TLDR: Die meisten Agenten setzen zurück und vergessen. Hier ist der genaue Gedächtnis-Stack, den ich aufgebaut habe, damit meine Agenten Kontext über Neustarts hinweg teilen, sich koordinieren ohne sich gegenseitig zu stören und Entscheidungen monatelang behalten.
Das Problem, das niemand löst
So sieht der typische KI-Agenten-Gedächtnisaufbau aus. Wichtige Dinge in den System-Prompt stopfen. Hoffen, dass der Kontextfenster nicht ausgeht. Neustarten und alles verlieren.
Ich habe zwei koordinierte Agenten (Ella auf OpenClaw, Lyra auf Hermes) über Hunderte von Sitzungen hinweg über 6 Monate betrieben. Das Wichtigste, was sie nützlich macht, sind nicht die Modelle oder die Werkzeuge. Es ist die Gedächtnisarchitektur.
Wenn Lyra um 2 Uhr morgens einen Fix ausliefert, weiß Ella am Morgen davon. Als ich im Januar entschied, wie Geheimnisse gespeichert werden sollen, befolgen beide Agenten diese Entscheidung noch im Juli. Wenn eine Sitzung mitten in einer Aufgabe abstürzt, setzt die nächste genau dort fort, wo sie aufgehört hat.
Hier ist das genaue 4-Schichten-System.
Schicht 1: Kontext innerhalb der Sitzung
Jede Sitzung beginnt mit dem Lesen von zwei Dateien. Die Identitätsdatei ist die dauerhafte Identität des Agenten. Kein System-Prompt, der in der Konfiguration vergraben ist. Eine echte Markdown-Datei, die ich bearbeiten kann. Sie enthält, wie sich der Agent verhalten soll, was er priorisiert, was er niemals ohne Nachfrage tut und seine Beziehung zu den anderen Agenten.
Die Gedächtnisindexdatei ist der Index von allem, was es wert ist, über Sitzungen hinweg erinnert zu werden. Keine Vektordatenbank. Keine Embeddings. Ein einfaches Inhaltsverzeichnis, das auf einzelne Gedächtnisdateien verweist. Jede Gedächtnisdatei ist eine kurze Notiz mit einem Namen, einer Beschreibung, einem Typ und einem kurzen Inhalt. Der Index wird immer geladen. Einzelne Dateien werden bei Bedarf gelesen, wenn sie relevant sind.
Warum Markdown? Weil ich es lesen, bearbeiten und debuggen kann. Wenn ein Agent sich falsch verhält, öffne ich den Index und finde die fehlerhafte Anweisung. Wenn ich ein Verhalten ändern möchte, bearbeite ich die Datei. Keine API. Kein Dashboard. Kein Nachtraining.
Schicht 2: Beibehaltung nach der Sitzung (Hindsight)
Das Problem mit reinem Markdown-Gedächtnis: Es erfasst nur das, was jemand explizit schreibt. Der wertvollste Kontext ist implizit. Entscheidungen, die während eines Durchlaufs getroffen wurden. Fakten, die aus einer Aufgabe abgeleitet wurden. Dinge, die sich als wichtig erwiesen haben.
Hindsight ist ein lokaler Fakten-Backend zur Beibehaltung, der auf localhost läuft. Am Ende jeder bedeutungsvollen Sitzung schiebt der Agent automatisch eine kuratierte Menge von beibehaltenen Fakten in eine benannte Bank. Jeder Agent hat seine eigene Bank.
Was beibehalten wird: Entscheidungen, die während der Sitzung getroffen wurden, nicht offensichtliche Fakten über den Benutzer oder das Projekt, Fehlermuster und die von uns übernommenen Korrekturen sowie Präferenzen, die der Benutzer bestätigt oder korrigiert hat.
Wenn eine neue Sitzung startet, wird Hindsight nach relevantem Kontext abgefragt, bevor der Agent antwortet. Es ist keine Volltextsuche über Transkripte. Es sind kuratierte Fakten, nach Typ getaggt, von denen der Agent gelernt hat, dass sie es wert sind, weitergetragen zu werden.
