Wie wir ein Gedächtnissystem gebaut haben, das denkt wie ein Gehirn

Aktualisiert am 31. Oktober 2026. Testzahlen der offenen Pakete auf den Stand von v0.6.1 gebracht.

Ergänzt am 11. Oktober 2026. Dieser Text erzählt, wie das Gedächtnis in ZenAI entstand, dem Produktivsystem, aus dem ZenBrain hervorging. Was die offene Bibliothek selbst heute tut, steht in der README-Tabelle What runs on its own, and what you call yourself. Berichtigt: die Behauptung, kein Wettbewerber habe Sleep Consolidation, eine nicht gemessene Verbesserung um 30 %, ein Satz über interne Tests, der unserer Korrektur-Notiz widerspricht, und veraltete Paketzahlen.

Der Startpunkt: ein Vektor-Store

Wie jedes KI-Projekt im Jahr 2024 begannen wir mit einem einfachen Muster: Text einbetten, Vektoren speichern, nach Ähnlichkeit abrufen. Nach etwa zwei Wochen hatten wir einen funktionierenden Prototyp.

Und nach etwa drei Wochen merkten wir, dass das nicht reichte.

Das Problem war nicht die Abrufgenauigkeit. Cosine Similarity findet relevanten Text erstaunlich gut. Das Problem war alles andere:

• Das System konnte nicht vergessen. Irrelevante Notizen von vor Monaten verschmutzten jede Abfrage.
• Es hatte kein Zeitgefühl. Ein gestern gelernter Fakt hatte dasselbe Gewicht wie einer aus dem letzten Jahr.
• Es konnte keine Ideen verbinden. Zwei verwandte Konzepte, getrennt gespeichert, blieben für immer getrennt.
• Es wurde durch Nutzung nicht besser. Je mehr man speicherte, desto verrauschter wurde es.

So ging es unserem ersten Prototyp: Er wuchs im Speicher und verlor an Qualität. Mehr Daten machten ihn nicht klüger. Sie machten ihn lauter.

Der Neurowissenschaften-Umweg

Ich verbrachte zwei Monate damit, neurowissenschaftliche Papers zu lesen, statt Code zu schreiben. Es war die beste Investition des gesamten Projekts.

Das menschliche Gehirn hat nicht ein Gedächtnissystem. Es hat mindestens fünf, je nachdem, wie man zählt. Jedes dient einem anderen Zweck, arbeitet auf anderen Zeitskalen und versagt auf andere Weise. Intelligentes Gedächtnis entsteht aus dem Zusammenspiel zwischen ihnen.

Drei Papers haben alles verändert:

Stickgold & Walker (2013) zeigten, dass die Gedächtniskonsolidierung im Schlaf für das Lernen unerlässlich ist. Das Gehirn speichert Erinnerungen nicht einfach nur ab, während Sie schlafen. Es spielt sie aktiv erneut ab, stärkt wichtige Verbindungen und baut schwache ab. Deshalb wachen Sie manchmal mit der Lösung für ein Problem auf, an dem Sie festhingen.

Ebbinghaus (1885) hat das Vergessen quantifiziert. Die Vergessenskurve verläuft exponentiell, aber jede Wiederholung setzt sie zurück und flacht sie ab. Das wurde die Grundlage unseres Verfallsmodells.

Hebb (1949) schlug vor, dass Neuronen, die gemeinsam feuern, sich miteinander verknüpfen. Dieses einfache Prinzip (gemeinsame Aktivierung stärkt Verbindungen) wurde zu unserem Wissensgraph-Modell.

Schicht für Schicht bauen

Wir haben nicht alle sieben Schichten auf einmal gebaut. Wir begannen mit drei (Arbeitsgedächtnis, episodisches Gedächtnis, Langzeitgedächtnis) und fügten die übrigen hinzu, sobald wir die Probleme verstanden, die sie lösten.

Das Problem des Arbeitsgedächtnisses

Das Arbeitsgedächtnis ist begrifflich am leichtesten zu fassen und am schwersten korrekt umzusetzen. Beim Menschen hält das Arbeitsgedächtnis etwa 7 Elemente und erneuert sich ständig. In einem KI-System lautet die Frage: Was zählt als „Element“?

Unsere Lösung in ZenAI: Das Arbeitsgedächtnis war an die Sitzung gebunden, in der Kapazität begrenzt und nach Priorität geordnet. Während das System eine Anfrage verarbeitete, hielt das Arbeitsgedächtnis den relevantesten jüngsten Kontext. Wechselten Sie das Thema, wurde es geleert und neu geladen. Das verhinderte das Problem der „Themenkontamination“, bei dem Kontext aus einem Gespräch in ein anderes durchsickert.

