Agenten-Gedächtnis
Agenten-Gedächtnis (Agent Memory) umfasst die Techniken, mit denen ein KI-Agent Informationen über ein einzelnes Kontextfenster hinaus behält, etwa Fakten über einen Nutzer oder frühere Arbeit, indem er sie außerhalb des Modells speichert und bei Bedarf wieder lädt.
Auch: long-term memory, memory layer
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Ein Sprachmodell hat zwischen Aufrufen kein Gedächtnis. Alles, was es über die aktuelle Aufgabe weiß, muss in seinem Kontextfenster stehen, und dieses Fenster ist begrenzt. Agenten-Gedächtnis umgeht das, indem es Informationen anderswo speichert.
Arten von Gedächtnis
- Das Kurzzeitgedächtnis ist die Unterhaltung samt Tool-Ergebnissen in der aktuellen Sitzung. - Das Langzeitgedächtnis überdauert Sitzungen: Nutzervorlieben, gelernte Fakten, Zusammenfassungen früherer Arbeit.
LangGraph trennt zum Beispiel kurzfristigen Thread-Zustand von längerfristigem Gedächtnis über Sitzungen hinweg.
So funktioniert es
Der Agent oder der Code um ihn herum entscheidet, was festgehalten wird: eine Notiz in einer Datei, eine Zeile in einer Datenbank oder ein Embedding in einer Vektordatenbank. Später werden passende Erinnerungen abgerufen und wieder in den Prompt gesetzt, ähnlich wie bei Retrieval-Augmented Generation. Das MemGPT-Paper beschrieb das wie ein Betriebssystem, das Daten zwischen schnellem und langsamem Speicher verschiebt, wobei das Modell seine eigenen Speicherebenen verwaltet.
Beispiel
Ein Coding-Agent schreibt am Ende jeder Sitzung eine Notizdatei zum Projekt und liest sie zu Beginn der nächsten, damit er die Build-Befehle nicht jedes Mal neu lernen muss.
Grenzen
Gedächtnis kann veralten oder sich selbst widersprechen, und gespeicherter Text aus nicht vertrauenswürdigen Quellen kann Anweisungen in spätere Sitzungen tragen. Tools wie Mem0 und Letta bieten verwaltete Gedächtnisschichten; der Leitfaden zu Agenten-Gedächtnis vergleicht sie.
Verwandte Begriffe
- Context Engineering
- Context Engineering (Kontextgestaltung) ist die Praxis, alles auszuwählen und zu pflegen, was während einer Aufgabe in das Kontextfenster eines Sprachmodells gelangt: Anweisungen, abgerufene Dokumente, Tool-Definitionen, Tool-Ergebnisse und Gesprächsverlauf.
- Vektordatenbank
- Eine Vektordatenbank speichert Embeddings zusammen mit ihren Quelldatensätzen und findet die gespeicherten Vektoren, die einem Abfragevektor am nächsten liegen, meist mit einem approximativen Index, damit die Suche über Millionen von Einträgen schnell bleibt.
- Kontextfenster
- Ein Kontextfenster (Context Window) ist die maximale Textmenge, gezählt in Tokens, die ein Sprachmodell auf einmal berücksichtigen kann, einschließlich System-Prompt, Unterhaltung, Dokumenten, Tool-Ergebnissen und der Antwort, die es schreibt.
- Kontextverdichtung
- Kontextverdichtung (Context Compaction) ist der Schritt, in dem ein Agent eine Unterhaltung zusammenfasst, die an die Grenze ihres Kontextfensters kommt, und in einem frischen Fenster weitermacht, das mit dieser Zusammenfassung beginnt, damit eine lange Aufgabe fortgesetzt werden kann.
- Retrieval-Augmented Generation
- Retrieval-Augmented Generation (RAG, abrufgestützte Generierung) ist ein Muster, bei dem ein System zuerst eine Dokumentensammlung nach Passagen durchsucht, die für eine Frage relevant sind, und diese Passagen dann einem Sprachmodell gibt, damit seine Antwort darauf aufbaut.