Aktualisiert am 31. Oktober 2026. Modul- und Testzahlen auf den Stand von v0.6.1 gebracht; die Beschreibung der Schichten bleibt am Code von v0.5.1 geprüft.
Ergänzt am 11. Oktober 2026. Am Code von v0.5.1 berichtigt: die Schichten 6 und 7 (Core Memory und Cross-Context, nicht „Prospective“ und „Long-Term“), welche Mechanismen der MemoryCoordinator selbst nutzt und welche als Funktionen in
@zensation/algorithmsliegen, Modul- und Testzahlen, und der Satz, keines von drei Systemen liefere Schlaf-Konsolidierung aus; Letta Code tut es unter dem Namen „dreaming“.
Das Problem mit dem Status Quo
Ein Vektor-Store ist kein Gedächtnis.
Der Unterschied? Ein Vektor-Store ist ein sehr guter Index. Du speicherst Text, wandelst ihn in Zahlen um und findest später ähnliche Texte wieder. Das funktioniert — für einfache Anwendungsfälle.
Aber stell dir vor, dein Gehirn wäre ein Vektor-Store. Du könntest dich an Fakten erinnern, die ähnlich klingen wie deine Frage. Aber du wüsstest nicht, wann du sie gelernt hast. Du könntest nicht vergessen. Du könntest keine Zusammenhänge zwischen Erinnerungen herstellen, die oberflächlich nichts miteinander zu tun haben. Du könntest nicht schlafen und dabei Gelerntes konsolidieren.
Kurz: Du wärst eine sehr gute Suchmaschine. Aber kein denkendes Wesen.
Was die Neurowissenschaft uns lehrt
Das menschliche Gedächtnis ist kein einzelnes System. Es ist ein Ensemble von spezialisierten Subsystemen, die zusammenarbeiten. Die wichtigsten Erkenntnisse, die unsere Architektur geprägt haben:
Endel Tulving (1972): Die Unterscheidung zwischen episodischem Gedächtnis (konkrete Erlebnisse mit Ort und Zeit) und semantischem Gedächtnis (abstraktes Wissen). Dein Gehirn speichert "Ich war gestern im Meeting mit Maria" anders als "Meetings sollten eine Agenda haben."
Hermann Ebbinghaus (1885): Die Vergessenskurve. Erinnerungen verblassen exponentiell — aber jede Wiederholung macht sie stabiler. Dieses Prinzip ist die Grundlage für Spaced Repetition.
Stickgold & Walker (2013): Schlafkonsolidierung. Während du schläfst, replayed dein Gehirn Erlebnisse des Tages und entscheidet, was ins Langzeitgedächtnis übernommen wird. Wichtige Verbindungen werden gestärkt, irrelevante geschwächt.
Donald Hebb (1949): "Neurons that fire together, wire together." Wenn zwei Konzepte regelmäßig zusammen aktiviert werden, stärkt sich ihre Verbindung. Die Grundlage für assoziatives Lernen.
Von Papers zu Code
Diese Erkenntnisse haben wir in neun grundlegende Algorithmen übersetzt; dazu kommen sechs Komponenten der Predictive Memory Architecture (PMA), die die Memory-Dynamik regieren. Der Algorithmen-Kern ist als @zensation/algorithms auf npm veröffentlicht, eine Bibliothek aus zwanzig Modulen ohne Fremdabhängigkeiten:
Ebbinghaus-Zerfall
Jede Erinnerung hat einen Stabilitätswert S (in Tagen), der bestimmt, wie schnell sie verblasst. Die Kernformel:
Retention = e^(-t / S)
Jeder erfolgreiche Abruf erhöht die Stabilität, bei niedriger Stabilität stärker; jedes Vergessen senkt sie auf ein Zehntel, aber nicht unter einen halben Tag. Emotionale Erinnerungen zerfallen bis zu 3x langsamer. So rechnet das Modul in @zensation/algorithms. Im MemoryCoordinator verfällt nur das Arbeitsgedächtnis; im Langzeitgedächtnis verfällt und verschwindet nichts von selbst, forget(id, layer) löscht auf Anfrage.
Hebbianische Dynamik
Die Hebb-Funktionen in @zensation/algorithms stärken eine Kante, wenn zwei Konzepte wie "React" und "Performance" zusammen auftreten. Je öfter sie zusammen auftauchen, desto stärker die Assoziation.
Dieselben Funktionen normalisieren die Verbindungsstärken, sodass kein Konzept alle anderen dominiert, und lassen ungenutzte Verbindungen zerfallen. Den Wissensgraphen dafür führst du selbst; @zensation/core hat keinen.