Die Trennung von episodisch und semantisch

Das war Tulvings zentrale Einsicht: „Ich habe mittags Pasta gegessen“ ist etwas grundlegend anderes als „Pasta ist ein italienisches Gericht“. Das Erste ist eine persönliche Erfahrung, gebunden an Zeit und Ort. Das Zweite ist abstraktes Wissen.

Wir haben diese Unterscheidung implementiert. Wenn Sie „wir haben im gestrigen Meeting entschieden, PostgreSQL zu verwenden“ über den MemoryCoordinator von ZenBrain speichern, wird daraus eine Episode mit Zeitpunkt, Kontext und emotionalem Gewicht, sofern dieses Gewicht über 0,5 liegt, andernfalls ein Fakt. Jeder Aufruf von consolidate() macht aus jeder emotional gewichteten Episode unter den 100 jüngsten einen semantischen Fakt, und zwar aus jeder nur einmal; im menschlichen Gehirn kristallisieren sich wiederholte Episoden auf ähnliche Weise zu allgemeinem Wissen.

Der Vergessens-Durchbruch

Entgegen der Intuition entstand der deutlichste Unterschied, den wir wahrnahmen, durch die Implementierung des Vergessens.

Vor dem aktiven Vergessen musste sich jede Abrufanfrage durch alle gespeicherten Erinnerungen arbeiten. Das Signal-Rausch-Verhältnis wurde schlechter, je größer der Speicher wurde. Nachdem wir in ZenAI den Ebbinghaus-Verfall implementiert hatten, verblassten Erinnerungen, auf die nicht zugegriffen wurde. Sie wurden nicht gelöscht, nur zurückgestuft; bei einem erneuten Zugriff wurden sie stärker. In den quelloffenen Paketen ist der Ebbinghaus-Verfall eine Funktion in @zensation/algorithms; im MemoryCoordinator verfällt nur das Arbeitsgedächtnis, und der Abruf ordnet nicht nach Abrufbarkeit.

Wir nahmen den Effekt als deutlich wahr; gemessen oder veröffentlicht haben wir ihn nie. In der NoDecay-Ablation des Papers kostet das Vergessen kaum Abrufpräzision (ΔP@5 = 0,002 zugunsten der Variante ohne Verfall).

Sleep Consolidation in ZenAI

Auf dieses Feature bin ich am meisten stolz. Konsolidierung in Leerlaufzeiten verfolgen auch andere, zum Beispiel Letta Code unter dem Namen „dreaming“.

In ZenAI wurde in Leerlaufphasen (wenn das System keine Anfragen verarbeitete) die Sleep Compute Engine aktiv:

1. Selektion: Ermittelt neue Erinnerungen mit hoher Wichtigkeit, die noch nicht konsolidiert wurden
2. Replay: Bewertet jede Erinnerung im Kontext von allem, was das System sonst weiß, neu
3. Stärkung: Verstärkt mit Hebb'scher Dynamik die Verbindungen zwischen verwandten Erinnerungen
4. Pruning: Schwächt Verbindungen, die nicht aktiviert wurden, und entfernt sie schließlich

Das Ziel: ein Gedächtnissystem, das sich mit der Zeit verbessert, nicht weil es mehr speichert, sondern weil es besser ordnet. Gezeigt ist das bisher nur in der Simulation des Papers; der einzige Lauf der Schlafschleife auf echten Daten im Ergebnisinventar des Papers zeigte einen signifikanten Verlust an Abrufpräzision (Korrektur-Notiz vom 18. September 2026). In den quelloffenen Paketen sind Replay und Pruning Funktionen in @zensation/algorithms, die Sie selbst aufrufen; consolidate() im MemoryCoordinator ruft sie nicht auf.

Die RAG-Pipeline

Gedächtnis ist nur die eine Hälfte der Gleichung. Die andere Hälfte ist der Abruf: wie Sie zur richtigen Zeit die richtige Erinnerung finden.

