Die Wissenschaft hinter ZenBrain
9 grundlegende Algorithmen und 6 PMA-Komponenten 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.”
Veröffentlichte Forschung
Unser technisches Paper ist als Open-Access-Preprint auf Zenodo und arXiv verfügbar, ergänzt durch eine Defensive Publication auf Elsevier TDCommons.
ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems
ZenBrain is a seven-layer, neuroscience-derived architecture for agent memory in LLM agents. An open library holds the seven layers, a MemoryCoordinator and nine foundational algorithms; six Predictive Memory Architecture components (NeuromodulatorEngine, ReconsolidationEngine, TripleCopyMemory, PriorityMap, StabilityProtector, MetacognitiveMonitor) run in a private production system. Ablating one component at a time in a simulation harness exposes an effect we call cooperative masking: under moderate load, fourteen of the fifteen ablations look costless; under heavier load, with no change to the components, ten of the fifteen move in the same direction on all ten seeds — a caution we conjecture applies beyond ZenBrain. On LongMemEval-S (500 questions), the evaluated ZenBrain arm, a Python port of a scoring class from our test harness and not the seven-layer system, answers 47.7 % of the questions correctly (95 % interval [43.3, 52.1]); with repaired adapters, Letta reaches 48.4 % and Mem0 47.2 %. It reaches 91.3 % of a full-context baseline’s accuracy (52.2 %; its answer model reads the question’s entire history) with 1/109.7 of its input tokens in the answer step; building the memory is not counted. Of nine head-to-head comparisons of the retrieved context (3 competitors × 3 LLM judges), three hold at Bonferroni-corrected significance, all against A-Mem, and the remaining six, against Letta and Mem0, show no significant difference; there the point estimates lean to the competitor. This version corrects version 8 after a post-publication audit. Open source under the @zensation npm scope, Apache-2.0.
Architektur
Eine Architektur, viele Anwendungen
ZenBrain ist unser quelloffener Memory-Kern. Mehrere Anwendungen bauen darauf auf — dieselbe Sieben-Schichten-Architektur, nur die Domänenanpassung variiert.
Memory-Schichten
- Working
- Short-Term
- Episodic
- Semantic
- Procedural
- Core
- Cross-Context
Zählweise
Wie wir zählen
Drei Zahlen aus dem Paper zählen drei verschiedene Dinge: die Bausteine der Architektur, die Komponenten der Ablation und die Paarvergleiche im Benchmark. Fassung 9 trennt sie ausdrücklich (Berichtigungen 15 und 16).
Architektur
Sieben Gedächtnisschichten, ein Koordinator (MemoryCoordinator) und neun grundlegende Algorithmen in der offenen Bibliothek @zensation/algorithms: Ebbinghaus-Verfall, Wiederholungsplanung nach FSRS-Art, Hebb'sche Koaktivierung, Schlafkonsolidierung, bayessche Konfidenzfortpflanzung, emotionale Markierung, Kontextabruf, Ähnlichkeit und Visualisierung. Dazu kommen sechs Komponenten der Predictive Memory Architecture (PMA), die im privaten Produktivsystem laufen. Algorithmen und PMA-Komponenten sind verschiedene Arten von Bausteinen und bilden keine gemeinsame Summe.
Quelle: Fassung 9, Abstract und Einleitung
Ablation
Die Ablation schaltet fünfzehn Komponenten einzeln ab: die sechs PMA-Komponenten und neun Mechanismen des Evaluations-Harness, die dort als Stand-ins mit simulierten Werten laufen, nicht als Produktionscode. Drei der neun heißen wie Module der Architektur (Hebb, Schlaf, Planung nach FSRS-Art), sind aber eigene Implementierungen.
Quelle: Fassung 9, Abstract und Bildunterschrift der Architektur-Abbildung
Benchmark (LongMemEval_S, 500 Fragen)
Von neun Paarvergleichen des abgerufenen Kontexts (drei Vergleichssysteme, je drei LLM-Judges) halten drei auf Bonferroni-korrigiertem Niveau, alle gegen A-Mem; die sechs gegen Letta und Mem0 zeigen keinen signifikanten Unterschied. Der ausgewertete ZenBrain-Arm, eine Python-Portierung einer Bewertungsklasse aus unserem Test-Harness, beantwortet 47,7 % der Fragen richtig [43,3; 52,1]. Mit reparierten Adaptern erreicht Letta 48,4 %, Mem0 47,2 %. ZenBrain erreicht damit 91,3 % der Genauigkeit eines Full-Context-Vergleichsarms (52,2 %; dessen Antwortmodell liest die ganze Historie) mit 1/109,7 von dessen Eingabe-Tokens im Antwortschritt.
