA 模型和 足够的 token 来帮你进行调优和运维