Der empfohlene Pfad: Hindsight-Fakt, menschliche Überprüfung, Eintrag im Gedächtnisindex. Automatische Beibehaltung mit einem menschlichen Genehmigungsgate.
Schicht 3: Gemeinsamer Langzeitzustand (Nexus)
Das Einzelagenten-Gedächtnis bricht zusammen, wenn man einen zweiten Agenten hinzufügt. Sie driften auseinander. Einer denkt, X sei der aktuelle Projektstatus. Der andere denkt Y. Innerhalb einer Woche widersprechen sie sich.
Die Lösung ist eine gemeinsame, überprüfbare Zustandsdatei, die beide Agenten lesen und schreiben. Wir verwenden einen Obsidian-Vault, den ich Nexus nenne. Er enthält ein Live-Kontextprotokoll, an das beide Agenten nach jeder bedeutungsvollen Runde anhängen, eine Projektzustandsdatei, ein Entscheidungsprotokoll und einen agentenspezifischen Arbeitskontext-Checkpoint, der bei langen Aufgaben alle paar Tool-Aufrufe aktualisiert wird.
Die Live-Kontextdatei ist der Echtzeit-Handshake. Die Invariante: Vor jeder Antwort lesen. Nach jeder bedeutungsvollen Runde anhängen.
Wenn Lyra um 2 Uhr morgens einen PR abschließt und Ella meine Morgenfrage beantwortet, weiß Ella es bereits. Sie hat das Protokoll gelesen. Keine Nachrichtenübermittlung. Keine agentenübergreifende API. Kein Polling. Eine gemeinsame Datei, zwei Agenten, Nur-Anhängen-Protokoll.
Schicht 4: Durchsuchbares Wissen (gbrain)
Die ersten drei Schichten verwalten das episodische Gedächtnis. Was passiert ist, was entschieden wurde, was es wert ist, weitergetragen zu werden. gbrain ist die semantische Schicht. Es ist ein kompiliertes Wiki, das als MCP-Server über dem Nexus-Vault läuft. Volltext- und semantische Suche über alles, was jemals aufgeschrieben wurde.
Wenn ein Agent eine Forschungsfrage beantworten, eine frühere Synthese finden oder nachschlagen muss, wie wir eine bestimmte Art von Problem bereits behandelt haben, fragt er gbrain ab, anstatt jede Datei erneut zu lesen. Die Ausgabe ist eine nach Relevanz geordnete Liste von Seiten mit Herkunftsnachweis. Der Agent liest, was relevant ist. Er lädt nicht den gesamten Vault in den Kontext.
Das ist der Unterschied zwischen Gedächtnis und Abruf. Die Schichten 1 bis 3 verwalten, was der Agent mit sich trägt. Schicht 4 verwaltet, was der Agent nachschlagen kann.
Die agentenübergreifende Synchronisationsinvariante
Zwei Agenten, eine Live-Kontextdatei. Das Risiko: Sie überschreiben sich gegenseitig oder übersehen die Einträge des anderen. Die Invariante, die wir verwenden: Jeder Eintrag ist mit dem Agentennamen, dem Kanal, der Art und einer einzeiligen Zusammenfassung signiert. Nur-Anhängen. Niemals den Eintrag eines anderen bearbeiten. Wenn Lyra etwas Relevantes protokolliert hat, bestätigt Ella es explizit in der nächsten Antwort. Bei bedeutenden Entscheidungen schreiben beide Agenten auch in das Entscheidungsprotokoll mit einem Zeitstempel und einer Begründung.
Dies läuft seit Hunderten von Sitzungen. Wir hatten einen Konflikt: eine Race-Condition, bei der beide Agenten innerhalb derselben Minute während einer Übergabe angehängt haben. Lösung: Beide Einträge lesen, in der nächsten Runde abgleichen. Keine automatisierte Zusammenführung erforderlich.
