Speicher KI-Systeme – Persistente Wissensbasis und Agentenspeicher
Peristentes Wissen über ein einzelnes Chat-Thread hinaus.
Dieser Abschnitt sammelt Anleitungen zu persistenter Wissens- und Gedächtnisführung in KI-Systemen – wie Assistenten Fakten, Präferenzen und destillierten Kontext über Sitzungen hinweg beibehalten, ohne jeden einzelnen Token in einen einzigen Prompt zu stopfen. Hier bedeutet „Gedächtnis“ die bewusste Speicherung (Nutzerfakten, Zusammenfassungen, speicherbasierte Stores), nicht den GPU-Speicher oder die Modellgewichte.
Es ergänzt den breiteren KI-Systeme-Cluster – OpenClaw, Hermes, Orchestrierung – und steht neben RAG für Retrieval-Mechanik und LLM-Hosting für den Betrieb von Modellen.
Gedächtnis sitzt innerhalb des umfassenderen Assistenten-Stacks, wie er in KI-Assistenten-Architektur beschrieben wird, und bildet dort zusammen mit Routing, Tooling und Observability eine Einheit.
Gedächtnisdesign für Assistenten
Framework-übergreifender Leitfaden zu kurzfristigen, strukturierten und Retrieval-Gedächtnissen – Konsolidierungsstrategien, Vektor-Trade-offs und Muster von OpenAI, LangGraph, Hermes und OpenClaw.
- Gedächtnissysteme in KI-Assistenten, die tatsächlich nützen – Arbeitsgedächtnis, strukturierter Zustand, Retrieval-Ebenen und wann Gedächtnis hilft und wann es schadet
Anbieter für Agenten-Gedächtnis
Drop-in-Backends, die von Frameworks wie Hermes Agent und OpenClaw bereitgestellt werden – Honcho, OpenViking, Mem0, Hindsight, Mnemosyne und andere – mit unterschiedlichen Trade-offs bezüglich LLMs, Embeddings und Datenbanken.
- Vergleich von Agenten-Gedächtnis-Anbietern – vollständige Tabelle, Vergleich der Erfassungsrichtlinien, Hinweise zu Abhängigkeiten und Hermes-
memory setup-Flows
Für das Hermes-eigene, begrenzte Kerngedächtnis (MEMORY.md / USER.md) siehe Hermes Agent Gedächtnissystem. Für eine Installation von Mnemosyne und eine durchdachte Walkthrough der konservativen Schreibrichtlinie siehe Mnemosyne für Hermes Agent: Lokales Gedächtnis Quickstart. Für Hindsight auf Hermes mit lokalen Embeddings, Re-Ranking, Kontrolle des Schreibpfads und Bank-Backup siehe Hindsight für Hermes Agent: Self-Hosted Memory with Local LLMs.
Gedächtnis-Governance und Fehlermodi
Automatische Erfassung, Reflexion und Konsolidierung können die eigene Inferenz eines Modells in eine dauerhafte „Tatsache“ verwandeln, die in späteren Sitzungen als Evidenz behandelt wird.
- Selbstverstärkende Gedächtnisschleifen in KI-Agenten – die sieben Formen, die dieses Feedback annimmt, warum die Herkunft (Provenance) wichtiger ist als Embeddings und wie man testet, ob ein Anbieter sich weigert zu merken
Wissensgraphen und Cognee
Institutionelles und Projektwissen, das in Graphen extrahiert wird, für retrieval-bewusste Assistenten.
- Cognee Self-Hosting – LLM-Auswahl auf Ollama – praxisnahes Cognee-Quickstart mit lokalen Modellen
- Das richtige LLM für Cognee wählen – Lokales Ollama-Setup – Modellvergleich für Graphenqualität vs. Hardware
Graphenbauer wie Cognee importieren typischerweise Markdown-Depots, Wikis oder Exporte, die Menschen bereits bearbeitet haben – Relevanz, Benennung und „warum dies wichtig war“ sind weitgehend geklärt, bevor Chunks die Embeddings erreichen. Eine schlampige Korpus-Aufbereitung trainiert Ambiguität zurück in den Assistenten; disziplinierte Erfassungsarbeit durch Ausdruck begrenzt diesen Schaden. Für diese menschenzentrierte Perspektive – einschließlich des Unterschieds zu retrieval-first RAG – siehe Zweites Gehirn für Ingenieure erklärt.
