Notizzettel, Wiki oder 16 Vektoren: Wie KI-Agenten sich erinnern – und wann es schadet

Darum geht es

Sprachmodelle vergessen alles, sobald ein Gespräch endet. Was sie in der nächsten Sitzung „wissen“, muss jemand außerhalb des Modells aufbewahren und im richtigen Moment wieder hineinreichen. Wie man das baut, ist eine der großen offenen Fragen bei KI-Agenten, also Programmen, die selbstständig mehrstufige Aufgaben erledigen.

In der ersten Novemberwoche sind dazu drei sehr unterschiedliche Antworten erschienen. Notion hat am 4. November seinen Workspace als gemeinsames Gedächtnis für ChatGPT, Claude und andere Assistenten beworben. Stanford (Gruppe SNAP um Jure Leskovec) stellte am 5. November öffentlich Memorilla vor, das ganze Chatverläufe in 16 Vektoren presst, die kein Mensch lesen kann. Anthropic veröffentlichte am 6. November die Studie „The components of agent memory“ über Notizen, Wikis und das sogenannte „Dreaming“. Parallel verteilt Meta die Gedächtnisfunktion seines Modells Muse Wonder an alle Nutzer von Muse und Meta AI.

Für dich als Nutzer laufen alle drei Ansätze auf dieselben Fragen hinaus: Wo liegt das Gedächtnis? Kann ich es lesen und korrigieren? Und hilft es überhaupt? Die veröffentlichten Zahlen zeigen, dass die letzte Frage öfter mit Nein beantwortet wird, als man denkt.

Bauweise 1: Anthropic – ein Stapel lesbarer Textdateien

Anthropic beschreibt das Gedächtnis als Hierarchie aus vier Schichten. Ganz unten liegen Transkripte, also das vollständige, durchsuchbare Protokoll jeder Sitzung. Darüber kommen Notizen, die Claude während der Arbeit selbst schreibt. Aus ihnen entstehen Wissensstrukturen wie Wikis, also Seiten, die aufeinander verweisen. Ganz oben steht der injizierte Kontext: Material, das zu Beginn jeder Sitzung automatisch geladen wird. Quer durch alle Schichten läuft das Dreaming. Dabei liest Claude in Ruhephasen alte Protokolle erneut, vergleicht sie mit seinen Notizen, korrigiert Fehler und entscheidet, was künftig vorab geladen wird. Anthropic vergleicht das mit dem Gehirn, das Erlebnisse im Schlaf verfestigt.

Alles davon ist Text. Du kannst es öffnen, lesen und ändern. In Claude Code ist die Datei MEMORY.md ein Inhaltsverzeichnis, von dem laut Dokumentation nur die ersten 200 Zeilen oder 25 KB in jede Sitzung geladen werden. Anthropic schreibt selbst, dass Modelle Anweisungen schlechter befolgen, je länger diese Dateien werden.

Bauweise 2: Memorilla – 16 Vektoren, die niemand lesen kann

Memorilla setzt an der anderen Seite an. Ein Encoder (Qwen3-Embedding-4B) speichert jedes Dokument, etwa ein Gespräch oder ein Buchkapitel, einmalig als Embedding, also als Zahlenreihe für die Bedeutung des Textes. Kommt eine Frage, lesen 16 trainierte „Gedächtnis-Slots“ die Frage und den gesamten Speicher. Daraus erzeugen sie 16 Vektoren, die direkt in die Eingabe des Sprachmodells (Qwen3-8B) eingespeist werden. Das Sprachmodell selbst bleibt unverändert, trainiert wird nur das Gedächtnismodul mit 194,1 Millionen Parametern.

Der Gewinn ist Platz. Bei NarrativeQA braucht der volle Kontext 67.385 Tokens pro Frage, Memorilla 16. Bei 512 Dokumenten antwortet es auf einer H100 in 0,74 statt 19,9 Sekunden. Im Personalisierungstest PersonaMem-v2 kommt es auf 44,6 Prozent. Der beste Vergleichsansatz xRAG schafft 30,9, der volle Chatverlauf 27,9 Prozent. Alle Werte stammen von den Autoren selbst, der Preprint ist noch nicht begutachtet.

Den Preis nennen die Autoren offen: Die festen 16 Tokens können genaue Details wie Namen verlieren. Bei NarrativeQA gewinnt klassisches RAG (Retrieval-Augmented Generation, also das Heraussuchen passender Textstellen) bei „Wer?“- und „Welche?“-Fragen. Bei PubMedQA liegt Memorilla mit 59 Prozent unter dem vollen Kontext mit 67 Prozent. Weil die Vektoren direkt ins Modell geschrieben werden, braucht man offene Gewichte und für jedes Sprachmodell ein eigenes, trainiertes Modul. ChatGPT, Claude und Gemini scheiden damit aus.

