Beobachtetes Signal · 6. Aug. 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
Agenten-Speicher in TypeScript: Kurzzeit-, Langzeit- und episodischer Speicher
Der Artikel beschreibt eine Drei-Speicher-Architektur für Agenten-Speicher in TypeScript: Arbeitsgedächtnis als modell-sichtbares Nachrichtenfenster, Langzeitgedächtnis für gezielt geschriebene Fakten und episodisches Gedächtnis für Ausführungsdatensätze zu Audit- und Analysezwecken. Er bietet TypeScript-Schnittstellen und Code-Beispiele für die Fensterkomprimierung unter Einhaltung eines Token-Budgets, ein gezieltes 'Remember'-Tool für Langzeitfakten sowie Leitlinien zur Vermeidung verwaister Tool-Ergebnisse. Zudem zeigt der Autor Tests zur Validierung des Komprimierungsverhaltens und plädiert für den selektiven Abruf von Langzeitfakten sowie separate Aufbewahrungsrichtlinien für episodische Datensätze.
Praktischer Engineering-Leitfaden für den Bau zuverlässiger, zustandsbehafteter Agenten; nützlich für Entwickler von Konversationsagenten, jedoch nicht branchenverändernd für AdTech oder MarTech.
Marktsignale zu Amazon in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Schlägt drei verschiedene Speicher mit unterschiedlichen Lebensdauern vor: WorkingMemory, LongTermMemory und EpisodicMemory, illustriert durch TypeScript-Schnittstellen.
- Das Arbeitsgedächtnis nutzt einen Zusammenfassungskopf plus unveränderte aktuelle Runden und komprimiert bei Überschreitung des Token-Budgets.
- Das Langzeitgedächtnis wird explizit über ein 'Remember'-Tool geschrieben, mit Provenienz gespeichert, pro Lauf per Top-K abgerufen und ist löschbar.
- Das episodische Gedächtnis erfasst Laufmetadaten für Audits und Analysen und wird nicht an das Modell gesendet.
- Bietet Testbeispiele, um Komprimierungsfehler wie verwaiste tool_result-Einträge zu verhindern, die zu fehlerhaften Anfragen führen.
Verknüpfte Unternehmen
2 verknüpfte Unternehmen“Book: AI That Plans (https://www.amazon.com/dp/B0HBXFXMDT)...”
“My project: Hermes IDE (https://hermes-ide.com/) | GitHub — an IDE for developers who ship with Claude Code and other AI coding tools...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Durable Persistent Memory: Architekturmuster für zustandsbehaftete KI-Agenten
Ein technischer Leitfaden analysiert Architekturmuster für KI-Agenten und plädiert dafür, maßgeblichen, persistenten State außerhalb von Model-Prompts zu speichern. Dies gewährleistet eine zuverlässige, mandantenfähige Kontinuität über Sessions und Systemneustarts hinweg. Anhand von TypeScript-Datenstrukturen (MemoryScope, MemoryRecord) und der Funktion loadRelevantMemory wird demonstriert, wie sich verbindlicher State von semantisch abgerufenen Kontextdaten trennen lässt. Der Beitrag skizziert eine vierstufige Memory-Architektur, den Einsatz von State Machines für langlebige Workflows sowie die Kosten-Nutzen-Abwägung zwischen großen Context Windows und dediziertem persistentem Storage. Ein zentraler Aspekt ist zudem die Implementierung strengerer Validierungs- und Zugriffskontrollen für Schreib- gegenüber Leseoperationen im Agentenspeicher.
Praktische Architekturmuster für zuverlässiges Gedächtnis in KI-Agenten
Speicherarchitekturen gelten als zentrale technische Herausforderung beim produktiven Einsatz von KI-Agenten. Das Konzept unterteilt Agent-Memory in drei kognitive Typen: episodisch (Verlaufshistorie), semantisch (Wissen) und prozedural (Handlungsabläufe). Für die Implementierung werden vier praxiserprobte Muster vorgeschlagen: dateibasierter State (z. B. Markdown-Dateien wie MEMORY.md) für versionskontrollierten Warm Memory; Vektordatenbanken und RAG (etwa via pgvector in PostgreSQL) für das semantische Retrieval ähnlicher Erfahrungen; strukturierte relationale Datenbanken mit Text-to-SQL für exakte Datenabfragen sowie hybride Architekturen, die Hot-, Warm- und Cold-Tiers kombinieren. Ergänzend empfiehlt der Ansatz ein »Lessons-Learned«-Muster, das Fehler systematisch als Regeln dokumentiert, um Wiederholungsfehler zu vermeiden. Entwickler sollten mit einfachen File-basierten Setups starten und diese bei steigenden Anforderungen an Skalierbarkeit und Präzision um relationale oder vektorbasierte Stores erweitern.
Leitfaden: 30 Agent-Memory-Techniken für LLM-Architekturen vorgestellt
Ein dev.to-Artikel fasst das Speichermanagement für Agenten auf Basis von Large Language Models (LLM) zusammen und verweist auf das Open-Source-Repository „Agent_Memory_Techniques“ von NirDiamant mit 30 ausführbaren Jupyter Notebooks. Die Übersicht unterteilt Speichertechniken in sechs Kernbereiche: Short-Term, Long-Term, kognitive Architekturen, Retrieval & Routing, Frameworks sowie Evaluierung & Produktivbetrieb. Behandelt werden unter anderem Conversation Buffers, Vector Stores, Knowledge-Graph Memory, episodische/semantische/prozedurale Speicher sowie Verfahren zur Speicherkonsolidierung und -kompaktierung. Zudem werden produktionsreife Tools und Frameworks wie Graphiti, Mem0, Letta (ehemals MemGPT) und Zep referenziert. Die Analyse beleuchtet kritische Trade-offs bezüglich Token-Kosten, Latenzzeiten und Tuning-Aufwand. Die bereitgestellte Codebasis steht unter einer Apache-2.0-Lizenz zur Verfügung.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.