Zum Inhalt springen
zensation
🔬

Forschungsüberblick

Drei Tracks, Architektur und Agenda

📐

Methodik

Operative Standards und Validierung

📄

Publikationen

Preprints, Software, Identifikatoren

⚖️

Forschungsethik

Grundrechtsbezug und Compliance

🏛️

Behörden & Förderung

Kooperationen im öffentlichen Sektor

🧰

Ressourcen

Code, Daten, Zitation, Open Science

ÜberOpen SourceEntwicklerBlog
Kontakt
zensation
🔬Forschungsüberblick📐Methodik📄Publikationen⚖️Forschungsethik🏛️Behörden & Förderung🧰Ressourcen
ÜberOpen SourceEntwicklerBlogKontakt
Blog→Engineering
Engineering

Eine Architektur für Gedächtnis: die ersten Skizzen

Alexander Bering
Alexander Bering
23. Juli 2024 · 3 min Lesezeit

Von der Frage zur Skizze

Lange blieb das Problem eine Frage: Ein System kann abrufen, aber es erinnert sich nicht. Mitte 2024 wurde daraus eine Skizze — der erste konkrete Versuch, auf Papier zu beschreiben, was ein Memory-Subsystem für ein KI-System enthalten müsste. Wir gaben der Skizze einen Arbeitsnamen, ZenBrain, vor allem, um mit ihr streiten zu können.

Die Ausgangsentscheidung war bewusst und ein wenig unmodisch: nicht von dem her zu entwerfen, was bequem zu bauen ist, sondern von dem her, was über die Organisation des Gedächtnisses bekannt ist — und erst dann zu fragen, was implementierbar ist. Die Literatur dazu ist alt und ungewöhnlich solide.

Die Befunde, die die Skizze achten musste

Vier Ergebnisse prägten sie am stärksten.

Tulving (1972) trennt episodisches Gedächtnis — konkrete Erfahrungen, gebunden an Zeit und Ort — vom semantischen Gedächtnis, dem aus ihnen destillierten abstrakten Wissen. „Wir haben am Dienstag über das Budget gesprochen" wird anders gespeichert als „Budgets brauchen Verantwortliche". Ein ernstzunehmendes Gedächtnis braucht beides und einen Weg, vom Ersten zum Zweiten zu gelangen.

Ebbinghaus (1885) beschrieb die Vergessenskurve: Erinnerungen zerfallen exponentiell, doch jede gut getimte Wiederholung flacht die Kurve ab. Vergessen ist in dieser Sicht kein wegzukonstruierender Defekt. Es ist der Mechanismus, der das Wichtige vom Beiläufigen trennbar hält.

Hebb (1949): Wiederholte Ko-Aktivierung stärkt eine Verbindung. Assoziation ist etwas, das mit dem Gebrauch anwächst — keine statische Verknüpfung, einmal beim Schreiben gezogen.

Sleep Consolidation (in der Tradition von Stickgold und Walker) legt nahe, dass ein Teil der wichtigsten Gedächtnisarbeit offline geschieht — den Tag wiederabspielen, das Wichtige stärken, den Rest schwächen. Das heißt: Ein Memory-System braucht einen Hintergrundprozess, nicht nur einen Lese- und einen Schreibpfad.

Was die erste Skizze vorschlug

Aus diesen Festlegungen ergab sich eine frühe Form: nicht ein Memory Store, sondern mehrere, jeder mit eigener Rolle — ein aktiver Arbeitsfokus, ein Kurzzeit-Sitzungskontext, ein episodisches Protokoll konkreter Ereignisse, ein Langzeitspeicher destillierten Wissens, ein prozedurales Gedächtnis für gelernte Routinen und ein kleines Set angepinnter, stets präsenter Fakten. Konsolidierung würde Informationen über die Zeit zwischen ihnen bewegen, nicht im Moment des Schreibens.

Mitte 2024 war dies ein Diagramm und ein Stapel Referenzen, nicht mehr. Es gab keinen Code, kein Benchmark, keine Behauptung, dass es funktionieren würde. Was es hatte, war eine Eigenschaft, die uns wichtig war: Jeder Teil ließ sich auf einen dokumentierten Mechanismus zurückführen und im Prinzip messen. Ob die Teile zu etwas Besserem als einem Vector Store zusammenfinden würden, war genau die offene Frage — und der Grund, zu bauen.

Gefällt dir dieser Artikel? Erhalte mehr davon.

Auf X teilenAuf LinkedIn teilen
ZenAI ausprobieren

KI-Assistent mit 7-Layer-Gedächtnis — kostenlos starten.

Kostenlos starten

Ähnliche Artikel

91 % der Genauigkeit bei 1 % der Tokens — die Pareto-Position für AI-Memory

Auf LongMemEval-500 erreicht ZenBrain 91,3 % der Genauigkeit eines Long-Context-Oracles — bei 1/106 des Token-Budgets pro Anfrage. Das Oracle gewinnt um 4,5 Prozentpunkte, verbrennt dafür 106-fach mehr Tokens und hat keinerlei Memory-Architektur.

Warum wir 11.589 Tests für ein Solo-Projekt geschrieben haben

11.589 Tests. 24 absichtlich übersprungen. 0 Fehler. Warum ein Solo-Entwickler mehr Tests geschrieben hat als die meisten finanzierten Teams — und warum das die beste Entscheidung des Projekts war.

Wie wir A-RAG gebaut haben: Wenn Retrieval nachdenkt, bevor es sucht

Standard-RAG macht eines: einbetten, suchen, zurückgeben. A-RAG plant die Retrieval-Strategie, bevor es ausführt — mit Qualitäts-Gate, Self-RAG-Kritik und adaptiver Gewichtung.

Bleib auf dem Laufenden

Erhalte Benachrichtigungen zu neuen Posts über KI-Gedächtnis, Self-Hosting und intelligente Systeme.

Kein Spam. Jederzeit abmelden. DSGVO-konform.

Newsletter

Kein Spam. DSGVO-konform.

© 2026 Alexander Bering / ZenSation Enterprise Solutions

StartseiteForschungMethodikForschungsethikBehördenPublikationenRessourcenZenAIOpen SourceDevelopersTechnologieÜber unsBlogChangelogDatenschutzImpressum
Download on theApp Store
GitHubLinkedInarXivZenodoORCIDScholarSemantic ScholarHuggingFacenpmDiscord