Agent Memory Agentengedächtnis

Das Problem #

Gedächtnis-Frameworks legen Gedächtnis in undurchsichtige Datenbanken: Man kann es nicht einsehen, vergleichen, migrieren oder korrigieren, zuverlässiges Löschen ist schwer, und Index und Embedding-Modell sind festgelegt. Und Gedächtnis ist selbst eine Angriffsfläche: In einer Studie von 2026 erreichte die Vergiftung des persistenten Gedächtnisses über zwei Agenten hinweg eine durchschnittliche Angriffserfolgsrate von 50,46 %, und eine weitere Studie hatte mit einer einzigen sorgfältig gestalteten E-Mail Erfolg gegen Gedächtnis-Backends auf Dateisystem- wie auf Vektorbasis.

Zugleich ist „welche Gedächtnisarchitektur ist die beste“ längst nicht entschieden: Benchmarks widersprechen sich. Ein Entwurf, der auf keinen bestimmten Retrieval-Algorithmus setzt, kann drei Jahre Wandel überstehen.

So funktioniert es #

• Notizen sind die Wahrheit. Markdown mit YAML-Frontmatter: kind (episodisch, semantisch, prozedural, Präferenz), subject, sources, confidence, valid_from, valid_to, supersedes, origin, reviewed.
• Aktualisieren, nicht überschreiben. Ein neuer Fakt supersedes den alten; Gültigkeitszeit und Aufzeichnungszeit werden getrennt gehalten, weil sich Fakten ändern und gängige Benchmarks das kaum testen.
• Indizes sind ein Cache. BM25 (zum Beispiel SQLite FTS5), Vektoren (mehrere können nebeneinander bestehen) und ein optionaler Graph; jede Ableitung trägt ihr Rezept und ihre Eingaben. Das Embedding-Modell zu wechseln heißt, im Hintergrund neu zu berechnen, und der alte Index bleibt, bis der neue die Golden-Recall-Tests besteht.
• Zwei Arten der Ableitung. Deterministische (Chunking, BM25, Embeddings aus einem festen Modell) sind reproduzierbar; generative (LLM-Zusammenfassungen, extrahierte Fakten) lassen sich nur „neu erzeugen und vergleichen“, daher werden sie mit generated: true markiert und dienen nie als einzige Kopie.
• Schreibpfad. nas_remember schreibt eine Notiz (mit Quellen) auf den aktuellen Branch, und die Kontamination wird vererbt. Eine Notiz aus einer Sitzung mit der Kontamination external kommt in Quarantäne, als ungeprüft markiert: Sie lässt sich abrufen, wird aber nicht automatisch geladen und gelangt nicht in MEMORY.md.
• Lesepfad. nas_recall = Suche, Kandidaten, eine budgetierte Ansicht plus Belegzeiger, und es zeigt Quelle und Prüfstatus jeder Notiz.
• Wartungsjobs (über Nacht oder im Leerlauf): deduplizieren, Episoden zu semantischen Fakten verdichten, Widersprüche markieren, veraltete Fakten ausmustern, Indizes neu aufbauen. Jobs erzeugen Vorschläge auf einem Branch, die ein Mensch oder ein Agent prüft; sie löschen nie das rohe Journal; die „Reuerate“ (der Anteil der Vorschläge, die zurückgerollt werden) wird gemessen.
• Golden-Recall-Tests. Pro Home eine Menge von Paaren „Frage, erwartete Notiz“, die automatisch laufen, wenn sich das Modell oder der Indexer ändert.

Klein anfangen #

• memory/notes/*.md mit Frontmatter und SQLite FTS5 für die Suche.
• Lassen Sie zehn Golden-Fragen in der CI laufen.
• Vektorindizes und Wartungsjobs können später folgen; bringen Sie zuerst „Provenienz“ und „nur geprüfte Notizen werden automatisch geladen“ in Ordnung.

Schnittstellenskizze #

Nur zur Veranschaulichung. Feldnamen können sich vor der Spezifikation v0.3 ändern.

---
id: mem_4kq2
kind: semantic
subject: customer/acme
valid_from: 2026-10-02
valid_to: null
confidence: 0.8
origin: agent
reviewed: true
sources:
  - nas://home-box/agents/cleo/journal/2026-10-02.md@9f2c1de#L12-L18
supersedes: [mem_1xa9]
---
Acme renewed for 24 months; the champion moved from Dana to Luis.

Was die Spezifikation verlangt #

• Notizen MÜSSEN ohne die Memory-Schicht lesbar sein (sie sind gewöhnliche Dateien im Store).
• Jede Ableitung MUSS ihr Rezept und ihre Eingaben tragen; ein Index MUSS verwerfbar und wiederaufbaubar sein.
• Notizen aus einer kontaminierten Sitzung DÜRFEN NICHT automatisch geladen werden, bevor sie geprüft wurden.
• Ein neuer Fakt MUSS einen alten mit supersedes ersetzen, statt ihn zu überschreiben.
• Wartungsjobs MÜSSEN auf einem Branch arbeiten und nur vorschlagen; sie DÜRFEN NICHT das rohe Journal löschen.
• Jedes Home SOLLTE Golden-Recall-Tests enthalten und sie ausführen, sobald sich das Modell oder der Indexer ändert.

Was übernommen ist und was neu ist #

Alles Folgende ist etabliertes Denken, und die Gedächtnisarchitektur von OpenClaw macht Provenienz-Labels, Quarantäne pro Stufe und die Weitergabe von Kontamination bei der Konsolidierung bereits. Neu ist: OpenClaw macht das innerhalb einer Laufzeitumgebung; wir schlagen vor, es im gemeinsamen Speicher zu tun, sodass jede Laufzeitumgebung profitiert, und den Index zu einem verwerfbaren Cache zu degradieren, damit sich der Retrieval-Algorithmus ändern kann, ohne Gedächtnis zu verlieren.

• Letta Context Repositories
• Letta: is a filesystem all you need?
• OpenClaw memory architecture
• Long-term memory security survey
• Graphiti
• MemGPT

Ehrliche Grenzen #

• Generative Ableitungen lassen sich nie Bit für Bit reproduzieren.
• Ein Wartungsjob kann einen Fehler zu einem Fakt „verhärten“; deshalb schlägt er nur vor und bearbeitet nie direkt.
• Welche Gedächtnisarchitektur die beste ist, bleibt offen.

Offene Fragen #

• Wann sollte ein Agent selbst Gedächtnis schreiben, und wann ein Wartungsjob?
• Was ist der Regressionsmaßstab über Modellversionen hinweg?

Fragen #

Verwandte Konzepte #

• Budgeted Reads (budgetiertes Lesen) Eine Datei als Gliederung, Abschnitt, Zeilenbereich oder vollständig lesen, abgestuft, damit sie ins Budget passt.
• Cascade Forget (kaskadierendes Vergessen) Ableitungen entlang der Lineage löschen, den Verlauf nach Aufbewahrungsklasse behandeln und melden, was nicht möglich war.
• Trust Labels (Vertrauenslabels) Zwei kleine Labels plus Sitzungskontamination setzen die Zweierregel durch.