15 neurowissenschaftliche Mechanismen über 7 Memory-Layer. Open-Access-Preprint auf arXiv. Alles dokumentiert.
“Gedächtnis ist nicht Speicherung — es ist ein lebendiger Prozess aus Vergessen, Konsolidierung und Wiederentdeckung. Wir haben diesen Prozess in Software übersetzt.”
Unser technisches Paper ist als Open-Access-Preprint auf Zenodo und arXiv verfügbar, ergänzt durch eine Defensive Publication auf Elsevier TDCommons.
We present ZenBrain, a neuroscience-inspired 7-layer memory architecture integrating 15 mechanisms grounded in peer-reviewed neuroscience: 9 foundational algorithms plus a Predictive Memory Architecture (PMA) with NeuromodulatorEngine, ReconsolidationEngine, TripleCopyMemory, PriorityMap, StabilityProtector, and MetacognitiveMonitor. Evaluated across ten experiments on LoCoMo, MemoryAgentBench, MemoryArena, and the LongMemEval-S Full-500 replication. On LongMemEval-500, three of nine head-to-head judge comparisons hold for ZenBrain, all three against A-Mem (Bonferroni-corrected p ≤ 6.2e-31); the remaining six, against Letta and Mem0, are ties at the paper's own criterion, judged at equal evidence depth and under version-matched judges. No comparison is lost. Under the official binary judge, ZenBrain reaches 91.3 % of long-context-oracle accuracy at 1/109.6 of the per-query token budget — the oracle beats ZenBrain by only 4.5 pp while using ~109.6× more tokens and no memory architecture. Sleep consolidation: +37 % stability, −47.4 % storage. TripleCopyMemory retains 91.2 % strength at 30 days. The full 15-mechanism ablation reveals a cooperative survival network where 9 of 15 mechanisms become individually critical under stress (decay=0.25, 60 days). All experiments are reproducible with seeded PRNG; the implementation is released as open-source packages under the @zensation npm scope.
Acht Technologien, die in dieser Kombination produktiv ausgeliefert werden.
Gedächtniskonsolidierung im Leerlauf in Produktion — inspiriert von hippokampalem Replay (Stickgold & Walker 2013). Schwache Verbindungen werden beschnitten, stabile verstärkt.
Unter den hier verglichenen Systemen — Mem0, Letta, Zep — liefert keines Sleep-Time-Konsolidierung aus; die veröffentlichten Entwürfe dazu bleiben Vorschläge.
Quelltext: zenbrain (öffnet in neuem Tab)Vereinheitlichter Orchestrator für 7 Gedächtnisschichten in Produktion — von Working Memory bis Cross-Context Memory. Basiert auf Global Workspace Theory (Baars 1988).
Mem0 liefert 2 Schichten, Letta 3, Zep 2. ZenBrain liefert 7 — eine der tiefsten Memory-Architekturen im heutigen Open-Source-Bereich.
Quelltext: zenbrain (öffnet in neuem Tab)Meta-Agent der Retrieval-Pläne erstellt, bevor eine Suche ausgeführt wird. Heuristik-First mit LLM-Fallback, max. 4 abhängige Schritte.
Eine eigene Planungsschicht vor dem Retrieval, mit heuristischer Vorauswahl: einfache Abfragen erreichen den Planer nie und kosten keinen LLM-Aufruf.
Quelltext: ZenAI-Schnappschuss (8. Mai 2026) (öffnet in neuem Tab)Strukturiertes 3-Runden-Debattenprotokoll wenn Agenten sich uneinig sind. Challenge → Response → Resolution mit automatischer Eskalation.
Nach drei Runden ohne Konsens eskaliert das Protokoll an den Menschen, statt eine Mehrheit auszurechnen.
Quelltext: ZenAI-Schnappschuss (8. Mai 2026) (öffnet in neuem Tab)Automatische Wissenslücken-Erkennung mit quantifiziertem Gap-Score. Analysiert Abfragehistorie, Faktendichte und Konfidenz — empfiehlt gezielte Aktionen.
Die Lücken-Erkennung läuft von selbst und schlägt Aktionen vor, statt auf eine Frage zu warten. Inspiriert von Loewensteins Informationslücken-Theorie (1994).
Quelltext: ZenAI-Schnappschuss (8. Mai 2026) (öffnet in neuem Tab)Vorhersage der Nutzerintention aus temporalen und sequenziellen Mustern. Lernt aus Vorhersagefehlern — je öfter falsch, desto besser die nächste Vorhersage.
Unter den hier verglichenen Systemen — Mem0, Letta, Zep — sagt keines Nutzerintentionen innerhalb der Memory-Schicht selbst aus Verhaltensmustern voraus.
Quelltext: ZenAI-Schnappschuss (8. Mai 2026) (öffnet in neuem Tab)3-stufige rekursive Selbstverbesserung mit formalen Sicherheitsgrenzen. Level 0 optimiert Wissen, Level 1 optimiert Level-0-Strategien, Level 2 optimiert Level-1-Parameter.
