Memori ist eine Open-Source-Agent-native Speicherschicht von Memori Labs. Es beobachtet Konversationen und Ausführungsspuren – Toolaufrufe, Workflow-Schritte, Entscheidungen, Ergebnisse und Fehler – und wandelt dann ausgewählte Signale in einen strukturierten, dauerhaften Speicher um. Später kann eine Anwendung oder ein Agent einen kleinen, begrenzten Satz von Erinnerungen abrufen, anstatt ein gesamtes Transkript abzuspielen.
Dies ist eine andere Aufgabe als das Dokumentieren von RAG. RAG antwortet normalerweise: „Was steht im Quellkorpus?“ Das Agentengedächtnis muss auch antworten: „Was ist passiert, mit wem, in welchem Projekt, wann, mit welchem Ergebnis, und ist es immer noch wahr?“ Der Wert von Memori hängt weniger von der Speicherung vieler Fakten als vielmehr davon ab, selektiv zu schreiben, Benutzer und Projekte zu trennen, Korrekturen zu lösen, die Abstammung zu bewahren, im richtigen Moment abzurufen und zuverlässig zu löschen.
Von der Ausführungsverfolgung zum abgerufenen Kontext
Konversation + Agentenverfolgung + Tool-Ergebnisse
|
v
bereinigen/attributieren/normalisieren
|
Bewerten Sie, was erinnerungswürdig ist
|
.------------+-------------.
v v v
Fakten, Ereignisse/Ergebnisse, Entscheidungen/Muster
'------------+-------------'
v
strukturierter Speicher
Entität / Projekt / Prozess / Sitzung / Quelle / Zeit
|
Rang: Relevanz + Aktualität + Signal + Verfall
|
v
kleinster nützlicher Rückruf
|
Berichtigung / Ersetzung / Löschung
Die Rohspur ist die Eingabe, nicht unbedingt das endgültige Speicherobjekt. Produkterklärungen besagen, dass die Aufnahme asynchron erfolgt: Tool-Aktivität und Konversation können nach einer Interaktion normalisiert, bewertet und destilliert werden, ohne den Antwortpfad zu verzögern. Rohspuren bleiben möglicherweise für die Prüfung verfügbar, während dauerhafte Grundelemente Metadaten wie Entität, Projekt, Sitzung, Quelle, Signal, Zeitstempel und Ergebnis enthalten.
Was Memori ist – und was nicht
| System | Primäreinheit | Beste Frage | Typischer Fehler |
|---|---|---|---|
| Gesprächsgeschichte | Nachricht | Was wurde kürzlich gesagt? | Der Kontext wird lang, teuer und intern inkonsistent |
| Dokument RAG | Chunk/Dokument | Was sagt eine externe Quelle? | Schwacher Umgang mit persönlichem Zustand, Ergebnissen und Korrekturen |
| Workflow-Datenbank | Explizite Anwendungszeile | Was ist der maßgebliche Transaktionsstatus? | Erfordert, dass Entwickler jedes Feld und jeden Übergang modellieren |
| Memori | Strukturiertes Gedächtnis, abgeleitet aus Gespräch und Spur | Welcher vorherige Zustand hilft diesem Agenten jetzt beim Handeln? | Extraktion oder Rangfolge können verrauschte, private oder veraltete Beobachtungen fördern |
Verwenden Sie das Wahrscheinlichkeitsgedächtnis nicht als Aufzeichnungssystem für Salden, Genehmigungen, Anordnungen, medizinische Fakten oder den Rechtsstatus. Diese gehören in maßgebliche Anwendungstabellen und sollten zum Zeitpunkt der Entscheidung abgerufen werden. Memori ist besser für Präferenzen, frühere Versuche, Ergebnisse, wiederverwendbares Workflow-Wissen und kontextbezogene Signale, deren Herkunft gezeigt werden kann.
