Zum Inhalt springen
zensation

Forschung

🔬

Forschungsüberblick

Drei Tracks, Architektur und Agenda

📐

Methodik

Operative Standards und Validierung

📄

Publikationen

Preprints, Software, Identifikatoren

⚖️

Forschungsethik

Grundrechtsbezug und Compliance

🧰

Ressourcen

Code, Daten, Zitation, Open Science

Zusammenarbeit & Anwendung

🏛️

Behörden & Förderung

Kooperationen im öffentlichen Sektor

🧭

KI einführen

Neutraler Fahrplan & interaktive Simulation

🛡️

Schutz öffentlicher Räume

Track B — grundrechtswahrende Frühwarnung

⚙️

Technologie

ZenBrain — unser quelloffener Kern

PublikationenÜberOpen SourceBlog
Kontakt
zensation

Forschung

🔬Forschungsüberblick📐Methodik📄Publikationen⚖️Forschungsethik🧰Ressourcen

Zusammenarbeit & Anwendung

🏛️Behörden & Förderung🧭KI einführen🛡️Schutz öffentlicher Räume⚙️Technologie
PublikationenÜberOpen SourceBlogKontakt
ZenBrain
ÜberblickAlgorithmenCoordinatorQuick StartArchitekturCommunityFAQ
npm install

Clarify Complexity. More than just AI.

Apache 2.0TypeScriptZero Dependencies

Neuroscience Memory
for AI Agents.

Der kognitive Kern aus ZenAI — extrahiert, getestet, quelloffen. 9 fundamentale Algorithmen, die Ihrer KI beibringen, sich zu erinnern, zu vergessen und zu schlafen.

Hebbian LearningFSRS Spaced RepetitionSleep ConsolidationBayesian ConfidenceEbbinghaus DecayEmotional Tagging7-Layer MemoryMemoryCoordinatorCross-Context
npm install @zensation/core★ GitHub
276Tests
9Open-Source-Algorithmen
0Dependencies
DOIOpen Access
Die Geschichte

Extrahiert aus 348.000 Zeilen Production-Code.

ZenBrain ist kein Experiment. Es ist der quelloffene Memory-Kern hinter ZenAI — unserem KI-Betriebssystem mit 11.589 Tests und 7 kognitiven Säulen. Wir haben die Memory-Algorithmen extrahiert, damit Sie sie nutzen können.

ZenAI348K LOC11.589 TestsProduction AI OS
→
Extraktion9 Algorithmen7 LayerNeuroscience Kern
→
ZenBrainnpm Pakete276 TestsOpen Source Apache 2.0
ZenAI entdecken →
Algorithmen

15 Algorithmen. 9 fundamentale + 6 PMA-Komponenten.

ZenBrain umfasst 15 neurowissenschaftlich fundierte Algorithmen: 9 fundamentale Mechanismen — FSRS, Hebbian, Sleep Consolidation, Bayesian Confidence und weitere — quelloffen als @zensation/algorithms (zero dependencies); plus 6 Komponenten der Predictive Memory Architecture (PMA), die die Memory-Dynamik regieren und im Produktivsystem laufen: NeuromodulatorEngine, ReconsolidationEngine, TripleCopyMemory, PriorityMap, StabilityProtector, MetacognitiveMonitor.

9kritisch unter Stress6kooperativ redundant
9 von 15 Algorithmen werden unter Stress individuell kritisch (Decay = 0,25/Tag, 60 Tage Aging). Was unter Normalbedingungen redundant erscheint, ist tatsächlich kooperativ redundant.
🧠

Hebbian Learning

Synapsen stärken durch Co-Aktivierung

Hebb 1949
📊

FSRS Spaced Repetition

Optimales Wiederholungs-timing

Wozniak 2022
🌙

Sleep Consolidation

Memory Replay im Schlaf — wie das Gehirn

Stickgold & Walker 2013
📉

Ebbinghaus Decay

Vergessenskurve mit adaptiven Intervallen

Ebbinghaus 1885
🎯

Bayesian Confidence

Belief-Update mit Prior + Evidence

Bayes 1763
💡

Emotional Tagging

Emotionale Marker für besseren Recall

Damasio 1994
⚡

Activation Spreading

Assoziative Netzwerkaktivierung

Collins & Loftus 1975
🔗

Temporal Context

Zeitbasierte Gedächtniskodierung

Howard & Kahana 2002
🔄

Memory Consolidation

STM→LTM Transfer mit Importance-Scoring

McClelland et al. 1995
📐

Confidence Intervals

95% CI für alle probabilistischen Outputs

Wilson 1927
🧬

Cross-Context Transfer

Wissen über Kontexte hinweg teilen

Tulving 1972
📈

Retention Visualization

Ebbinghaus-Kurven als Datenpunkte exportieren

Ebbinghaus 1885
💊

Neuromodulation

Dopamin, NE, 5-HT, ACh — vier Kanäle mit tonischer + phasischer Dynamik

Schultz 1997 · Aston-Jones 2005
🔁

Reconsolidation

Erinnerung wird beim Abruf labil — vier PE-gegatete Update-Modi mit Rollback

Nader 2000 · Schiller 2010
🧱

Triple-Copy Memory

Drei Spuren mit divergenter Dynamik — Fast (4 h), Medium (14 d), Deep (logarithmisch)

Squire & Bayley 2007
Orchestrierung

Ein Coordinator. 7 Memory Layers.

Der MemoryCoordinator orchestriert alle Schichten — von Working Memory bis Sleep Consolidation. Ein Aufruf. Das System entscheidet.

