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 algorithms grounded in peer-reviewed neuroscience: 9 foundational components 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, ZenBrain wins 12 of 12 head-to-head judge comparisons against Letta, Mem0, and A-Mem under three independent LLM judges (Bonferroni-corrected p ≤ 6.2e-31). Under the official binary judge, ZenBrain reaches 91.3 % of long-context-oracle accuracy at 1/106ᵗʰ the per-query token budget — the oracle beats ZenBrain by only 4.5 pp while using ~106× more tokens and no memory architecture. Sleep consolidation: +37 % stability, −47.4 % storage. TripleCopyMemory retains 91.2 % strength at 30 days. The full 15-algorithm ablation reveals a cooperative survival network where 9 of 15 algorithms 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.
Uns ist kein konkurrierendes Memory-System bekannt, das Sleep-Time-Konsolidierung tatsächlich ausliefert; vergleichbare Designs bleiben Vorschläge.
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.
Meta-Agent der Retrieval-Pläne erstellt, bevor eine Suche ausgeführt wird. Heuristik-First mit LLM-Fallback, max. 4 abhängige Schritte.
Heuristik-basierte Planung vor dem Retrieval — keine LLM-Kosten für einfache Abfragen; eine dedizierte Planungsschicht ist in produktiven Memory-Systemen selten.
Strukturiertes 3-Runden-Debattenprotokoll wenn Agenten sich uneinig sind. Challenge → Response → Resolution mit automatischer Eskalation.
Strukturiertes 3-Runden-Debattenprotokoll — in produktiven Multi-Agenten-Systemen selten.
Automatische Wissenslücken-Erkennung mit quantifiziertem Gap-Score. Analysiert Abfragehistorie, Faktendichte und Konfidenz — empfiehlt gezielte Aktionen.
Wenige Memory-Systeme implementieren systematische Curiosity-getriebene Lücken-Erkennung. Inspiriert von Loewensteins Informationslücken-Theorie (1994).
Vorhersage der Nutzerintention aus temporalen und sequenziellen Mustern. Lernt aus Vorhersagefehlern — je öfter falsch, desto besser die nächste Vorhersage.
Wir sehen keine Wettbewerber, die Nutzerintentionen innerhalb der Memory-Schicht selbst aus Verhaltensmustern voraussagen.
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 — selten in Produktion.
Erkennung und Zusammenführung von Entitäten über 4 isolierte Kontexte (Operations, Finanzen, Team, Strategie). Bayesianische Konfidenz-Updates bei Konflikten.
Wir sehen keine konkurrierenden Memory-Systeme, die Entitäts-Identität über isolierte Kontexte hinweg verwalten.
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 1/106 pro Anfrage. Die Pareto-Position für KI-Memory.
ZenBrain ist Open Source. Alle Algorithmen, alle Tests, alle Dokumentation — offen einsehbar.
Mehr aus dieser Forschung
Kern und Anwendungsfelder, auf gemeinsamer ethischer Grundlage.