Die Architekturentscheidungen, auf die es ankommt
Die Open-Source-Architektur wird als LLM-, Framework- und Datenspeicher-agnostisch beschrieben. Die Zuordnung beschränkt den Speicher auf eine Entität und einen Prozess. Durch Augmentation wird rohe Aktivität in strukturiertes Gedächtnis umgewandelt. Der Rückruf nutzt semantische Relevanz, Rangfolge und Verfall. Wrapper können ausgewählten Kontext in spätere Modellaufrufe einfügen. Das Design unterstützt Memori Cloud und einen Bring-Your-Own-Database-Pfad.
| Schicht | Verantwortung | Bewertungsfrage |
|---|---|---|
| Erfassen | Sammeln Sie Gespräche, Spuren, Tools und Ergebnisse | Welche Ereignisse werden genau beobachtet und können sensible Werkzeuge ausgeschlossen werden? |
| Namensnennung | Ordnen Sie Entität, Projekt, Prozess und Sitzung zu | Können fehlerhafte IDs einen benutzer- oder mandantenübergreifenden Rückruf verursachen? |
| Erweiterung | Extrahieren, klassifizieren, bereichern und konsolidieren Sie das Gedächtnis | Welches Modell wird wo mit welcher Wiederholungs- und Vertrauensrichtlinie ausgeführt? |
| Lagerung | Behalten Sie strukturierte Elemente, Einbettungen, Abstammung und Spur bei | Wer kontrolliert Verschlüsselung, Backup, Region, Aufbewahrung und Schemamigration? |
| Rückruf | Filtern, ordnen, zerlegen und relevanten Kontext zurückgeben | Kann jedes Ergebnis Quelle, Umfang und Aktualität erklären? |
| Beobachtbarkeit | Schreibvorgänge, Rückrufe, Leistung und Quote anzeigen | Können Bediener Blutungen, veraltete Rückrufe und unkontrolliertes Schreibvolumen erkennen? |
Warum Trace-abgeleiteter Speicher Informationen hinzufügen kann
In einem Transkript steht vielleicht „Ich versuche es noch einmal mit dem CSV-Parser“, aber die Ablaufverfolgung kann Aufschluss darüber geben, welcher Parser ausgeführt wurde, welche Datei fehlgeschlagen ist, den Fehler, den Fallback und ob die Ausgabe die Validierung bestanden hat. Durch die Erfassung des Ausführungspfads können kausale Beweise dafür bewahrt werden, dass eine Konversationszusammenfassung verloren geht. Nützliche Beispiele sind ein Bereitstellungsbefehl, der in einer bestimmten Umgebung wiederholt fehlschlägt, eine Datenquelle, die veraltete Zeilen zurückgegeben hat, oder ein Support-Workflow, dessen Eskalation den Fall gelöst hat.
| Spursignal | Potenziell dauerhafter Speicher | Nicht blind lagern |
|---|---|---|
| Werkzeugaufruf und Ergebnis | Bekanntes Arbeitsverfahren oder wiederkehrender Fehlerzustand | Rohe Nutzlasten, Token, Kundendatensätze oder vorübergehende Stack-Traces |
| Entscheidung und Begründung | Ausgewählter Ansatz mit Umfang und Evidenz | Nicht genehmigte Modellspekulationen werden als Teamrichtlinien dargestellt |
| Ergebnis | Ob ein früherer Plan erfolgreich war, fehlschlug oder rückgängig gemacht wurde | Ergebnis vor externer Überprüfung abgeleitet |
| Benutzerkorrektur | Aktuelle Präferenz plus Ersetzung des alten Wertes | Sensible Attribute ohne Einwilligung oder geschäftliche Notwendigkeit |
| Wiederholtes Muster | Hochzuverlässiger Einblick in den Arbeitsablauf nach mehreren Beobachtungen | Einmaliges Verhalten wird zu einer dauerhaften Regel |
Die Schreibrichtlinie sollte Haltbarkeit, Nützlichkeit und angemessene Empfindlichkeit erfordern. „Der Benutzer hat den Dunkelmodus gewählt“ kann dauerhaft sein. „Benutzer ist derzeit wütend“ ist kurzlebig und potenziell schädlich. „Transfer abgeschlossen“ muss anhand des Transaktionssystems überprüft werden und darf nicht aus dem Schlusssatz eines Agenten abgeleitet werden.