Bauweise 3: Notion – eine Datenbank für alle Assistenten

Notion baut kein neues Gedächtnis, sondern macht seinen Workspace zum Ablageort. Über MCP (Model Context Protocol, ein offener Standard, über den KI-Assistenten auf externe Werkzeuge zugreifen) speichern verbundene Assistenten Erinnerungen in einer privaten Memories-Datenbank samt einer zusammenfassenden About-Seite. Laut den Release Notes vom 19. Oktober ist „Memory Sync“ live, das Teilen von Skills (wiederverwendbaren Arbeitsanleitungen) über MCP dagegen „bald verfügbar“. Die Funktion läuft auf allen Notion-Tarifen, aber nur über persönliche Verbindungen.

Bei der Einrichtung entsteht ein „Agent Operating Guide“. Diese Seite legt fest, wo was abgelegt wird und was tabu ist. Gespeichert werden sollen Entscheidungen samt Begründung, Korrekturen, Vorlieben und Projektstände. Passwörter, Smalltalk, Zwischenstände und kopierter Code sollen draußen bleiben. Abgerufene Inhalte sollen ausdrücklich als Information gelten, nicht als Befehl.

Einen Haken nennt Notion selbst: Das Verbinden garantiert nicht, dass sich jede Sitzung an dasselbe erinnert. Jeder Assistent muss die Werkzeuge von sich aus aufrufen. Frühere Chatverläufe werden nicht übernommen, und den Anweisungsblock musst du in jeden Assistenten selbst einfügen.

Die drei Bauweisen im Vergleich

Wo mehr Gedächtnis schadet

Die aufschlussreichsten Zahlen der Woche handeln nicht vom Erfolg, sondern vom Zuviel.

Wer alles aufschreibt, kommt nicht voran. In Pokémon Red legte Sonnet 3.7 bis etwa Schritt 10.000 insgesamt 413 Dateien in 225 Ordnern an, zusammen rund 978.000 Zeichen. Es holte einen Orden und verbrachte viel Zeit damit, seine Notizen umzusortieren. Fable 5 schrieb 10 Dateien mit etwa 43.000 Zeichen, darunter eine zentrale Übersicht mit Zielen, und holte vier. Einschränkung: Es war jeweils nur ein Durchlauf. Ein Kommentator auf Hacker News nennt den Vergleich deshalb ein „nutzloses Experiment“.

Schwache Modelle nutzen ihr Gedächtnis kaum. Im CL-Bench, einem Test fürs Dazulernen bei Datenbankaufgaben, sieht es so aus:

Sonnet 5 liest seine Notizen laut Anthropic in etwa 9 von 10 Fällen von sich aus, Sonnet 4.6 in weniger als der Hälfte. Erst mit ausdrücklicher Aufforderung kam Sonnet 4.6 auf 0,641. Starre Regeln wie „notiere nur Fehler“ schadeten sogar: Bei Opus 5 schrumpfte der Gewinn um 0,234.

Ein Wiki, größer als seine Quellen. Bei einem Satz von zehn Dokumenten (115 KB) baute Claude ein Wiki mit 68 Seiten, 255 Links und 203 KB, also das 1,77-Fache. Anthropic schreibt, es habe „praktisch nichts abstrahiert“. Beim großen Stainless-Korpus mit rund 350.000 Dateien half das Wiki dagegen: Nach 128 Dreaming-Sitzungen stieg die Trefferquote von 13 auf 48 Prozent, mit zusätzlicher Suche auf 61 statt 53 Prozent. Bei Aufgaben, deren Antwort in einem einzigen Dokument stand, brachte es keinen klaren Vorteil.

Gemeinsames Schreiben zerstört Wissen. Als mehrere Agenten in dieselbe Vertragstabelle schrieben, überschrieben sie sich gegenseitig. Nur 41 von 57 geprüften Fakten (72 %) blieben erhalten. Mit einer Seite pro Vertrag waren es alle 57. Für Notions Modell, bei dem mehrere Assistenten in dieselbe Datenbank schreiben, ist das ein bemerkenswerter Befund. Notion begegnet ihm mit der Regel, bestehende Seiten zu aktualisieren statt Dubletten anzulegen.

