这两天翻 GitHub,GitHub Trending 上同时挂着两个 9 万星和 4.5 万星的新仓库,一个专治”Agent 没人管”,一个专治”Agent 记不住事”。凑巧的是这俩不是竞争关系,而是一套东西的上下两层:上层管编排和钱,下层管记忆和经验。
我把两个仓库的 README、issue 列表、benchmark 说明都翻了一遍,下面说的数字都是今天从 GitHub API 拉的真实值,不是回忆。
Paperclip:9.68 万星,把 Agent 当员工管
paperclipai/paperclip,TypeScript,MIT,2026 年 3 月 2 日建仓,到现在 96791 星 / 16388 fork,10 月 4 日还在推代码。七个月不到十万星,这个速度在 GitHub 历史上属于顶格那一档。
它自己的一句话定位很直白:OpenClaw 是员工,Paperclip 是公司。这话听着像营销,但看完 README 我发现它确实是在做”公司”这套东西——组织架构图、职位、汇报线、KPI、审批门、预算上限、按周排的例行任务,一整套。README 里给的例子里,CEO、CTO、工程师、设计师、市场都是 bot,任你挑。
关键的架构决策有三个,我认为是它跟其他编排框架拉开差距的地方。
第一,原子任务签出。 一个任务同一时刻只允许一个 assignee 加一个执行锁在手上。两个 Agent 同时扑向同一个工单的场景被框架层直接堵死了,不是靠 Agent 自己讲礼貌。这种问题不解决,跑 7×24 必然出乱子。
第二,心跳机制。 Agent 不是被你 push 一下才动,而是被”叫醒”的——有分到任务、有人追问、或者到了定时点。它自己形容为”如果它能收到心跳,它就算被录用了”。这句话信息量很大:适配门槛不是”能跑”,是”能被唤醒”。所以它支持的运行时从 Claude Code、Codex、Gemini CLI、OpenCode、Cursor 一路排到 Grok Build、Kimi Code、Pi,甚至 Hermes 和 Hermes Gateway 都在列表里。
第三,预算硬闸门。 公司级、Agent 级、项目级三层预算,超阈值报警,到上限自动暂停工作。这条对花过钱的人才有体会——Agent 失控烧掉几百刀然后把你配额打满,是 2026 年最常见的翻车方式。
代价也摆在这儿:这东西是 7 个月大的新仓库,还在疯狂适配。而且”心跳”这个词双关得很妙——对公司是员工打卡,对基础设施就是”你这套东西必须常驻、有状态、有人管健康检查”。想清楚这一点,你就知道它跟你手上那个跑完就退出的脚本不是一类东西。
Hindsight:4.52 万星,Agent 记忆实测跑赢全上下文
vectorize-io/hindsight,Python,MIT,2025 年 10 月 30 日建仓,45159 星 / 5897 fork,MIT 协议,Apache 那套自由。
它的自我定位是”会学习的 Agent 记忆”,而不是”能回忆历史的 Agent 记忆”。这个区别不是文字游戏。绝大多数记忆系统做的是把历史对话塞回去,Hindsight 想要的是 Agent 真的会从经验里归纳出东西。
核心是三个动作:retain 存事实,recall 按问题检索,reflect 生成带判断色彩的结论。第三个是它跟别人不一样的地方——recall 是检索,reflect 是让模型基于记忆推理出”倾向性结论”。比如”Alice 喜欢徒步”存进去,下次不是原样返回,而是能回答”跟 Alice 聊户外怎么开场”。
benchmark 数据我看的是他们自家那张 LongMemEval 对比表,2026 年 1 月的数:
| 方法 | 骨干模型 | 准确率 |
|---|---|---|
| 全上下文 | GPT-4o | 60.2% |
| Zep | GPT-4o | 71.2% |
| Supermemory | Gemini-3 | 85.2% |
| Hindsight | OSS-20B | 83.6% |
| Hindsight | Gemini-3 | 91.4% |
这两行数字里最狠的是 OSS-20B 那行:83.6%,比全上下文的 GPT-4o 高 23 个点,而且是拿一个 20B 的开源小模型干的。意思就是——你要做长记忆,未必需要拿最贵的模型去硬扛上下文。README 里也说了这份 benchmark 被弗吉尼亚理工 Sanghani 中心和《华盛顿邮报》独立复现过,其他家的是自报,这个含金量不一样。
工程上比较实在的部分:一条 docker run 起服务,8888 出 API、9999 出 UI;客户端覆盖 Python、Node、Go、CLI、REST;底层用 pg0(嵌入式 Postgres 那种),一个数据卷就能持久化;还能直接装 Helm chart 上 K8s,接 Oracle AI Database。LLM 后端支持 25 家以上,你已经有 ChatGPT Plus、Claude Pro、Cursor 订阅的话,不用额外买 API key 也能当推理后端跑——这个对个人用户是实打实的省钱点。
不过得说实话,这项目的 issue 区现在挺热闹。它自己的 issue 里有一批很有代表性的:agent_end 写回是 fire-and-forget,主进程退出可能丢最后一次 retain;consolidation 活动期间记忆 UUID 读取会偶发 404;记忆用 user 角色注入导致信号被淹没,然后”本轮召回为空”被误当结论永久停止注入。这些都是长期记忆系统最典型的病——记忆写入和状态演进的时序问题。README 里也提到 0.10.1 版本。说明它在快速迭代,也说明它还没稳。
实话
这俩仓库合起来,其实指出了一个方向:2026 年 Agent 的瓶颈已经不是”能不能干”,而是”能不能被管住”和”能不能积累”。Paperclip 管前者,Hindsight 补后者。前者解决你开了 20 个 Claude Code 终端不知道谁在干什么的问题,后者解决你的 Agent 每次开工都从零开始的问题。
但两者都很新。Paperclip 七个月,Hindsight 十一个月,而且都以两位数甚至三位数的 issue 速度在滚。我不建议一上手就全量铺开,更稳的路径是:先在小范围接一个记忆层看看 retain/recall 在你自己的场景里准不准,再考虑要不要把整个编排交给框架。我自己在 ai.godsun.pro 上搭的那套多 Agent 出稿流水线,记忆层就是自己拼的,没上 Hindsight;AgentHub 那套多机监控也是自己撸的,没上 Paperclip。原因很简单——现阶段自己撸的还能改,套进去以后想改就得看上游脸色了。
顺带说一句,这俩的星数增长都伴随着明确的商业化动作(Hindsight Cloud 按量收费、Paperclip 有 Cloud waitlist)。MIT 协议保证你今天能白嫖,但企业版的功能边界会持续变。想当生产基础设施用的话,这点值得提前想清楚。
最后一句实话:Hindsight 的 benchmark 表格是它自己整理的,虽然有第三方复现,但复现的是 LongMemEval 这个 benchmark 本身,不是复现它在你的业务上的效果。跑分和干活是两码事,这话我写过好几次了,这次也一样。
如果你想看看之前我写过的 Agent 底座对比,可以翻翻 Cherry Studio、Langfuse、Trigger.dev 那几篇。这三个和今天这俩能拼出一张比较完整的图:客户端、可观测、持久化执行、编排控制、记忆层,五个位置你就有底了。
by 数码罗记 · godsun.pro