Intelligenter Rückruf und „tokenlose“ Sprache
Memori-Material legt den Schwerpunkt auf gezielten, agentengesteuerten Rückruf und die Vermeidung großer Prompt-Dumps. Die praktische Bedeutung besteht nicht darin, dass Speicher buchstäblich keine Token-Kosten verursacht: Jeder Text, der letztendlich in einen LLM-Kontext eingefügt wird, verbraucht Token. Vielmehr kann der Agent ein Rückruftool nur dann aufrufen, wenn es sinnvoll ist, und der Abruf kann ein kompaktes Ergebnis zurückgeben, anstatt kontinuierlich den gesamten Verlauf einzufügen. Für Speicherung, Anreicherung, Einbettungen und Toolaufrufe fallen immer noch Rechen- und Geldkosten an.
| Rückrufkontrolle | Profitieren | Fehler beim Testen |
|---|---|---|
| Entitäts-/Projekt-/Sitzungsfilter | Verhindern Sie irrelevanten und mandantenübergreifenden Kontext | Fehlende oder gefälschte Bereichskennungen |
| Semantische Relevanz | Findet Bedeutungen, die über genaue Schlüsselwörter hinausgehen | Plausible, aber nicht zusammenhängende Übereinstimmungen |
| Aktualität und Verfall | Priorisiert alte Beobachtungen | Alte, aber entscheidende Fakten verschwinden |
| Quellen-/Signalgewichtung | Bevorzugt verifizierte Ergebnisse gegenüber gelegentlichen Erwähnungen | Unkalibriertes Vertrauen wird zur Autorität |
| Agentengesteuerter Rückruf | Vermeidet eine ständige sofortige Injektion | Der Agent vergisst, das Tool bei einem kritischen Schritt aufzurufen |
| Zusammenfassender Rückruf | Bietet kompakte Orientierung | Durch die Komprimierung werden Ausnahmen und Herkunft gelöscht |
Wie ist der Benchmark-Anspruch zu interpretieren?
Memori meldet eine Genauigkeit von 81,95 % für LoCoMo mit 1.294 Token pro Abfrage und beschreibt diesen Kontext als etwa fünf Prozent eines Vollkontext-Ansatzes, was bis zu 95,03 % Inferenzeinsparungen im getesteten Setup bedeutet. LoCoMo wertet Fragen zur Erinnerung an lange Gespräche aus und ist daher für die Gesprächserinnerung relevant. Die spurenbasierte Positionierung des Produkts geht über das hinaus, was dieser Benchmark allein beweist.
Überprüfen Sie vor der Übernahme der Zahlen den Benchmark-Code, die Datensatzversion, den Richter, das Modell, die Baselines, die Token-Zählung und die Anzahl der Läufe des Repositorys. Trennen Sie die Abrufgenauigkeit von der Genauigkeit der endgültigen Antwort. Kostenansprüche sollten Erweiterung, Einbettung, Speicherung, Rückrufe und Wiederholungsversuche umfassen – nicht nur Token in der endgültigen Antwortaufforderung. Ein Anbieter-Benchmark ist ein nützlicher, reproduzierbarer Beweis, aber kein SLA oder Leistungsnachweis für Ihre Schemas und Sprachen.
