Die vielversprechendste Lösung für das Gedächtnis von KI-Agenten: Ein tiefer Einblick in MemOS

Ich habe über 200 Zeilen Regeln in CLAUDE.md geschrieben, nur damit der Agent sich daran erinnert, wer ich bin.

Schreibstil, Layout-Tabus, Bildstile – alles hängt davon ab, dass ich es Zeile für Zeile selbst eintrage. Obwohl diese Regeln bei jeder neuen Sitzung vorhanden sind, ist das kein Agent-Gedächtnis, sondern ein von mir verfasstes Handbuch.

Das Handbuch ist statisch: Wenn ich schreibe „keine Gedankenstriche verwenden“, dann tut der Agent das auch. Aber er weiß nicht, warum, er weiß nicht, wie oft ich es korrigiert habe, und er kennt nicht das Urteilsvermögen hinter der Regel – dass „ich das Gefühl habe, Gedankenstriche lassen Chinesisch seinen Rhythmus verlieren“.

Mein Agent führt Regeln aus, aber er hat sie nicht gelernt.

Die meisten bestehenden Gedächtnislösungen sind nur „alte Chats durchsuchen“

Dieses Problem ist nicht unbemerkt geblieben. ChatGPT hat ein Gedächtnis, Claude hat Projektwissen, und es gibt verschiedene Drittanbieter-Gedächtnis-Plugins auf dem Markt.

Aber wenn man genau hinsieht, machen sie alle ungefähr dasselbe: Sie speichern Ihre vergangenen Unterhaltungen oder manuell getaggte Informationen, bauen einen Vektorindex auf und rufen relevante Segmente ab, um sie beim nächsten Chat wieder in den Kontext einzufügen.

Es funktioniert, aber es gibt mehrere unvermeidliche Probleme.

Erstens: Was gespeichert wird, sind rohe Unterhaltungen mit einem sehr niedrigen Signal-Rausch-Verhältnis. Wenn ein Ausschnitt eines belanglosen Geplauders von vor drei Monaten abgerufen wird, muss das Modell beurteilen, was nützlich ist, und das geht oft schief.

Zweitens: Das Gedächtnis ist flach. Alle Informationen werden gleichwertig gespeichert; es gibt keine Hierarchie wie „das ist wichtiger als jenes“ oder „diese Schlussfolgerung wurde aktualisiert“. Je länger man es nutzt, desto mehr Rauschen entsteht.

Drittens: Es lernt nicht aus Fehlern. Wenn Sie die KI zehnmal zum selben Thema korrigiert haben, hat ihr „Gedächtnis“ zehn Korrekturdatensätze, aber es hat keine Strategie zusammengefasst wie „mach das nicht noch einmal“.

Diese Lösungen lösen das Problem der „Speicherung“, aber nicht das Problem des „Lernens“.

Was Hermes mir nach der Installation des MemOS Local Plugins sagte

Nach der Installation des MemOS Local Plugins fragte ich Hermes: „Wo wird dein Gedächtnis jetzt gespeichert?“

Es gab eine sehr klare Antwort:

Zwei Zeilen: Das integrierte Gedächtnis wird in einer lokalen JSON-Datei gespeichert und enthält Dinge, die ich ihm aktiv gesagt habe: Name, Rolle, Vorlieben, Schreibregeln. MemOS ist ein separates, unabhängiges Langzeitgedächtnissystem, das automatisch Spuren (Ereignispfade), Richtlinien (Verhaltensregeln) und world_models (Umgebungswissen) aus Unterhaltungen extrahiert und dann ausgereifte Prozesse in aufrufbare Fähigkeiten (Skills) kristallisiert.

Hermes‘ eigene Zusammenfassung ist besser als meine Erklärung: „Das integrierte Gedächtnis ist ein expliziter Haftzettel, den ich aktiv speichere; MemOS ist ein implizites Gedächtnis, das im Hintergrund automatisch gelernt und angesammelt wird.“

Dies ist der größte Unterschied zwischen MemOS und den oben genannten Lösungen. Es hilft Ihnen nicht nur, Unterhaltungen zu speichern; es extrahiert automatisch Strategien aus dem Prozess, wie Sie Dinge tun.

MemOS nennt dieses System Reflect2Evolve. Unterhaltungen setzen sich zunächst in Spuren ab, wertvolle Spuren werden in Richtlinien (Verhaltensstrategien) zusammengefasst, und ausgereifte Richtlinien werden in wiederverwendbare Fähigkeiten kristallisiert. Es geht nicht darum, „sich zu erinnern, was Sie gesagt haben“, sondern darum, „aus dem Prozess, wie Sie es getan haben, zu extrahieren, wie man es beim nächsten Mal macht“.

Test 1: Ihm beibringen, Tweets zu schreiben

In der ersten Runde erzählte ich Hermes meine Gewohnheiten beim Schreiben von X-Tweets: keine Gedankenstriche, direkt mit einem Standpunkt beginnen ohne Vorrede, menschlich wirken, keinen KI-Geschmack haben. Dann bat ich es, einen Tweet über Context Engineering zu schreiben.