Quelle: Fassung 9, Abstract
Alle drei Angaben stehen in Fassung 9 des Papers (arXiv:2604.23878v4; Zenodo 10.5281/zenodo.23832288).
Acht Innovationen, die zusammen ausgeliefert werden
Acht Technologien, die in ZenAI in dieser Kombination ausgeliefert wurden.
Sleep Consolidation Engine
Gedächtniskonsolidierung im Leerlauf, in ZenAI produktiv betrieben — inspiriert von hippokampalem Replay (Stickgold & Walker 2013). Schwache Verbindungen werden beschnitten, stabile verstärkt.
Konsolidierung im Leerlauf verfolgen inzwischen auch andere, etwa Letta Code unter dem Namen „dreaming“. Das Modul in zenbrain wählt die Erinnerungen für die Wiedergabe nach Abrufhäufigkeit, emotionalem Gewicht und Aktualität aus.
Quelltext: zenbrain (öffnet in neuem Tab)7-Schichten Memory Coordinator
Vereinheitlichter Orchestrator, der sieben Gedächtnisschichten anlegt und mit fünf davon arbeitet — von Working Memory bis Core Memory. Basiert auf Global Workspace Theory (Baars 1988).
Sieben Schichten als eigene Klassen in @zensation/core, von Working Memory bis Cross-Context Memory, hinter einer gemeinsamen API.
Quelltext: zenbrain (öffnet in neuem Tab)A-RAG (Autonomer Retrieval-Agent)
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)Multi-Agent Debate Protocol
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)Curiosity Engine
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)Prediction Engine
Vorhersage der Nutzerintention aus temporalen und sequenziellen Mustern. Lernt aus Vorhersagefehlern — je öfter falsch, desto besser die nächste Vorhersage.
Die Vorhersage arbeitet innerhalb der Memory-Schicht selbst, aus Verhaltensmustern.
Quelltext: ZenAI-Schnappschuss (8. Mai 2026) (öffnet in neuem Tab)HyperAgent L0–L2
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)Cross-Context Entity Merging
Erkennung und Zusammenführung von Entitäten über 4 isolierte Kontexte (Operations, Finanzen, Team, Strategie). Bayesianische Konfidenz-Updates bei Konflikten.
Die Identität einer Entität wird über isolierte Kontexte hinweg geführt: Ab einer Ähnlichkeit von 0,95 werden Entitäten automatisch verknüpft, zwischen 0,85 und 0,95 zur Prüfung markiert.
Quelltext: ZenAI-Schnappschuss (8. Mai 2026) (öffnet in neuem Tab)Das System interaktiv erkunden
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
Das Prinzip hinter dem Qualitäts-Imperativ
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
Sieben Schichten Gedächtnis, neurowissenschaftlich begründet
Die HiMeS-Architektur, inspiriert vom Atkinson-Shiffrin-Modell (1968) und moderner Kognitionswissenschaft.
Working Memory
Aktiver Fokus — 7±2 Items nach Millers Magical Number. Schnellster Zugriff, kürzeste Lebensdauer.
2026Kurzzeitgedächtnis
Session-Kontext und Gesprächskontinuität. Überlebt die aktuelle Sitzung.
2026Episodisch
Konkrete Erfahrungen mit emotionalem Tagging. 400+ Keyword-Lexikon (DE+EN) für Arousal/Valenz-Scoring.
2026Semantisch
Faktenwissen mit Wiederholungsplanung nach FSRS-Art. Spaced Repetition plant, wann ein Fakt das nächste Mal wiederholt wird.
2026Prozedural
Abläufe und Skills. Werkzeugketten werden analysiert und optimiert.
2026Core Memory
Unveränderliche Grundlagen nach dem Letta-Pattern. Pinned Facts, die nie vergessen werden.
2026Cross-Context
Verknüpfung von Wissen und Entitäten über isolierte Kontexte hinweg — mit Bayesianischen Konfidenz-Updates bei Konflikten.