| Anspruch | Was es unterstützt | Zusätzlicher Nachweis erforderlich |
|---|---|---|
| LoCoMo Antwortgenauigkeit | Auftritt bei einer öffentlichen Langzeitgesprächsaufgabe | Ihre Domain-Fragen, Benutzer, Sprachen und Korrekturmuster |
| 1.294 Token/Abfrage | Kompakter Kontext in der gemeldeten Konfiguration | Gesamtkosten für Schreiben, Abrufen und Antworten bei Produktionsvolumen |
| Von Spuren abgeleitetes Gedächtnis | Umfangreichere Beiträge als Gespräche allein | Ablation zeigt, welche Spurenfelder Ihre Aufgaben verbessern |
| Asynchrones Gebäude | Vermeidet möglicherweise Latenz im Antwortpfad | Aktualitätsverzögerung, Warteschlangenfehler und Lese-nach-Schreib-Verhalten |
| Begrenzte Isolation | Entworfene Mieter-/Projektgrenzen | Gegnerische Autorisierungs- und Identifikatortests |
BYODB im Vergleich zu Memori Cloud
| Bereitstellung | Vorteile | Verantwortlichkeiten / Fragen |
|---|---|---|
| Open Source + eigene Datenbank | Speicherkontrolle, bestehende Governance, Portabilität und lokale Anpassung | Betreiben Sie Schemata, Modelle, Einbettungen, Migrationen, Backups, Beobachtbarkeit und Skalierung |
| BYODB mit gehosteten Funktionen | Behalten Sie Primärdaten in der ausgewählten Datenbank bei, während Sie verwaltete Erweiterungen/Operationen verwenden | Ordnen Sie genau zu, welche Inhalte/Metadaten die Datenbank verlassen und wo die Verarbeitung erfolgt |
| Memori Wolke | Schnellere Einrichtung, verwaltetes API, Dashboard, Quote und betriebliche Transparenz | Überprüfen Sie Live-Preise, Mietverhältnisse, Unterauftragsverarbeiter, Region, Aufbewahrung, Export, Löschung und Betriebszeit |
„Bringen Sie Ihre eigene Datenbank mit“ bedeutet nicht unbedingt, dass „die gesamte Verarbeitung in Ihrem Netzwerk bleibt“. Erhalten Sie ein Datenflussdiagramm, das Rohspuren, extrahierten Speicher, Einbettungen, Telemetrie und Supportzugriff abdeckt. Wenn personenbezogene Daten gespeichert werden, ordnen Sie Zugriffs-/Löschanfragen jeder abgeleiteten Kopie, jedem Vektor, jedem Cache, jedem Backup und jedem exportierten Trace zu.
Speichersicherheits- und Datenschutzbedrohungsmodell
| Bedrohung | Beispiel | Erforderliche Kontrolle |
|---|---|---|
| Mieterübergreifendes Bluten | Eine Rückrufabfrage lässt den Projektumfang aus und gibt die Tatsache eines anderen Kunden zurück | Serverseitige Autorisierung, nicht optionale Mandantenschlüssel und Isolationstests |
| Gedächtnisvergiftung | Die Ausgabe nicht vertrauenswürdiger Dokumente/Tools weist zukünftige Agenten an, Geheimnisse preiszugeben | Quellenvertrauensetiketten, Bereinigung, Genehmigung und Trennung von Anweisungen und Daten |
| Sensible Schlussfolgerung | Wiederholtes Verhalten wird in Gesundheits-, Finanz- oder Identitätsansprüchen zusammengefasst | Datenminimierung, ausgeschlossene Klassen, Einwilligung und kurze Aufbewahrung |
| Abgestandene Autorität | Eine alte Adresse oder Police wird nach der Korrektur zurückgerufen | Versionierung, kanonischer Zustand, Ersetzungs- und Aktualitätsprüfungen |
| Löschlücke | Zeile gelöscht, aber Einbettung, Ablaufverfolgung oder Sicherung bleiben wiederherstellbar | Durchgängige Löschüberprüfung und dokumentierter Backup-Ablauf |
| Umgehende Offenlegung | Der Agent gibt privaten Speicher an einen nicht autorisierten Benutzer weiter | Berechtigungsbewusster Abruf plus Ausgaberichtlinie; Verlassen Sie sich nie allein auf das Modell |
Ein produktionsreifer Speichervertrag
Definieren Sie einen Vertrag, bevor Sie die automatische Erfassung aktivieren. Jeder Speicher sollte einen Besitzer, Mandanten/Entität, Projekt/Prozess, Typ, Quellzeiger, Erstellungszeit, Vertrauen, Vertraulichkeit, Ablauf, Lebenszyklusstatus und Löschkennung haben. Im Vertrag sollte angegeben werden, welche Typen niemals gespeichert werden, welche die Zustimmung des Benutzers erfordern, welche automatisch abgerufen werden können und welche von einem autoritativen System abgerufen werden müssen.
