Was ist Mnemosyne?
Mnemosyne ist eine Memory-Schicht für KI-Agenten, die alles in einer einzigen SQLite-Datenbank ablegt. Es begann als Memory-Plug-in für Hermes Agent von Nous Research und bedient heute über MCP oder ein Python-SDK auch Claude Code, Cursor, Codex, Windsurf, OpenWebUI, OpenClaw und Pi.
Erinnerungen landen zuerst in einer Arbeitsebene, die in Prompts eingefügt wird; ein sleep()-Zyklus fasst ältere Einträge dann in einer episodischen Langzeitebene zusammen, die per sqlite-vec-Vektoren und FTS5-Stichworten durchsucht wird. Ein separater Triple Store speichert Fakten mit Gültigkeitsdaten und kann so beantworten, was an einem bestimmten Tag galt. Die Synchronisierung zwischen Rechnern ist optional und lässt sich clientseitig verschlüsseln.
Das Projekt steht unter MIT-Lizenz, hat rund 3.600 GitHub-Sterne und veröffentlichte Version 4.0.0 am 27. Oktober 2026. Mehrere unabhängige Projekte tragen denselben Namen; gemeint ist hier das von mnemosyne-oss, das aktivste und das im Hermes-Plug-in-Katalog geführte.
Lohnt sich Mnemosyne?
Für Mnemosyne spricht der Betrieb, nicht die Forschung: Ein pip install und eine SQLite-Datei geben einem Agenten ein Langzeitgedächtnis ohne Postgres, ohne Vektordatenbank und ohne Konto. Die Suche gewichtet jede Erinnerung zu 50% nach Vektorähnlichkeit, zu 30% nach FTS5-Stichwortrang und zu 20% nach Wichtigkeit, alles innerhalb von SQLite, und Embeddings lassen sich von 384 Floats auf 48 Bytes verdichten. Laut dem projekteigenen Vergleich braucht Mem0 dafür Qdrant oder Postgres und Letta Postgres.
Die Speicherung ist gestuft. Neue Erinnerungen liegen im Arbeitsgedächtnis, das in Prompts eingefügt wird und standardmäßig nach 168 Stunden abläuft. Ein sleep()-Durchlauf fasst alte Einträge mit einem LLM zusammen (einem entfernten OpenAI-kompatiblen Endpunkt, einem lokalen GGUF-Modell von etwa 656 MB, das beim ersten Einsatz heruntergeladen wird, oder einem Stichwort-Fallback) und schreibt die Zusammenfassung ins episodische Gedächtnis. Die Konsolidierung ist additiv: Originale werden markiert, nicht gelöscht. Faktenextraktion per LLM wird pro Aufruf zugeschaltet, und der Konfliktlöser, der widersprüchliche Erinnerungen ersetzt, ist standardmäßig aus; veraltete Fakten bleiben also, bis du sie entfernst.
Bei den Benchmarks ist Vorsicht angebracht. Das einzige gültige Ergebnis sind 65,2% auf BEAM bei 100K Tokens, gemessen auf v3.0.0 im Mai 2026 vom Projekt selbst mit Llama 3.3 70B und einem DeepSeek-V4-Flash-Richter; das README räumt ein, dass Hindsights veröffentlichte 73,4% vorn liegen. Ein LongMemEval-Wert von 98,9% wurde im September 2026 zurückgezogen, weil kein Laufprotokoll existierte, doch die Vergleichstabelle im selben README nennt weiterhin 87,4% auf LongMemEval. Reine Suche erreichte bei jeder Korpusgröße nur 20% Recall@10, mit 372 ms Latenz bei 100K. Ein LoCoMo-Ergebnis gibt es nicht.
Das Lokal-Versprechen hängt vom Installationsprofil ab. Das Kernpaket (etwa 50 MB RAM) bringt kein lokales Embedding-Modell mit und erwartet einen entfernten Endpunkt, standardmäßig OpenRouter, der dann den Text von Erinnerungen und Anfragen erhält; vollständig lokaler Betrieb braucht das Embeddings-Extra mit etwa 800 MB. Der MCP-Server kann zudem SSE- oder HTTP-Ports öffnen, und Bindungen außerhalb von Loopback verlangen eine Liste erlaubter Hosts. Version 4.0 behob einen Fehler, bei dem unbekannte Embedding-Modelle stillschweigend einen unpassenden Vektorindex erzeugten.
Für einzelne Entwickler oder Hermes-Nutzer, die Gedächtnis ohne eigene Infrastruktur wollen, ist es eine solide Wahl. Mehrbenutzerprodukte mit Mandantentrennung, verwalteten Backups oder geprüften Benchmarks sind mit Mem0 oder Graphiti besser bedient.
Wo es sich lohnt
Ein freiberuflicher Entwickler, der zwischen Claude Code, Cursor und Codex wechselt
Ein gemeinsames Gedächtnis für Projektentscheidungen in allen drei Werkzeugen führen
Starte mnemosyne mcp und trage denselben Server in die MCP-Konfiguration jedes Werkzeugs ein. Alle drei lesen und schreiben eine SQLite-Datei; mit dem Embeddings-Extra (etwa 800 MB RAM) bleiben die Vektoren lokal, statt Text an OpenRouter zu senden.
Ein Hobbyist, der einen Hermes-Agent-Bot auf einem VPS mit 1 GB betreibt
Einem Telegram-Assistenten ein Langzeitgedächtnis ohne Datenbankserver geben
Installiere das Kernpaket (etwa 50 MB RAM) mit mnemosyne-hermes und richte die Embeddings auf eine entfernte API, im Wissen, dass Erinnerungstext den Server verlässt. Für Backups mit mnemosyne sync und der Option --encrypt auf eine Desktop-Kopie synchronisieren.