3-Ebenen-Rekursion mit immutablen Kerneigenschaften, Tagesbudgets und automatischem Rollback bei Qualitätsverlust: die Selbstverbesserung läuft nur innerhalb dieser Grenzen.
Quelltext: ZenAI-Schnappschuss (8. Mai 2026) (öffnet in neuem Tab)Erkennung und Zusammenführung von Entitäten über 4 isolierte Kontexte (Operations, Finanzen, Team, Strategie). Bayesianische Konfidenz-Updates bei Konflikten.
Unter den hier verglichenen Systemen — Mem0, Letta, Zep — verwaltet keines Entitäts-Identität über isolierte Kontexte hinweg.
Quelltext: zenbrain (öffnet in neuem Tab)Eine eingängige, interaktive Darstellung des gedächtnisbasierten Systems — vom 7-Schichten-Gedächtnis über die neurowissenschaftliche Inspiration bis zum Zusammenspiel der Agenten. Mit Umschalter zwischen einfacher und technischer Erklärung.
Die Idee dahinter in einem Satz: kollektive Intelligenz auf kognitiver Architektur — Mensch und Maschine zusammen, auf einer Struktur, die Wissen behält. Der Explorer unten macht genau diese Architektur greifbar.
Diese Mechanismen laufen echt — die offene Bibliothek live ausführen →
Interaktive Darstellung · am besten am Desktop
Ein funktionierendes System sitzt auf einer schmalen Kante. Verändere die Überlebens-Regel Schritt für Schritt und sieh live, wie das Gitter kollabiert, Struktur trägt oder zuwuchert — die meisten Regeln scheitern, nur ein schmales Band trägt.
Warum uns Qualität nicht optional ist: dieselbe Effizienz, die ein System wertvoll macht, verstärkt jede Regel, die man ihm gibt — im Guten wie im Schlechten.
Die ganze Geschichte — warum Qualität nicht optional ist →
Interaktiv · klick die Nachbarzahlen an oder ab · am besten am Desktop
Die HiMeS-Architektur, inspiriert vom Atkinson-Shiffrin-Modell (1968) und moderner Kognitionswissenschaft.
Aktiver Fokus — 7±2 Items nach Millers Magical Number. Schnellster Zugriff, kürzeste Lebensdauer.
2026Session-Kontext und Gesprächskontinuität. Überlebt die aktuelle Sitzung.
2026Konkrete Erfahrungen mit emotionalem Tagging. 400+ Keyword-Lexikon (DE+EN) für Arousal/Valenz-Scoring.
2026Faktenwissen mit FSRS-Scheduling. Spaced Repetition optimiert Abrufzeitpunkte — 30% besser als SM-2.
2026Abläufe und Skills. Werkzeugketten werden analysiert und optimiert.
2026Unveränderliche Grundlagen nach dem Letta-Pattern. Pinned Facts, die nie vergessen werden.
2026Verknüpfung von Wissen und Entitäten über isolierte Kontexte hinweg — mit Bayesianischen Konfidenz-Updates bei Konflikten.
2026Optimaler Wiederholungszeitpunkt bei ~90% Retention
Exponentieller Verfall mit konfigurierbarer Halbwertszeit
Co-aktivierte Fakten verstärken Verbindungen (×1.09/Aktivierung)
Verhindert unkontrolliertes Wachstum von Kantengewichten
Hippokampales Replay mit +50% Stabilitäts-Boost
Schwache Verbindungen werden im Schlaf beschnitten
Emotionale Erinnerungen verfallen 2,7× langsamer
Konfidenz-Updates über den gesamten Wissensgraphen
Bewusster Zugriff durch kompetitiven Context Assembly
Entropie-basierte Priorisierung neuer Fakten
Systematische Erkennung fehlenden Wissens
7±2 aktive Items im Arbeitsspeicher
Dopamin, NE, 5-HT, ACh — vier Kanäle mit tonischer + phasischer Dynamik
Erinnerung wird beim Abruf labil — vier PE-gegatete Update-Modi mit Rollback
Drei Spuren mit divergenter Dynamik: Fast (4 h), Medium (14 d), Deep (logarithmisch)
6 Strategien, dynamisch ausgewählt pro Anfrage. Nicht eine Pipeline — ein adaptives System.
↻ Self-RAG-Critique: Loop bei Confidence < 0,5
Meta-Agent plant Retrieval-Schritte vor der Ausführung. Heuristik-First, LLM-Fallback.
Event-Subgraph + Semantic Graph + Community Summaries. 5 parallele Strategien.
Automatische Reformulierung bei Konfidenz < 0,5. 4-Komponenten-Scoring.
Hypothetische Antwort → Embedding → Suche. Auto-Detection mit 5s Timeout.
Chunk-Anreicherung nach Anthropic-Methode. +67% Retrieval-Genauigkeit.
BullMQ-Worker überwacht Drift >10%. Automatische Cache-Invalidierung.