erlaubt: Präferenzen, verifizierte Ergebnisse, wiederverwendbare Aufgabenprozeduren verweigert: Anmeldeinformationen, rohe Zahlungs-/Gesundheitsdaten, versteckte Systemaufforderungen Autorität: Anwendungs-DB > verifizierte Benutzerkorrektur > Tool-Ergebnis > Modellinferenz Rückruf: Mieter + Projekt erforderlich; Quelle und Zeitstempel zurückgegeben Lebenszyklus: vorgeschlagen -> aktiv -> ersetzt/abgelaufen/gelöscht Löschung: Speicher + Einbettung + Cache + Ablaufverfolgungszeiger + Sicherungsplan
Ein vierwöchiger Evaluierungsplan
- Woche 1 – Grundlinie. Sammeln Sie 50 echte Fragen zu aktuellen Fakten, alten Fakten, Korrekturen, Ergebnissen aus mehreren Sitzungen und „Keine Erinnerung vorhanden“-Fällen. Messen Sie vollständige Verlaufs- und einfache Vektor-RAG-Basislinien.
- Woche 2 – Schreibqualität. Führen Sie repräsentative Ablaufverfolgungen durch, kennzeichnen Sie, welche Beobachtungen in den Speicher übernommen werden sollen, und berechnen Sie die Extraktionsgenauigkeit/den Abruf, den Verlust sensibler Daten und die Aktualitätsverzögerung.
- Woche 3 – Erinnerungsqualität. Testen Sie Filter, Ranking, Verfall, Zitate, Widersprüche, mehrsprachige Abfragen und kontradiktorische Mieter-IDs. Erfassen Sie die Präzision des relevanten Kontexts, bevor Sie die endgültigen Antworten messen.
- Woche 4 – Operationen. Testen Sie Schreibvorgänge/Rückrufe, stoppen Sie den Erweiterungs-Worker, rotieren Sie Anmeldeinformationen, stellen Sie ein Backup wieder her, exportieren Sie Daten und führen Sie eine vollständige Löschung durch. Bewerten Sie die tatsächliche Arbeitsbelastung.
| Metrisch | Definition | Empfohlenes Starttor |
|---|---|---|
| Schreiben Sie präzise | Nützliche, präzise und dauerhafte Erinnerungen / alles geschaffen | ≥90% |
| Rückruf schreiben | Erfasste dauerhafte Goldbeobachtungen / alle Goldbeobachtungen | ≥85% |
| Erinnern Sie sich an precision@k | Relevante zurückgegebene Erinnerungen / k | ≥80 % im tatsächlich injizierten Kontext |
| Nicht unterstützte Speicherrate | Zurückgerufene Behauptungen ohne gültige Quelle/Rückrufe | <2 % |
| Bereichsübergreifende Leckage | Nicht autorisierte Mieter-/Projektartikel wurden zurückgegeben | 0 in der gegnerischen Suite |
| Korrekturerfolg | Abfragen, die nach der Korrektur den aktuellen kanonischen Fakt zurückgeben | 100 % für kritische Prüffelder |
| Löschvorgang abgeschlossen | Abgeleitete Oberflächen sind im Richtlinienfenster nicht mehr abrufbar | 100% |
| Gesamtkosten/Aufgabe | Schreiben, Modelle, Einbettungen, Speicherung, Rückruf und Antwort | Nachfolgender Messwert gespeichert |
Für regulierte oder hochwirksame Nutzungen sollten die Schwellenwerte verschärft werden. Messen Sie auch die Enthaltung: Ein gutes System muss sagen: „Kein verlässlicher Speicher gefunden“, anstatt eine semantisch ähnliche Fiktion abzurufen.