Die RAG-Pipeline von ZenAI, dem Vorgänger von Eigenraum, entwickelte sich über 145 Phasen; sie ist nicht Teil der quelloffenen Pakete. Zu ihr gehörten:

• HyDE (Hypothetical Document Embeddings): Statt direkt nach der Anfrage zu suchen, erzeugen wir eine hypothetische Antwort und suchen nach dieser. Das überbrückt die Vokabularlücke zwischen Fragen und gespeichertem Wissen.
• Cross-Encoder Re-ranking: Nach dem ersten Abruf ordnet ein Cross-Encoder-Modell die Ergebnisse nach semantischer Relevanz neu.
• Self-RAG Critique: Liegt die Konfidenz unter 0,5, formuliert das System die Anfrage automatisch um und versucht es erneut.
• Contextual Retrieval: Nutzt die in der Forschung von Anthropic beschriebene Methode, die nach Angaben von Anthropic Fehlschläge beim Abruf um bis zu 67 % verringert.
• Confidence Scoring: Ein Score aus 4 Komponenten (topScore, avgScore, variance, diversity), der Ihnen sagt, wie verlässlich der abgerufene Kontext ist.

Die Zahlen

Nach 145 Entwicklungsphasen:

• 11.589+ Tests, Stand April 2026 (Backend + Frontend + CLI, 0 Fehlschläge)
• 539 Tests allein für das Algorithmen-Paket, 948 über alle quelloffenen Pakete hinweg (beides Stand v0.6.1)
• 20 Algorithmus-Module (10 Kern + 10 erweitert) im quelloffenen Kern
• 7 Gedächtnisschichten; recall() durchsucht bis zu fünf davon gleichzeitig
• 60 KI-Tools in 14 Kategorien (in ZenAI)
• 4 Kontextschemata mit vollständiger Isolation (in ZenAI)
• Unsicherheitsbänder für die Abrufbarkeit nach FSRS-Art (heuristisch, keine kalibrierten Intervalle), als Funktion in @zensation/algorithms (getRetrievabilityWithCI)

Was wir falsch gemacht haben

Nicht alles hat auf Anhieb funktioniert.

Over-Engineering beim episodischen Gedächtnis: Unsere erste Implementierung speicherte zu viel Kontext pro Episode. Die Verarbeitung war langsam, und der Speicher blähte sich auf. Wir lernten, die wesentlichen Elemente zu erfassen (was, wann, wer, Ergebnis) und den Rest dem semantischen Gedächtnis zu überlassen.

Konsolidierungsfrequenz: Anfangs ließen wir die Konsolidierung stündlich laufen. Das war zu aggressiv: Erinnerungen hatten keine Zeit, Zugriffsmuster anzusammeln. In ZenAI entschieden wir uns für eine tägliche Konsolidierung mit ereignisgesteuerten Mikro-Konsolidierungen für besonders wichtige Einträge; in @zensation/core läuft consolidate(), wann immer Ihre Anwendung es aufruft.

Normalisierung des Wissensgraphen: Ohne Normalisierung dominierten häufig gemeinsam aktivierte Konzepte den Graphen. Ein einzelnes Thema konnte am Ende mit allem verbunden sein, und damit wurde der Graph nutzlos. Eine Hebb'sche Normalisierung auf logarithmischer Skala hat das behoben.

Open Source

Die Algorithmen sind als @zensation/algorithms und @zensation/core auf npm veröffentlicht. Keine externen Abhängigkeiten, TypeScript-nativ, lizenziert unter Apache 2.0.

npm install @zensation/algorithms @zensation/core

GitHub: github.com/zensation-ai/zenbrain

Wir sind überzeugt, dass Gedächtnis zu grundlegend ist, um proprietär zu sein. Wenn Sie KI-Anwendungen bauen, sollten Sie Vergessenskurven und Spaced Repetition nicht von Grund auf neu erfinden müssen.

Wie es weitergeht

Bereits ausgeliefert: Retention-Kurven als generateRetentionCurve in @zensation/algorithms/visualization und die kontextübergreifende Merge-Erkennung als Schicht 7 von @zensation/core (ein Baustein, noch nicht Teil des Abrufs).

Woran wir arbeiten:

• Adaptive Konsolidierung: die Konsolidierungsfrequenz an Nutzungsmuster anpassen
• Gemeinsames Gedächtnis für mehrere Agenten: spezialisierte KI-Agenten eine gemeinsame Wissensbasis teilen lassen

Die Lücke zwischen KI-Gedächtnis und menschlichem Gedächtnis ist noch immer enorm. Aber sie schrumpft.

Wenn Sie an KI-Gedächtnis arbeiten, freuen wir uns, von Ihnen zu hören. Sie finden uns auf GitHub, Twitter oder in den GitHub Discussions.