100%0%t →DeeplogMedium14 dFast4 h
Der MemoryCoordinator orchestriert alle 7 Schichten. Darüber liegt die 6-teilige Predictive Memory Architecture (PMA), die die Memory-Dynamik regiert — TripleCopyMemory ist hier abgebildet.
Auto-Routingstore() erkennt den richtigen Layer automatisch
Cross-Layer RecallEine Query, alle Layer gleichzeitig
ConsolidationSTM→LTM Transfer mit Importance-Scoring
Decay ManagementEbbinghaus + FSRS automatisch
Review QueueFSRS-basierte Wiedervorlage
import { MemoryCoordinator }
  from '@zensation/core';

const memory =
  new MemoryCoordinator();

// Store — auto-routes
await memory.store(
  'TypeScript has generics',
  { context: 'learning' }
);

// Recall — cross-layer
const results =
  await memory.recall(
    'What do I know about TypeScript?'
  );

// Sleep — consolidate
await memory.consolidate();
Working→
Short-Term→
Episodic→
Semantic→
Procedural→
Core→
Cross-Context
Quick Start

In 30 Sekunden zum ersten Memory.

Kein Setup. Keine Konfiguration. Kein Account.

1Installieren
npm install @zensation/algorithms
npm install @zensation/core
2Code schreiben
import { MemoryCoordinator } from '@zensation/core';
import { HebbianLearning, FSRS } from '@zensation/algorithms';

const memory = new MemoryCoordinator({
  algorithms: [HebbianLearning, FSRS]
});

await memory.store('Project deadline is Friday',
  { context: 'work' });

const recall = await memory.recall(
  'When is the deadline?'
);
console.log(recall);
3Ergebnis
{
  "content": "Project deadline is Friday",
  "confidence": 0.94,
  "layer": "short-term",
  "decay": 0.87,
  "nextReview": "2026-03-28T09:00:00Z"
}
Architektur

Zwei Pakete. Ein System.

@zensation/algorithms ist der pure Kern — zero dependencies. @zensation/core orchestriert alles mit dem MemoryCoordinator.

Ihre Applikation
uses
@zensation/core
MemoryCoordinatorstore() · recall() · consolidate() · decay()
Working
Short-Term
Episodic
Semantic
Procedural
Core
Cross-Context
npm i @zensation/core
uses
@zensation/algorithms
0 deps
Hebbian
FSRS
Sleep
Ebbinghaus
Bayesian
npm i @zensation/algorithms
optional
adapter-postgres+ pgvector · Preview# published with v0.3
adapter-sqlitezero-config · Preview# published with v0.3
Community

Open Source heißt: zusammen bauen.

Apache 2.0. Contributions willkommen. Kein CLA nötig.

⭐

GitHub

Source Code, Issues, Discussions

Repository →
💬

Discord

Fragen, Ideen, Show & Tell, Release-Updates

Beitreten →
🤝

Contributing

CONTRIBUTING.md lesen, Issue aussuchen, PR öffnen

Guide lesen →

Was als Nächstes kommt.

v0.2.0

MemoryCoordinator, Sleep Consolidation, 276 Tests

März 2026
v0.3.0aktuell

Algorithmen erweitert & gehärtet; LoCoMo-/LongMemEval-Benchmarks gegen Mem0, Letta und A-Mem

Q2 2026
v0.4.0

Persistenz-Adapter auf npm (Postgres, SQLite) + IDE-/MCP-Integration

2. Halbjahr 2026
v1.0.0

API-Stabilität, ZenBrain Cloud MVP

Q3 2026
FAQ

Häufige Fragen.

Was ist der Unterschied zwischen ZenBrain und ZenAI?

ZenBrain ist der extrahierte, open-source Kern der Memory-Algorithmen. ZenAI ist das fertige KI-Betriebssystem, das auf ZenBrain aufbaut. Wer eigene Systeme bauen will → ZenBrain. Wer das fertige Produkt will → ZenAI.

Brauche ich eine Datenbank?

Nein. @zensation/algorithms ist zero-dependency und läuft komplett in-memory. Optionale Persistenz-Adapter — adapter-postgres (pgvector) und adapter-sqlite (zero-config) — sind in Preview und erscheinen in einem kommenden Release auf npm.

Welche LLMs werden unterstützt?

ZenBrain ist LLM-agnostisch. Die Algorithmen arbeiten auf Embeddings — egal ob von OpenAI, Anthropic, Mistral, Ollama oder einem eigenen Modell.

Ist ZenBrain production-ready?

Die Algorithmen stammen aus ZenAI (348K LOC, 11.589 Tests, seit Monaten in Produktion). Das extrahierte Paket hat 276 eigene Tests. API-Stabilität (Semver 1.0) ist für Q3 2026 geplant.

Wie unterscheidet sich ZenBrain von Mem0?

Mem0 hat 2 Memory-Layer und fokussiert auf Cloud-API. ZenBrain hat 7 Layer, Sleep Consolidation, FSRS, Hebbian Learning, Confidence Intervals — alles self-hosted, zero dependencies, TypeScript-native.

Kann ich nur @zensation/algorithms ohne core nutzen?

Ja. Das algorithms-Paket ist komplett standalone mit zero dependencies. Sie können einzelne Algorithmen importieren und in bestehende Systeme integrieren, ohne den MemoryCoordinator zu verwenden.

© 2026 Alexander Bering / ZenSation Enterprise Solutions

StartseiteForschungMethodikForschungsethikBehördenPublikationenRessourcenKI einführenOpen SourceTechnologieSystem-ExplorerÜber unsBlogRSSChangelogDatenschutzImpressumBarrierefreiheit
GitHubLinkedInarXivZenodoORCIDScholarSemantic ScholarHuggingFacenpmDiscord