Alternativen
| Alternative | Wählen Sie wann | Schlüsselvergleich |
|---|---|---|
| Mem0 | Sie möchten einen weithin integrierten allgemeinen Speicher API und verwaltete/offene Pfade | Vergleichen Sie Extraktionsschema, Diagrammunterstützung, Scoping, Benchmarks und gehosteten Datenfluss |
| Zep / Graphiti | Dabei stehen zeitliche Wissensgraphen und Entitätsbeziehungen im Vordergrund | Vergleichen Sie zeitliche Invalidierung, Diagrammoperationen und Trace-Aufnahme |
| Letta | Die Speicherverwaltung sollte Teil einer Stateful-Agent-Laufzeit sein | Andere Abstraktion: Agenten-Orchestrierung plus mehrstufiger Speicher |
| LangGraph Persistenz | Sie benötigen explizite Workflow-Kontrollpunkte und geben an, dass Sie sich selbst modellieren | Deterministischerer Zustand; weniger automatische semantische Speicherextraktion |
| Postgres/pgvector benutzerdefinierte Ebene | Ihre Schema-, Sicherheits- oder Kostenanforderungen rechtfertigen den Besitz | Maximale Kontrolle, maximaler Auswertungs- und Wartungsaufwand |
| Einfache Profil-/ADR-Tische | Der Speicherbedarf ist gering, explizit und hat große Konsequenzen | Oft sicherer und kostengünstiger als die probabilistische Extraktion |
FAQ
Ersetzt Memori eine Vektordatenbank?
Nein. Es handelt sich um eine Speicherlebenszyklus- und Integrationsschicht, die die Speicher- und Abrufinfrastruktur nutzen kann. Die wichtigen zusätzlichen Arbeiten sind Zuordnung, Strukturierung, Rangfolge, Abstammung und Erweiterung.
Lernt es nur aus dem Chat?
Nein. Die aktuelle Positionierung umfasst neben der Konversation ausdrücklich auch die Verfolgung der Agentenausführung, die Toolaktivität, Workflow-Entscheidungen, Ergebnisse und Fehler.
Ist der Rückruf wirklich tokenfrei?
Durch den On-Demand-Tool-Rückruf kann vermieden werden, dass ständig Speicher hinzugefügt wird, aber der von einem LLM verwendete zurückgegebene Text verbraucht Kontext-Tokens. Beziehen Sie die Kosten für den Abruf und den Gedächtnisaufbau in die Gesamtsumme ein.
Kann Memori den maßgeblichen Geschäftsstatus speichern?
Es kann Kontext darüber speichern, der kritische aktuelle Status sollte jedoch in der maßgeblichen Anwendungsdatenbank verbleiben und zum Zeitpunkt der Aktion überprüft werden.
Wie sollen Korrekturen funktionieren?
Behalten Sie die Abstammung bei, kennzeichnen Sie den neueren verifizierten Wert als kanonisch, unterdrücken Sie den alten Wert aus dem normalen Abruf und behalten Sie den Verlauf nur dann bei, wenn die Richtlinien dies zulassen.
Wer sollte Memori zuerst übernehmen?
Teams mit lang laufenden Mehrbenutzer-Agenten, deren messbare Fehler auf verlorenen Ausführungskontext zurückzuführen sind – und die ein ernsthaftes Datenschutz- und Bewertungsprogramm betreiben können.
Quellen und Überprüfung
- Offizielle Memori Produktseite
- Offizielles Open-Source-Repository
- Offizielle BYODB-Architekturdokumentation
- Offizielle Agent-Trace-Übersicht und Demo
- Offizielle Benchmark-Seite
- Benchmark-Code und Materialien im offiziellen Repository
- Memori technisches Dokument
- Produkteinführung und Herstellererklärungen
- OWASP LLM-Anwendungssicherheitsleitfaden
Zuletzt überprüft am 26. Juli 2026. Architektur, Cloud-Pläne, Benchmark-Ergebnisse und Integrationen können sich ändern. Überprüfen Sie vor dem Produktionseinsatz die aktuelle Dokumentation, Bedingungen und den Code.