Ein Betriebsingenieur, der festhält, wer welchen Dienst verantwortet
Nachfragen, wem an einem vergangenen Datum etwas zugewiesen war
Zuweisungen mit valid_from-Datum in den TripleStore schreiben und mit as_of abfragen. Das ist der einzige Teil von Mnemosyne, der sich ändernde Fakten ausdrücklich behandelt; normale Erinnerungen müssen von Hand bereinigt werden, wenn sie veralten.
Bevor du dich festlegst
- Einrichtung
- pip install mnemosyne-memory oder mnemosyne-memory[all] für lokale Embeddings und LLM-Konsolidierung, dann ein Eintrag in der MCP-Konfiguration. Hermes-Nutzer ergänzen mnemosyne-hermes und setzen memory.provider auf mnemosyne.
- Integrationen
- MCP über stdio, SSE oder Streamable HTTP; Python-SDK; native Provider für Hermes Agent und OpenClaw; eine Pi-Erweiterung; eine Tool-Brücke für OpenWebUI.
- Daten und Datenschutz
- Erinnerungen bleiben in einer lokalen SQLite-Datei, solange du weder Synchronisierung noch entfernte Embeddings oder LLMs einschaltest; entfernte Embeddings schicken Erinnerungs- und Anfragetext an den Endpunkt, standardmäßig OpenRouter. Keine Telemetrie. Sync-Daten lassen sich mit Fernet oder XSalsa20-Poly1305 verschlüsseln, sodass der Server nur Metadaten sieht.
- Kosten im großen Maßstab
- Keine Lizenz- oder Hostinggebühr. Das volle lokale Profil empfiehlt 8 GB RAM; ansonsten zahlst du pro Aufruf beim konfigurierten Embedding- und Zusammenfassungs-Endpunkt.
- Grenzen
- Eine einzelne SQLite-Datei passt zu einem Nutzer oder einer Agentenflotte, nicht zu einem mandantenfähigen Produkt. Rund 180 offene Issues und Pull Requests. Die Standard-Embeddings sind auf Englisch abgestimmt; mehrsprachige Suche braucht ein anderes Modell. Die BEAM-Werte stammen aus der Zeit vor v4 und wurden nicht wiederholt.
Was gut ist
- Eine SQLite-Datei, kein Datenbankserver und kein Konto
- MCP-Server plus native Integrationen für Hermes, OpenClaw und Pi
- Zeitlicher Triple Store beantwortet, was an einem Datum galt
- Optionale Synchronisierung mit clientseitiger Verschlüsselung
Was nicht
- LongMemEval-Wert zurückgezogen; das README zeigt noch einen anderen
- Umgang mit Widersprüchen standardmäßig abgeschaltet
- Die Kerninstallation schickt Erinnerungstext für Embeddings an OpenRouter
- 20% Recall@10 bei der BEAM-Suche
Am besten für
Einzelne Entwickler und Hermes-Agent-Nutzer, die dauerhaftes Gedächtnis auf dem eigenen Rechner wollen, ohne eine Datenbank zu betreiben.
Alternativen zu Mnemosyne
Mnemosyne: häufige Fragen
- Lohnt sich Mnemosyne?
- Mnemosyne ist das genügsamste Agentengedächtnis überhaupt, eine SQLite-Datei und kein Dienst, doch seine Benchmark-Bilanz ist dünn und teils zurückgezogen, sodass du die Qualitätsversprechen selbst prüfen musst. Wir bewerten es mit 3.7 von 5.
- Was kostet Mnemosyne?
- Kostenlos und Open Source unter MIT-Lizenz. Kein gehosteter Dienst und kein bezahlter Tarif; Kosten entstehen nur für deinen eigenen Rechner und für entfernte Embedding- oder LLM-Endpunkte, die du wählst.
- Welche Nachteile hat Mnemosyne?
- LongMemEval-Wert zurückgezogen; das README zeigt noch einen anderen; Umgang mit Widersprüchen standardmäßig abgeschaltet; Die Kerninstallation schickt Erinnerungstext für Embeddings an OpenRouter; 20% Recall@10 bei der BEAM-Suche.
- Für wen eignet sich Mnemosyne?
- Einzelne Entwickler und Hermes-Agent-Nutzer, die dauerhaftes Gedächtnis auf dem eigenen Rechner wollen, ohne eine Datenbank zu betreiben.
- Was kostet Mnemosyne für ein Team oder im Produktivbetrieb?
- Keine Lizenz- oder Hostinggebühr. Das volle lokale Profil empfiehlt 8 GB RAM; ansonsten zahlst du pro Aufruf beim konfigurierten Embedding- und Zusammenfassungs-Endpunkt.
- Ist Mnemosyne sicher für Firmendaten?
- Erinnerungen bleiben in einer lokalen SQLite-Datei, solange du weder Synchronisierung noch entfernte Embeddings oder LLMs einschaltest; entfernte Embeddings schicken Erinnerungs- und Anfragetext an den Endpunkt, standardmäßig OpenRouter. Keine Telemetrie. Sync-Daten lassen sich mit Fernet oder XSalsa20-Poly1305 verschlüsseln, sodass der Server nur Metadaten sieht.
- Was sind die besten Alternativen zu Mnemosyne?
- Die nächsten Alternativen, die wir getestet haben, sind Mem0, Letta, Graphiti und claude-mem.
Antworten geprüft am 6. Nov. 2026.