2026Mechanismen, inspiriert von der Neurowissenschaft
Spaced Repetition nach FSRS-Art
open-spaced-repetition/fsrs4ankiOptimaler Wiederholungszeitpunkt bei ~90% Retention
Ebbinghaus-Vergessenskurve
Ebbinghaus (1885)Exponentieller Verfall mit konfigurierbarer Halbwertszeit
Hebbianisches Lernen
Hebb (1949)Co-aktivierte Fakten verstärken Verbindungen (×1.09/Aktivierung)
Homöostatische Normalisierung
Turrigiano (2004)Verhindert unkontrolliertes Wachstum von Kantengewichten
Sleep Consolidation
Stickgold & Walker (2013)Hippokampales Replay mit +50% Stabilitäts-Boost
Synaptische Homöostase
Tononi & Cirelli (2006)Schwache Verbindungen werden im Schlaf beschnitten
Emotionale Modulation
LeDoux (1996)Emotionale Erinnerungen verfallen 2,7× langsamer
Bayesianische Propagation
Pearl (1988)Konfidenz-Updates über den gesamten Wissensgraphen
Global Workspace Theory
Baars (1988)Bewusster Zugriff durch kompetitiven Context Assembly
Informationsgewinn-Scoring
Shannon (1948)Entropie-basierte Priorisierung neuer Fakten
Wissenslücken-Theorie
Loewenstein (1994)Systematische Erkennung fehlenden Wissens
Working Memory Kapazität
Miller (1956)7±2 aktive Items im Arbeitsspeicher
Neuromodulation (PMA)
Schultz (1997) · Aston-Jones (2005)Dopamin, NE, 5-HT, ACh — vier Kanäle mit tonischer + phasischer Dynamik
Reconsolidation (PMA)
Nader (2000) · Schiller (2010)Erinnerung wird beim Abruf labil — vier PE-gegatete Update-Modi mit Rollback
Triple-Copy Memory (PMA)
Squire & Bayley (2007)Drei Spuren mit divergenter Dynamik: Fast (4 h), Medium (14 d), Deep (logarithmisch)
Intelligentes Wissens-Retrieval
6 Strategien, dynamisch ausgewählt pro Anfrage. Nicht eine Pipeline — ein adaptives System.
End-to-End RAG-Pipeline
↻ Self-RAG-Critique: Loop bei Confidence < 0,5
A-RAG Planning
Meta-Agent plant Retrieval-Schritte vor der Ausführung. Heuristik-First, LLM-Fallback.
GraphRAG 3-Layer
Event-Subgraph + Semantic Graph + Community Summaries. 5 parallele Strategien.
Self-RAG Critique
Automatische Reformulierung bei Konfidenz < 0,5. 4-Komponenten-Scoring.
HyDE Retrieval
Hypothetische Antwort → Embedding → Suche. Auto-Detection mit 5s Timeout.
Contextual Retrieval
Chunk-Anreicherung nach Anthropic-Methode. +67% Retrieval-Genauigkeit.
Embedding Drift Detection
BullMQ-Worker überwacht Drift >10%. Automatische Cache-Invalidierung.
Autonome Agenten mit Sicherheitsgrenzen
Multi-Agenten-Orchestrierung mit strukturierter Debatte, dynamischer Teambildung und rekursiver Selbstverbesserung.
Multi-Agent-Team-Architektur
3 Runden: Challenge → Response → Resolution
Debate Protocol
3-Runden-Debatte bei Uneinigkeit. Challenge → Response → Resolution.
Dynamic Team Builder
5 Spezialisten-Agenten, automatisch zusammengestellt nach Aufgabentyp.
HyperAgent L0–L2
Rekursive Selbstverbesserung mit Tagesbudgets, Sandbox-Tests und Auto-Rollback.
Persistent Agent Loops
Pause/Resume mit State-Checkpointing. Langläufige Aufgaben über Tage.
A2A Protocol
Agent-zu-Agent-Kommunikation nach Google-Standard. /.well-known/agent.json Discovery.
Implicit Feedback
Automatische Verhaltenserkennung ohne explizites Labeling.
KI, die über sich selbst nachdenkt
Neugier, Vorhersage, Metakognition — drei Säulen kognitiver Intelligenz.
Curiosity Engine
Quantifizierter Gap-Score: Abfragefrequenz × Faktendichte × Konfidenz × RAG-Qualität.
Prediction Engine
Temporale + sequenzielle Mustererkennung. Lernt aus Vorhersagefehlern.
Metacognition
Konfidenz-Kalibrierung, Verwirrungserkennung, Fähigkeitsprofiling.
Adaptive Thinking
4-Tier Denkbudgets: 1K→16K→64K→128K Token. Auto-Detection.