Falsche Erinnerungen wirken dauerhaft. Anthropic warnt: Eine schlechte Notiz im vorab geladenen Kontext landet in jeder Sitzung. Im Pokémon-Test lief Claude wegen einer falsch notierten Ortsangabe dreimal über eine Klippe, die man nur in eine Richtung überqueren kann. Erst das Dreaming fand den Fehler. Dazu kommt das Sicherheitsrisiko: Laut einer Analyse der Cloud Security Alliance können manipulierte Agent-Skills Anweisungen in CLAUDE.md oder AGENTS.md schreiben, die bestehen bleiben, auch nachdem der Skill entfernt wurde. Die Sicherheitsfirma Snyk fand im Februar unter 3.984 untersuchten Skills 76 mit bestätigtem Schadcode.

Praktiker misten aus. Ein Hacker-News-Nutzer berichtet, er habe das automatische Gedächtnis überall abgeschaltet. Was Claude Code anlege, lösche er zu etwa 95 Prozent, weil es fast immer nur für die gerade laufende Aufgabe gelte.

Und die Assistenten im Alltag?

Dass Gedächtnis gebraucht wird, belegen unabhängige Benchmarks. Laut LongMemEval verlieren kommerzielle Chat-Assistenten und Modelle mit langem Kontextfenster über ausgedehnte Gespräche rund 30 Prozent Genauigkeit. Im PersonaMem-v2-Paper erreichen Spitzenmodelle beim Erkennen unausgesprochener Vorlieben nur 37 bis 48 Prozent. Ein Agenten-Gedächtnis mit 2.000 statt 32.000 Tokens kam dort auf 55 Prozent. Diese Werte sind mit Memorillas Zahlen nicht direkt vergleichbar, weil Aufgabenformat und Modelle andere sind.

Bei den großen Apps ist das Gedächtnis inzwischen meist einsehbar. Bei Claude findest du es unter „Einstellungen > Your Claude > Manage“, einzelne Themen lassen sich lesen, ändern und löschen. Wichtig: Löschst du einen Chat, bleiben die daraus entstandenen Erinnerungen bestehen. Bei Gemini lassen sich gespeicherte Infos unter „Persönlicher Kontext“ bearbeiten. Bei ChatGPT kannst du laut OpenAI einzelne Erinnerungen löschen oder alle zurücksetzen. Bei Meta ist das Bild uneinheitlich. Im Muse-Agenten liegt laut Nutzeranleitungen eine editierbare MEMORY.md. Metas Hilfetext warnt aber, Muse könne sich auch nach dem Löschen noch an daraus Gelerntes erinnern. Für das „Active Memory“ von Muse Wonder dokumentiert Meta weder, wo es liegt, noch wie man es einsehen kann. Die von Meta genannten Verbesserungen von 76 auf 90 Prozent stammen aus eigenen Tests.

Einordnung

Die drei Ansätze stehen für einen echten Zielkonflikt. Textbasiertes Gedächtnis wie bei Anthropic und Notion ist prüfbar und korrigierbar, wächst aber leicht ins Unbrauchbare. Latentes Gedächtnis wie Memorilla ist extrem kompakt und findet schwache Zusammenhänge, die eine Suche übersieht. Dafür kann niemand nachlesen, was das Modell „erinnert“, und genaue Namen gehen verloren. Ein Entwicklerteam hat Memorilla in einem öffentlichen GitHub-Issue genau deshalb vorerst abgelehnt: Es lässt sich nicht nachvollziehen, welche Lektion ein Lauf benutzt hat.

Unsere Einschätzung: Nicht die Menge des Gedächtnisses entscheidet, sondern das Urteil darüber, was es wert ist, behalten zu werden, und ob ein Modell seine Notizen überhaupt liest. Dass Anthropic offen zeigt, wie wenig ältere Modelle profitieren und wie ein Wiki aufbläht, ist ehrlicher als viele Produktankündigungen. Viele Vergleiche beruhen aber auf einzelnen Durchläufen oder einem einzigen Benchmark. Memorillas Ergebnisse sind selbst gemeldet und bisher nicht nachgeprüft. Bei Notion ist unklar, wie zuverlässig verschiedene Assistenten die gemeinsame Datenbank tatsächlich nutzen.

Für Nutzer heißt das praktisch: Schau dir regelmäßig an, was dein Assistent über dich gespeichert hat, lösch Veraltetes und bevorzuge Systeme, deren Gedächtnis du lesen kannst. Ein Gedächtnis, das du nicht prüfen kannst, kann auch Fehler oder eingeschleuste Anweisungen enthalten, ohne dass du es merkst.