Clarify Complexity. More than just AI.
Neuroscience Memory
for AI Agents.
Der kognitive Kern unserer Anwendungen — quelloffen, getestet, extrahiert aus unserem Produktivsystem. 9 fundamentale Algorithmen, die Ihrer KI beibringen, sich zu erinnern, zu vergessen und zu schlafen.
In 30 Sekunden zum ersten Memory.
Kein Account, keine Cloud, keine Konfigurationsdatei — Node 22+ und zwei Pakete.
npm install @zensation/core @zensation/adapter-sqliteimport { MemoryCoordinator } from '@zensation/core';
import { createMemoryAdapter } from '@zensation/adapter-sqlite';
const memory = new MemoryCoordinator({
storage: await createMemoryAdapter()
});
await memory.store('Project deadline is Friday');
const recall = await memory.recall(
'When is the deadline?'
);
console.log(recall);[
{
"id": "4fe78358-ca39-4f21-952a-840eb8463652",
"content": "Project deadline is Friday",
"layer": "semantic",
"score": 0.29525619714283413,
"confidence": 0.7,
"metadata": { "source": "user", "accessCount": 0 }
}
]In Claude Code geht es ohne eigenen Code: Das Plugin bringt fünf Gedächtniswerkzeuge und eine lokale Datei, kein Konto. Gedächtnis für Claude Code in einer Zeile →
Extrahiert aus über 440.000 Zeilen Production-Code.
ZenBrain stammt aus einem Produktivsystem: Wir haben den Memory-Kern aus ZenAI extrahiert, unserem ersten Produkt mit über 12.000 Tests (Stand August 2026), damit Sie die Algorithmen nutzen können.
9 grundlegende Algorithmen + 6 PMA-Komponenten.
ZenBrain umfasst 9 grundlegende Algorithmen, darunter Wiederholungsplanung nach FSRS-Art, Hebbian, Sleep Consolidation und Bayesian Confidence; das Paket @zensation/algorithms liefert sie in 20 Modulen quelloffen aus (zero dependencies); plus 6 Komponenten der Predictive Memory Architecture (PMA), die die Memory-Dynamik regieren; sie sind im Paper beschrieben und nicht Teil der quelloffenen Pakete: NeuromodulatorEngine, ReconsolidationEngine, TripleCopyMemory, PriorityMap, StabilityProtector, MetacognitiveMonitor.
Hebbian Learning
Synapsen stärken durch Co-Aktivierung
Hebb 1949Spaced Repetition nach FSRS-Art
Wiederholungsplanung nach FSRS-Art
FSRS-Projekt (open-spaced-repetition)Sleep Consolidation
Simuliertes Replay nach dem Vorbild des Schlafs
Stickgold & Walker 2013Ebbinghaus Decay
Vergessenskurve mit adaptiven Intervallen
Ebbinghaus 1885Bayesian Confidence
Konfidenz-Propagation im Graphen (Bayes-artig, noisy-OR)
@zensation/algorithms/bayesianEmotional Tagging
Emotionale Inhalte zerfallen langsamer
Cahill & McGaugh 1998Personalized PageRank
Assoziative Suche im Graphen
HippoRAG 2 (2025)Context-Dependent Retrieval
Abruf nach Kontext (Encoding Specificity)
Tulving 1973Consolidation
Emotional gewichtete Episoden werden zu Fakten
@zensation/coreUncertainty Bands
Für Abrufwahrscheinlichkeit und Propagation (heuristisch, Wald-Typ)
@zensation/algorithms/intervalsCross-Context (experimentell)
Zusammenführungs-Kandidaten zwischen Kontexten finden
@zensation/coreRetention Visualization
Ebbinghaus-Kurven als Datenpunkte exportieren
Ebbinghaus 1885Neuromodulation
Dopamin, NE, 5-HT, ACh — vier Kanäle mit tonischer + phasischer Dynamik
Schultz 1997 · Aston-Jones 2005Reconsolidation
Erinnerung wird beim Abruf labil — vier PE-gegatete Update-Modi mit Rollback
Nader 2000 · Schiller 2010Triple-Copy Memory
Drei Spuren mit divergenter Dynamik — Fast (4 h), Medium (14 d), Deep (logarithmisch)
Squire & Bayley 2007Ein Coordinator. 7 Memory Layers.
Der MemoryCoordinator wählt beim Speichern die Schicht, sucht beim Abruf in bis zu fünf Schichten zugleich und überführt emotional gewichtige Episoden in Fakten.
import { MemoryCoordinator }
from '@zensation/core';
import { createMemoryAdapter }
from '@zensation/adapter-sqlite';
const memory =
new MemoryCoordinator({
storage: await createMemoryAdapter()
});
// Store — auto-routes
await memory.store(
'TypeScript has generics'
);
// Recall — cross-layer
const results =
await memory.recall(
'What do I know about TypeScript?'