FSRS (Free Spaced Repetition Scheduler)
Basierend auf dem SuperMemo-Algorithmus, aber modernisiert. FSRS plant, wann du Wissen wiederholen solltest, um es optimal im Langzeitgedächtnis zu verankern. Jede Bewertung (1-5) passt die Intervalle an. Der Scheduler von ZenBrain arbeitet nach FSRS-Art: Er folgt der Form der Updates von FSRS, nicht dessen angepassten Parametern.
Bayesianische Konfidenz
Nicht jede Information ist gleich sicher. Die Bayes-Funktionen in @zensation/algorithms aktualisieren die Konfidenz einer Aussage, wenn du neue Evidenz über einen Wissensgraphen weitergibst, den du selbst führst: Unterstützung hebt sie, Widerspruch senkt sie. Das Modul intervals liefert dazu Unsicherheitsgrenzen, die mit jedem Weitergabeschritt breiter werden. Der MemoryCoordinator nutzt beides nicht.
Die sieben Schichten
ZenBrain teilt das Gedächtnis in sieben Schichten; der MemoryCoordinator nutzt von den Algorithmen oben die Wiederholungsplanung nach FSRS-Art, dazu das emotionale Tagging:
| Schicht | Funktion | Inspiration |
|---|---|---|
| Working Memory | Aktiver Fokus (aktuelle Aufgabe) | Baddeley & Hitch (1974) |
| Short-Term Memory | Session-Kontext (letzte Minuten) | George Miller (1956) |
| Episodic Memory | Konkrete Erlebnisse mit Kontext | Tulving (1972) |
| Long-Term Semantic Memory | Fakten und Konzepte, mit Plan nach FSRS-Art | Tulving (1972) |
| Procedural Memory | Abläufe und Prozesse | Squire (1992) |
| Core Memory | Angeheftete Kernfakten, in jedem Abruf | MemGPT (Packer et al., 2023) |
| Cross-Context Memory | Entitäten über Kontexte hinweg (Baustein, nicht Teil des Abrufs) | – |
Der MemoryCoordinator wählt beim Speichern die Schicht, durchsucht beim Abruf bis zu fünf Schichten zugleich und macht emotional gewichtete Episoden zu Fakten, wenn du consolidate() aufrufst.
Sleep Consolidation in der Bibliothek
Konsolidierung im Leerlauf verfolgen inzwischen auch andere, etwa Letta Code unter dem Namen „dreaming“. In ZenBrain besteht die Schlaf-Konsolidierung aus drei Funktionen in @zensation/algorithms, die du selbst aufrufst:
selectForReplay()wählt Erinnerungen nach Abrufhäufigkeit, emotionalem Gewicht und Aktualität aussimulateReplay()erhöht ihre Stabilität und stärkt Hebb'sche KantenpruneWeakConnections()trennt schwache Kanten ab
consolidate() im MemoryCoordinator ruft sie nicht auf. In der Simulation des Papers erhöhte die Schlafschleife die Stabilität um 37 %; der einzige Lauf auf echten Daten zeigte einen Verlust an Abrufpräzision (Korrektur-Notiz vom 18. September 2026).
Open Source, Zero Dependencies
Die fundamentalen Algorithmen sind als @zensation/algorithms Open Source (Apache 2.0). 20 Algorithmen-Module (10 core, 10 advanced), 539 Tests im Paket und 948 über alle Pakete (beides Stand v0.6.1), null externe Abhängigkeiten. TypeScript-native. Die 6 PMA-Komponenten sind im Paper beschrieben und nicht Teil der quelloffenen Pakete.
Warum null Dependencies? Weil ein Gedächtnissystem das Fundament deiner Anwendung ist. Es sollte stabil, überprüfbar und frei von Supply-Chain-Risiken sein.
npm install @zensation/algorithms @zensation/core
Was kommt als Nächstes
Seit diesem Beitrag gibt es beides, woran wir damals arbeiteten: generateRetentionCurve in @zensation/algorithms liefert die Datenpunkte einer illustrativen Vergessenskurve für ein Chart, generateScheduleTimeline die eines Plans nach FSRS-Art, und Schicht 7 (Cross-Context) schlägt als experimenteller Baustein in @zensation/core ähnlich benannte Entitäten zum Zusammenführen vor; Teil des Abrufs ist sie noch nicht.
Die Neurowissenschaft hat noch viel mehr zu bieten. Wir übersetzen es — ein Algorithmus nach dem anderen.
Für einen Deep-Dive in die technische Architektur, lies unseren Post über die 7-Layer Memory Architecture. Im nächsten Post geht es um eine Werteentscheidung: Warum wir Self-Hosting wählen statt die Cloud.