Was dies ersetzt
Vor dieser Architektur: fünf getrennte Chat-Sitzungen, jede mit eigenem veralteten Kontext. Agenten, die sich widersprechen, weil keiner sehen konnte, was der andere wusste. Anweisungen, die ich vor drei Wochen gegeben habe, vergessen. Entscheidungen, die in meinem Kopf lebten, anstatt in einer Datei.
Danach: Zwei Agenten, die sich vor jeder Antwort selbst informieren. Ein gemeinsames Zustandsprotokoll, das keiner leugnen kann. Beibehaltene Entscheidungen, die Monate von Kontextzurücksetzungen überleben. Jede Verhaltenspräferenz in einer Datei, die ich bearbeiten und überprüfen kann.
Der ehrliche Kompromiss: Dieses System erfordert Disziplin. Man muss Dinge aufschreiben. Man muss die Dateien pflegen. Man muss überprüfen, was beibehalten wird, bevor es dauerhaft wird. Es ist kein magisches, immer aktives System. Es ist strukturierte manuelle Disziplin plus Automatisierung an den Nahtstellen.
Wie man anfängt
Man braucht keine zwei Agenten oder einen vollständigen Vault, um Version eins davon zu betreiben.
Schritt 1: Eine Identitätsdatei plus einen Gedächtnisindex. Erstellen Sie sie. Lesen Sie sie zu Sitzungsbeginn. Schreiben Sie jede Verhaltenspräferenz in den Index, wenn Sie den Agenten zum zweiten Mal für dasselbe korrigieren.
Schritt 2: Eine gemeinsame Zustandsdatei. Wenn Sie mehr als einen Agenten betreiben oder Claude über mehrere Fenster hinweg verwenden, erstellen Sie eine Live-Kontextdatei. Jede Sitzung hängt am Ende daran an und liest sie zu Beginn.
Schritt 3: Eine Beibehaltungsregel. Wenn eine Sitzung eine Entscheidung hervorbringt, die überdauern sollte, schreiben Sie sie manuell in den Index. Tun Sie dies von Hand, bis Sie dem Muster vertrauen. Dann automatisieren Sie die Markierung.
Schritt 4: Eine Datei pro Fakt, nicht ein großes Dokument. Der Index verweist auf einzelne Dateien. Dies macht es einfach, einen veralteten Speicher zu löschen, ohne andere zu beeinträchtigen.
Der vollständige 4-Schichten-Stack brauchte etwa 6 Monate, um zu stabilisieren. Die Schichten 1 und 3 haben ein Wochenende gedauert. Fangen Sie dort an.
Fazit
Die meisten Agenten-Gedächtnis-Setups sind Kontextfenster-Verwaltung mit zusätzlichen Schritten. Sie funktionieren, bis das Fenster zurückgesetzt wird oder Sie einen zweiten Agenten hinzufügen.
Dauerhaftes Agenten-Gedächtnis ist ein Infrastrukturproblem, kein Prompting-Problem. Die Antwort sind mehrere Schichten mit unterschiedlichen Zeithorizonten: Kontext innerhalb der Sitzung, faktenübergreifende Sitzungen, gemeinsamer Zustand, durchsuchbares Wissen.
Alles von uns ist einfaches Markdown. Keine Vektordatenbank. Keine Embeddings. Kein Nachtraining. Nur Dateien, die ich öffnen, bearbeiten und debuggen kann.
Die Agenten, die wirklich nützlich sind, sind nicht die mit dem größten Kontextfenster. Sie sind diejenigen, die sich an das erinnern, was wichtig ist, und vergessen, was nicht.
Wenn Sie Agenten bauen, denen Sie echte Arbeit anvertrauen wollen, beginnen Sie mit der Gedächtnisarchitektur, bevor Sie weitere Werkzeuge hinzufügen.
Referenzierte Werkzeuge
Hindsight (lokale Gedächtnisbeibehaltung): https://github.com/vectorize-io/hindsight
gbrain (kompiliertes Wiki / semantische Suche): https://github.com/garrytan/gbrain
OpenClaw (Agenten-Laufzeitumgebung): https://openclaw.ai
Hermes (Agenten-Laufzeitumgebung): hermes-agent.nousresearch.com