);
// Consolidate — episodes to facts
await memory.consolidate();Souverän — läuft in Ihrem Stack
ZenBrain ist der Gedächtnis-Kern, nicht das Modell und nicht die Infrastruktur — es läuft in Ihrem Stack: Ihr LLM (Mistral, Llama oder was Sie wählen), Ihre Inferenz (vLLM, Ollama), Ihre Datenbank (PostgreSQL/SQLite), Ihre Infrastruktur. Kein Cloud-Zwang, keine Anbieter-Bindung — ein souveräner Memory-Layer für europäische KI-Stacks.
Einordnen
Wie sich ZenBrain zu anderen offenen Gedächtnissystemen verhält, steht auf eigenen Seiten. Jede Zahl dort trägt Methode und Quelle.
Zwei Kernpakete. Ein System.
@zensation/algorithms ist der pure Kern — zero dependencies, jede Funktion einzeln importierbar. @zensation/core verbindet die Schichten im MemoryCoordinator und nutzt daraus die Wiederholungsplanung nach FSRS-Art und das emotionale Tagging.
npm i @zensation/corenpm i @zensation/algorithms# published with v0.3# published with v0.3Open Source heißt: zusammen bauen.
Apache 2.0. Contributions willkommen. Kein CLA nötig.
GitHub
Source Code, Issues, Discussions
Repository →GitHub Discussions
Fragen, Ideen, Show & Tell, Release-Updates
Öffnen →Contributing
CONTRIBUTING.md lesen, Issue aussuchen, PR öffnen
Guide lesen →Was als Nächstes kommt.
MemoryCoordinator, Sleep Consolidation, 276 Tests
März 2026Zehn weitere Algorithmen (20 Module), 429 Tests
Q2 2026Node 22+, MCP-Server und AI-SDK-Middleware auf npm
August 2026Vergessen nach ID (auch per MCP), PostgreSQL mit pgvector in der CI, README trennt System und Algorithmen-Bibliothek
Oktober 2026Vergessen folgt der Konsolidierung, ein Score von 0 bis 1 in jeder Schicht, ai-sdk fügt nur Erinnerungen mit Score über 0 ein
Oktober 2026 · Patch v0.6.1 am 31. OktoberAPI-Stabilität (Semver 1.0). Wird getaggt, sobald zwei aufeinanderfolgende Minor-Releases ohne Breaking Change an der öffentlichen API von @zensation/algorithms und @zensation/core erschienen sind.
Kein Kalenderdatum.Häufige Fragen.
Was ist der Unterschied zwischen ZenBrain und Eigenraum?
ZenBrain ist der extrahierte, quelloffene Kern der Memory-Algorithmen. Eigenraum by ZenSation ist unsere KI-Arbeitsumgebung, die darauf aufbaut, die erweiterte Fassung unseres ersten Produkts ZenAI. Wer eigene Systeme bauen will → ZenBrain.
Brauche ich eine Datenbank?
Keinen Datenbankserver. @zensation/algorithms ist zero-dependency und läuft komplett in-memory. Für Persistenz sind beide Adapter auf npm veröffentlicht: adapter-sqlite (zero-config, läuft auch rein im Speicher) und adapter-postgres (pgvector). Der MemoryCoordinator braucht einen Storage-Adapter — adapter-sqlite ist der kleinste.
Welche LLMs werden unterstützt?
ZenBrain ist LLM-agnostisch und läuft auch ohne Embedding-Anbieter, dann mit lexikalischem Ranking. Embeddings können von OpenAI, Mistral, Ollama oder einem eigenen Modell kommen.
Ist ZenBrain production-ready?
Die Algorithmen stammen aus ZenAI (440K+ LOC, über 12.000 Tests, Stand August 2026), wo sie im Produktivbetrieb liefen. Die extrahierten Pakete haben zusammen 948 eigene Tests (Stand v0.6.1). API-Stabilität (Semver 1.0) ist geplant. Die Pakete sind pre-1.0 und die öffentliche API kann sich noch ändern; v1.0.0 wird getaggt, sobald zwei aufeinanderfolgende Minor-Releases ohne Breaking Change erschienen sind. Ein Kalenderdatum sagen wir nicht zu.
Wie unterscheidet sich ZenBrain von Mem0?
Mem0 beschreibt sich als Gedächtnisschicht für KI-Assistenten und Agenten, selbst gehostet oder als Cloud-Dienst. ZenBrain trennt sieben Schichten und liefert Wiederholungsplanung nach FSRS-Art, Hebbsches Lernen, Schlaf-Replay und Unsicherheitsbänder als einzeln importierbare Funktionen, self-hosted und TypeScript-nativ; algorithms und core ohne Fremdabhängigkeiten. Der ausführliche Vergleich steht unter „ZenBrain vs Mem0“.
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.