Nachdem es fertig war, korrigierte ich es einmal: „Dieser Einstieg ist zu flach; verwende einen schärferen Hook. Meine Gewohnheit ist, in den ersten Satz einen Standpunkt oder Konflikt zu werfen, keine Vorrede.“

Es änderte es sofort. Der erste Satz wurde: „Hot take: Prompt Engineering ist überbewertet.“ Dann antwortete es: „Erster Satz ist der Standpunkt, keine Vorrede.“

Bis zu diesem Punkt unterscheidet es sich nicht wesentlich von den meisten KI-Assistenten. Der eigentliche Test ist der nächste Schritt.

Hermes beenden. Eine neue Sitzung starten. Dieses Mal sagte ich nur einen Satz:

„Hilf mir, einen X-Tweet mit dem Thema ‚CLAUDE.md in Claude Code ist im Wesentlichen Context Engineering‘ zu schreiben.“

Ich wiederholte keine Vorlieben. Ich erinnerte es nicht daran, wer ich bin.

Dann sah ich dies:

Bevor es schrieb, tat es vier Dinge:

1. Automatisch eine Fähigkeit namens x-content-writing geladen.
2. memos_search verwendet, um nach „X writing style context engineering“ zu suchen, was 4,7 Sekunden dauerte.
3. memos_environment durchsucht und den Pfad zu meinem Obsidian-Vault gefunden.
4. In meinen Vault gegangen, um tatsächlich veröffentlichte X-Artikel zu lesen, um den Rhythmus zu erfassen.

Dann sagte es: „Okay, lass uns schreiben. Nachdem ich deine letzten X-Artikel gelesen und den Rhythmus verstanden habe, fange ich direkt an zu schreiben.“

Das ist, was es schrieb:

CLAUDE.md ist keine Konfiguration. Es ist Context Engineering. Jede Zeile, die du dort schreibst, gestaltest du das Kontextfenster des Modells. Projektstruktur, Codepräferenzen, rote Linien-Tabus – all das ist manuell injiziertes Arbeitsgedächtnis. Prompts kümmern sich darum, „was dieses Mal zu tun ist“. CLAUDE.md kümmert sich darum, „wer du bist“. Backend-Entwickler sollten das sofort verstehen. Microservices ziehen beim Start ihre Konfiguration aus einer Registry, um zu wissen, mit welchen Diensten sie interagieren. CLAUDE.md ist die Registry des Agents. Lies es einmal pro Sitzung, dann leg los.

Null Gedankenstriche, der erste Satz wirft direkt einen Standpunkt, die Backend-Analogie fließt natürlich, und es gibt keinen „In diesem Artikel werden wir verstehen...“-Einstieg.

Es erinnerte sich nicht nur einfach daran, dass ich keine Gedankenstriche sagte; es extrahierte eine Reihe von Schreibstrategien aus meinem Ausführungsprozess und veröffentlichten Artikeln und wendete sie dann automatisch in einer brandneuen Sitzung an.

Dieses Mal hatte ich wirklich das Gefühl, dass es sich von den Gedächtnislösungen unterschied, die ich zuvor verwendet hatte.

Test 2: Zwei Produktseiten erstellen, um zu sehen, ob Stile zwischen Projekten wandern

Versuchen wir eine substanziellere Aufgabe.

In der ersten Runde bat ich Hermes, eine Produktvorstellungsseite für ReddTrends (www.reddtrends.com) zu erstellen, mit spezifischen Anforderungen: cremeweißer Hintergrund mit warmen Farben, direkter Text ohne Wörter wie „empower“ oder „one-stop“, sauberes Layout, Indie-Entwickler-Gefühl. Nachdem es fertig war, korrigierte ich den CTA-Button-Text.

Dann beendete ich die Sitzung, startete eine neue und bat es, eine Vorstellungsseite für ein anderes Produkt zu erstellen, MoleUninstaller, wobei ich nur den Produktnamen und die Funktionsbeschreibung angab, ohne Stilanweisungen.

Ergebnis: Die MoleUninstaller-Seite ging in eine völlig andere Richtung: dunkler Hintergrund, englischer Haupttitel, orangefarbene Akzentfarbe – völlig anders als der warme Indie-Entwickler-Stil von ReddTrends.

Stilpräferenzen wanderten nicht zwischen Projekten.

Dies zeigt, dass MemOS‘ Gedächtnis kein einfaches „der Benutzer sagte letztes Mal cremeweiß, also verwende es für immer“ ist; es unterscheidet Aufgabenkontexte. Wenn Sie umgekehrt erwarten, dass es sich merkt „Ich verwende für alle meine Produktseiten warme Farben“, kann es das noch nicht; das Lernen von Präferenzen in dieser Granularität erfordert möglicherweise mehr Runden der Akkumulation.