Multi-Agenten-Orchestrierung mit strukturierter Debatte, dynamischer Teambildung und rekursiver Selbstverbesserung.
3 Runden: Challenge → Response → Resolution
3-Runden-Debatte bei Uneinigkeit. Challenge → Response → Resolution.
5 Spezialisten-Agenten, automatisch zusammengestellt nach Aufgabentyp.
Rekursive Selbstverbesserung mit Tagesbudgets, Sandbox-Tests und Auto-Rollback.
Pause/Resume mit State-Checkpointing. Langläufige Aufgaben über Tage.
Agent-zu-Agent-Kommunikation nach Google-Standard. /.well-known/agent.json Discovery.
Automatische Verhaltenserkennung ohne explizites Labeling.
Neugier, Vorhersage, Metakognition — drei Säulen kognitiver Intelligenz.
Quantifizierter Gap-Score: Abfragefrequenz × Faktendichte × Konfidenz × RAG-Qualität.
Temporale + sequenzielle Mustererkennung. Lernt aus Vorhersagefehlern.
Konfidenz-Kalibrierung, Verwirrungserkennung, Fähigkeitsprofiling.
4-Tier Denkbudgets: 1K→16K→64K→128K Token. Auto-Detection. 60-80% Kostenersparnis.
Auf LongMemEval-500 erreicht ZenBrain 91,3 % der Long-Context-Oracle-Genauigkeit — bei einem Token-Budget von 1/109,6 pro Anfrage.
In eigenen Messungen auf LongMemEval-500 halten drei von neun paarweisen Vergleichen, alle drei gegen A-Mem, bonferroni-korrigierter p-Wert ≤ 6,2 × 10⁻³¹ über drei unabhängige LLM-Judges. Die sechs gegen Letta und Mem0 sind Gleichstände am Kriterium des Papiers, bei gleicher Evidenztiefe und unter versionsgleichen Richtern; verloren ist keiner.
ZenBrain ist Open Source. Alle Algorithmen, alle Tests, alle Dokumentation — offen einsehbar.
Ein Vektor-Store sucht Ähnlichkeit in einem flachen Index. ZenBrain modelliert Gedächtnis als Prozess: Was wiederholt gebraucht wird, verfestigt sich; was liegen bleibt, verblasst. Sieben Schichten trennen Arbeitsgedächtnis, Episodisches, Semantisches und Prozedurales, und eine Konsolidierung im Ruhezustand verdichtet Erfahrung zu Wissen. Der Unterschied zeigt sich dort, wo Kontext über Wochen gehalten werden muss statt über einen Dialog.
Weil verschiedene Arten von Erinnerung verschiedene Regeln brauchen. Ein Arbeitsgedächtnis muss schnell und flüchtig sein, semantisches Wissen dauerhaft und verdichtet, prozedurales abrufbar ohne bewusste Suche. Jede Schicht trägt ihre eigene Zerfalls- und Verfestigungslogik; insgesamt sind es fünfzehn Mechanismen, neun grundlegende plus sechs in einer prädiktiven Architektur.
Ja, und jeder einzelne mit seiner Quelle im Paper. Darunter FSRS für Wiederholungsabstände, Hebbsches Lernen, die Ebbinghaussche Vergessenskurve, bayessche Konfidenzfortpflanzung, ein Zwei-Faktoren-Synapsenmodell, ein vmPFC-gekoppeltes Vorhersagefehler-Update und Schlafkonsolidierung. Belegt heißt hier: an begutachteter Neurowissenschaft, nicht an einer Analogie.
Auf LongMemEval-500, bei gleichem Token-Budget und bewertet von drei unabhängigen LLM-Judges, halten drei der neun direkten Vergleiche der Antwortqualität, alle drei gegen A-Mem. Die sechs gegen Letta und Mem0 sind Gleichstände am Kriterium des Papiers; verloren ist keiner. Alle neun Kontraste sind bonferroni-korrigiert und unter versionsgleichen Richtern bewertet. Dabei erreicht ZenBrain 91,3 Prozent der Genauigkeit eines Orakels mit vollem Kontext, bei 1/109,6 des Token-Budgets pro Anfrage.
Ja, und das ist der Punkt. Der Gedächtniskern ist unter Apache 2.0 offen, die Veröffentlichungen tragen DOIs auf Zenodo, und die Benchmark-Seite führt zu jeder Zahl Methode, Quelle und Prüfpfad. Wer eine Zahl anzweifelt, soll sie nachrechnen können, ohne uns fragen zu müssen.
Der Preprint (arXiv:2604.23878) ist selbst nicht begutachtet. Die neurowissenschaftlichen Arbeiten, auf denen er aufbaut, sind es. Wir schreiben das ausdrücklich hin, weil der Unterschied zählt — und weil offene Belege eine Behauptung tragen müssen, nicht ein Verweis auf ein Verfahren.
Mehr aus dieser Forschung
Kern und Anwendungsfelder, auf gemeinsamer ethischer Grundlage.