Agenten-Gedächtnis als Dateiformat: Eine radikal einfachere Lösung
Agent Memory as a File Format
Cal Paterson stellt mit „Memoryfields“ ein portables Dateiformat für das Gedächtnis von KI-Agenten vor. Statt komplexer Pipelines oder Wissensgraphen setzt es auf einfache Markdown-Dateien mit optionalem SQLite-Vektorindex. Agenten schreiben Erinnerungen direkt als Prosa, die per semantischer Suche abgerufen werden – ohne Chunking oder aufwendige Mechanismen. Das Format ist offen, transportunabhängig und skaliert mit der Modellentwicklung. Paterson argumentiert, dass Gedächtnis besser als Daten denn als Prozess repräsentiert wird und bietet Spezifikation, CLI-Tool und Skill an.
Erinnerung – besonders für ein Modell – ist viel besser als Daten repräsentiert.
- dataviz1000
Nutzt sonst noch jemand kein Gedächtnis?
Ich finde, sobald eine einzige vergiftete Textzeile drin ist, wirkt sich das negativ auf alles Weitere aus. Stattdessen nutze ich einen temp/-Ordner mit Dokumenten und verwende verschiedene Dateien für verschiedene Agenten und Modelle. Dann muss ich ständig die Dateien ausmisten und löschen. Alle Informationen, die extrapoliert werden können, sind nur Rauschen, das den Agenten negativ beeinflusst. Wenn du eine Definition einer Datenbankstruktur hast und sie implementiert wurde, sollten diese Informationen nicht in einem Textdokument enthalten sein – sie sind Rauschen, werden driften, und es wird unmöglich sein zu debuggen, warum der Agent ständig unerwünschtes Verhalten produziert.
Ich habe einen ~/Projects-Ordner. Zum Beispiel verwende ich Playwright mit dem Chrome DevTools Protocol, um Performance-Tests und Leckerkennung durchzuführen. Es gibt ein Skript, das das übernimmt. Mein Prompt ist: "Suche in ~/Projects nach Perf-Tests mit CDP und Playwright und implementiere es hier". Der Punkt ist: Wenn ich etwas brauche, verweise ich auf eine Ressource oder bitte darum, eine Ressource zu durchsuchen, und es findet sie schnell und, was am wichtigsten ist, es verbessert sie tendenziell bei jeder Iteration.
Wenn ich in einer Institution wäre, hätte ich ein Repository und würde einfach auf die Ressource verweisen und sagen: "Nutze das", anstatt lokal ein Gedächtnis davon zu haben.
- morelandjs
Ich war bereit, etwas Sarkastisches zu schreiben, weil das im Wesentlichen RAG ist, aber ich denke, der Autor spricht subtile Details an, die scheinbar wichtig sind.
- Gedächtnissysteme sind eine spezielle Art von Wissensbasis, bei der du alle Dokumente selbst erzeugst. Du könntest sie genauso gut so erzeugen, dass sie unter deinem Embedding-Token-Limit liegen, um das Chunking überflüssig zu machen.
- Embedding-Modelle werden besser und sind nicht mehr nur semantische Mittelwertbildung.
- Kleine Modelle werden spottbillig, was parallele Lesezugriffe kostengünstig macht.
Was sie beschreiben, ist eine Art einfachste Architektur, die diese Beobachtungen nutzt. Ich glaube ihnen, dass es gut funktioniert.
Ich vermute jedoch, dass Dinge wie Stichwortsuche völlig versagen, wenn jede Erinnerung nur ein Vektor ist. Deshalb kann so etwas wie die hybride Suche von Typesense immer noch nützlich sein.
- JohnMakin
> Markdown-"Seiten", mit
> (optional) YAML-Frontmatter und
> (optional) SQLite-Vektorindex für semantische Suche
Das ist im Grunde genau das, was ich in einer MCP-API verwende, die ich gebaut habe, und es funktioniert ziemlich gut. Es kann weiter angereichert werden, wenn du ein Speichersystem wie S3 verwendest und Metadaten nutzt.
"Harness-verwaltetes" Gedächtnis ist meiner Überzeugung nach absoluter Müll, und ich deaktiviere es sofort. Das Hauptproblem ist, dass es mit der Zeit degradiert und widersprüchliche oder schlicht falsche Informationen einschleicht. Dann wirst du eines Tages schwören, es sei betrunken, und jedes Mal, wenn ich in diesen Zustand geriet und nachforschte, war das automatisch verwaltete Gedächtnis immer das Problem.
- Avijit_Thawani
"Irrelevantes Material wird von der semantischen Suche einfach nie an die Oberfläche gebracht."
Das ist ziemlich optimistisch. Es gibt viele "Erinnerungen" oder vergangene Chats mit Agenten, die unterdrückt und vergessen werden sollten, weil sie am falschen Ort gesucht haben oder sich letztendlich als falsch erwiesen haben. Dennoch würden sie semantisch für eine zukünftige Suche sehr relevant aussehen. Deshalb solltest du nicht sowohl Lehrbücher als auch Science-Fiction durchsuchen, wenn du versuchst, eine Prüfung zu lösen.
- JustFinishedBSG
Das ist eine Menge Text, um zu sagen "es ist Markdown".