Den Viewer öffnen, um zu sehen, was es gelernt hat

Nach den beiden Tests waren die Datenänderungen im Viewer offensichtlich:

Von null zu Beginn auf 47 Erinnerungen, 8 Aufgaben, 24 Erfahrungen (12 aktiviert), 2 Fähigkeiten und 1 Umwelterkenntnis. Alles automatisch generiert.

Die interessantesten Einträge auf der Erfahrungsseite:

„WeChat Official Account Artikel in Xiaohongshu-Format konvertieren“, Unterstützung 25, aktiviert. Diese Erfahrung wurde 25 Mal ausgelöst, was zeigt, dass MemOS aus der wiederholten Aufgabe der Konto-Konvertierung eine Strategie zusammengefasst hat.

„Nach Dateiänderungen über Browsernavigation verifizieren“ und „Nach Seitenänderung keine Konsolenfehler verifizieren“ – dies sind technische Gewohnheiten, die automatisch beim Erstellen von Produktseiten extrahiert wurden.

Die Fähigkeitsseite hatte sich ebenfalls geändert:

check_obsidian_vault_path_env wurde von V1 auf V2 aktualisiert, wobei die Unterstützung von 1 auf 2 anstieg. MemOS aktualisierte die Fähigkeitsversion automatisch, als es zum zweiten Mal auf eine ähnliche Aufgabe stieß. Das ist es, was „Evolve“ in Reflect2Evolve bedeutet: Fähigkeiten sind nicht statisch; sie reifen, je mehr sie genutzt werden.

Drei Modelle spielen jeweils ihre Rolle: lokales Xenova für Embeddings (kostenlos), DeepSeek V4 Flash für Zusammenfassungen (günstig) und DeepSeek V4 Pro für die Fähigkeitsentwicklung (nur aufgerufen, wenn starkes Denken erforderlich ist), wobei teure Modelle nur dort eingesetzt werden, wo es zählt.

Alle Daten werden in einer lokalen SQLite-Datenbank gespeichert, und der Viewer hört nur lokal zu, mit null Cloud-Abhängigkeit. Diejenigen, die mit RAG gearbeitet haben, können sich die Abrufpipeline ansehen: FTS5 Volltext + Vektor hybrid, durch RRF-Fusion-Ranking, MMR-Deduplizierung und einen 14-Tage-Halbwertszeit-Zeitverfall, dann durch ein LLM gefiltert. Dies ist eine Größenordnung komplexer als „Embedding + Kosinus-Ähnlichkeit“, aber die Abrufqualität ist der entscheidende Faktor dafür, ob ein Gedächtnis nützlich ist.

Ein Kern, geteilt von mehreren Agents

Ein weiteres erwähnenswertes Design: OpenClaw und Hermes teilen sich denselben Reflect2Evolve-Kern, nur mit unterschiedlichen Adaptern. Die Erfahrungen und Fähigkeiten, die Sie in Hermes ansammeln, sind auf algorithmischer Ebene mit OpenClaw kompatibel; Ihre Gedächtniswerte werden nicht zurückgesetzt, nur weil Sie das Werkzeug wechseln.

Echte Gefühle nach der Nutzung

Was mich am meisten überraschte, war nicht nur, dass es sich an meine Vorlieben erinnerte, sondern dass es in der zweiten Sitzung, bevor es den Tweet schrieb, eine Reihe von Aktionen ausführte: eine Fähigkeit laden, das Gedächtnis durchsuchen, meinen Vault finden, meine vorherigen Artikel lesen und mir dann sagen „Ich habe deine letzten Artikel gelesen, um den Rhythmus zu erfassen“.

Meine Reaktion damals war: Moment, ich habe dich nicht gebeten, meine alten Artikel zu lesen.

Aber es beurteilte selbst, dass dies das Richtige war. Dieses Gefühl ist völlig anders als „hilf mir zu suchen, worüber wir letztes Mal gesprochen haben“.

Die Produktseite war nicht so überraschend; der warme Stil von ReddTrends wanderte nicht zu MoleUninstaller. Wenn man darüber nachdenkt, ergibt es Sinn; die Stilpräferenz trat nur einmal auf, und MemOS-Erfahrungen benötigen eine bestimmte Anzahl von „Unterstützungen“, um sich zu einer Strategie zu verfestigen. Einmal reicht nicht.

Der aktuelle Zustand ist also: Hochfrequente, sich wiederholende Aufgaben zeigen sehr deutliche Effekte, während gelegentliche Vorlieben noch nicht stabil sind. Aber ich denke, die Richtung ist richtig. Ich schreibe seit einem halben Jahr CLAUDE.md, und je mehr ich schreibe, desto mehr habe ich das Gefühl, dass dies keine Aufgabe für Menschen ist.

MemOS Local Plugin Website: https://memos-claw.openmem.net/

GitHub: https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin

Agent One-Click-Installation:

1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin

Ich bin Yanhua und konzentriere mich auf KI-Agenten und unabhängige Entwicklung für Überseemärkte. Wenn Sie sich für KI-Agenten interessieren, folgen Sie gerne --> @yanhua1010