91,3 % der Genauigkeit mit 1/109,7 der Eingabe-Tokens im Antwortschritt
Auf LongMemEval-500 erreicht der gemessene ZenBrain-Arm (laut Korrektur-Notiz ein Python-Nachbau einer Klasse aus dem Testaufbau, nicht das Sieben-Schichten-System) 91,3 % der Genauigkeit eines Full-Context-Vergleichsarms (dessen Antwortmodell die ganze Historie liest) mit 1/109,7 von dessen Eingabe-Tokens im Antwortschritt.
In eigenen Messungen auf LongMemEval-500 halten drei von neun paarweisen Vergleichen, alle drei gegen A-Mem, signifikant und bonferroni-korrigiert, bewertet von drei unabhängigen LLM-Judges. Die sechs gegen Letta und Mem0 zeigen keinen signifikanten Unterschied, bei gleicher Evidenztiefe und unter versionsgleichen Richtern.
Offen und nachvollziehbar
ZenBrain ist Open Source. Alle Algorithmen, alle Tests, alle Dokumentation — offen einsehbar.
Häufige Fragen zur Architektur
Was unterscheidet ZenBrain von einem Vektor-Store?
Ein Vektor-Store sucht Ähnlichkeit in einem flachen Index. ZenBrain modelliert Gedächtnis als Prozess: Was wiederholt gebraucht wird, verfestigt sich; was liegen bleibt, wird schwerer abrufbar. 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.
Warum sieben Schichten und nicht eine?
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; dazu kommen neun grundlegende Algorithmen und sechs Komponenten einer prädiktiven Architektur.
Sind die Algorithmen tatsächlich neurowissenschaftlich belegt?
Sie stützen sich auf Gedächtnisforschung, nicht auf eine Analogie, und das Paper nennt die Quellen: darunter FSRS für Wiederholungsabstände, Hebbsches Lernen, die Ebbinghaussche Vergessenskurve, bayessche Konfidenzfortpflanzung und Schlafkonsolidierung. Das Zwei-Faktoren-Synapsenmodell und die vmPFC-Kopplung des Vorhersagefehlers gehen auf neurowissenschaftliche Arbeiten zurück (Iatropoulos, Gerstner und Brea 2025; Zou et al. 2025); die konkrete Form — Gewicht plus Konsolidierungsvarianz, das Vorhersagefehler-Signal — ist eigene Konstruktion.
Wie schneidet ZenBrain gegen andere offene Gedächtnissysteme ab?
Auf LongMemEval-500, bei gleicher Evidenztiefe und bewertet von drei unabhängigen LLM-Judges, halten drei der neun direkten Vergleiche, alle drei gegen A-Mem. Die sechs gegen Letta und Mem0 zeigen keinen signifikanten Unterschied. Alle neun Kontraste sind bonferroni-korrigiert und unter versionsgleichen Richtern bewertet. Dabei erreicht der gemessene ZenBrain-Arm (laut Korrektur-Notiz ein Python-Nachbau einer Klasse aus dem Testaufbau, nicht das Sieben-Schichten-System) 91,3 Prozent der Genauigkeit eines Full-Context-Vergleichsarms (dessen Antwortmodell die ganze Historie liest) mit 1/109,7 von dessen Eingabe-Tokens im Antwortschritt.
Kann ich die Ergebnisse selbst nachrechnen?
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.
Ist das Paper begutachtet?
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
Verwandte Seiten
Kern und Anwendungsfelder, auf gemeinsamer ethischer Grundlage.
- Forschung Drei Tracks: kognitive Architekturen, Schutz öffentlicher Räume, angewandte KI.
- KI einführen Neutraler Fahrplan für die KI-Einführung — Priorisierung, Stage-Gates, KPIs und EU-AI-Act-/DSGVO-Governance, mit interaktiver Simulation.
- Methodik Pre-Registration, Reproducibility, externe Validierung, Datenminimierung — operative Standards im Detail.
- Publikationen arXiv, Zenodo (DOI), Software-Releases, Open-Access-Prinzipien.
- Benchmarks ZenBrain in Zahlen: jede Kennzahl mit Methode, Quelle und Prüf-Link.
- Ressourcen Code, Replikations-Material, BibTeX-Zitation, Lizenzen, Identifikatoren.
- Forschungsethik DSGVO Art. 89, KI-VO Art. 5, Brokdorf-Linie. Acht Pflicht-Korrektionen.
- Behörden & Förderung Forschungsangebote für BMBF, BBK, Hochschulen und Forschungsverbünde.
- Principal Investigator Profil, Werdegang, Identifier, Kontaktwege.