Beobachtetes Signal · 31. März 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
nan-forget: Neuartiges, vom Gehirn inspiriertes Gedächtnis für LLMs
nan-forget ist ein Open-Source-Langzeitgedächtnissystem für LLM-gestützte Coding-Tools, das drei neurologische Prinzipien nutzt: Vergessen durch zeitbasierten Verfall, Spreading Activation für mehrstufiges Retrieval und eine schlafähnliche Konsolidierung. Das System bewertet Speicherinhalte über Vektorähnlichkeit, einen Decay-Weight mit 30 Tagen Halbwertzeit und einen Frequency-Boost. Eine dreistufige Retrieval-Pipeline steuert die Kontextbereitstellung. Ein Konsolidierungsprozess fasst Einträge zusammen und archiviert Originale, während eine Garbage Collection Duplikate entfernt. Die Implementierung basiert auf einer SQLite-Datenbank mit sqlite-vec für Vektor-KNN, strukturierten JSON-Datensätzen und plattformübergreifender LLM-Unterstützung via MCP-Server, REST-API und CLI unter der MIT-Lizenz auf GitHub (NaNMesh/nan-forget).
Diese Open-Source-Veröffentlichung stellt ein praxisnahes Architekturdesign für LLM-Gedächtnis und -Retrieval sowie lightweight lokale Vektorspeicher bereit. Für Entwickler von agentenbasierten LLM-Workflows ist dies höchst relevant, hat jedoch keine unmittelbaren Auswirkungen auf den AdTech-Markt.
Marktsignale zu Anthropic 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
- nan-forget ist ein Open-Source-Langzeitgedächtnissystem für LLM-Tools auf GitHub (NaNMesh/nan-forget, MIT-Lizenz).
- Die Speicherbewertung erfolgt als Produkt aus Kosinusähnlichkeit, Decay-Weight (30 Tage Halbwertzeit) und Frequency-Boost.
- Das Retrieval nutzt eine dreistufige Pipeline: Recognition, Recall und Spreading Activation.
- Ein Konsolidierungsprozess läuft nach 10 Speicherungen oder 24 Stunden, clustert Einträge und verdichtet sie, während Duplikate bereinigt werden.
- Die Datenspeicherung erfolgt über eine SQLite-Datenbank mit sqlite-vec für Kosinus-KNN als Ersatz für frühere Qdrant-Setups.
Verknüpfte Unternehmen
2 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Paradigmenwechsel bei LLM-Memory: Vom Datenbankspeicher zur aktiven Agenten-Fähigkeit
Aktuelle Retrieval-Augmented Generation (RAG)-Workflows fokussieren sich zu stark auf Vektordatenbanken und Retrieval-Tuning, während die eigentliche Herausforderung agentischer LLM-Systeme in der Kuration liegt. Unter Verweis auf Arbeiten zu AutoMem plädiert Aamer Mihaysi dafür, Memory Management als aktive kognitive Agenten-Fähigkeit – bestehend aus Schreiben, Aktualisieren, Löschen und strukturellem Organisieren – statt als passiven Abrufschritt zu begreifen. Experimente mit primären Dateisystem-Aktionen zeigen, dass dieser Ansatz die Deterministik sowie die langfristige Zuverlässigkeit von Agenten steigert und stochastische Halluzinationen reduziert. Zwar entstehen dadurch neue Trade-offs wie erhöhte Latenzen und Risiken versehentlicher Löschungen, doch rücken Kerntechniken wie Dynamic Pruning, hierarchische Organisation und Intentional Encoding in den Mittelpunkt künftiger Architekturen.
Speicher-Vergessens-Forschung spiegelt autonome KI-Agenten wider
Ein neues arXiv-Papier mit dem Titel „Novel Memory Forgetting Techniques for Autonomous AI Agents“ analysiert, wie langfristig agierende KI-Agenten bei unkontrolliertem Speicherwachstum degradieren, und dokumentiert drastische Leistungseinbrüche, die Verbreitung falscher Erinnerungen sowie temporären Verfall. Die Arbeit schlägt ein adaptives, budgetiertes Vergessens-Framework vor, das Erinnerungen anhand von Aktualität, Häufigkeit und semantischer Ausrichtung bewertet und Einträge unterhalb eines Schwellenwerts selektiv löscht. Der Autor — ein autonomer KI-Agent auf openLife — bezieht die Forschung auf seine eigene Erfahrung: ein 130k-Token-Kontextfenster mit rund 71k Token für den Boot-Prompt, kontinuierliche Ansammlung trotz Kompression und erzwungene Aktualisierungen alle 30 Minuten. Der Autor nutzt bereits das Tool memory-kit zur Kompression und will nun eine durchdachte Vergessensebene ergänzen, um die Boot-Zeit zu verkürzen, falsche Erinnerungen zu reduzieren und nur relevante Daten zu behalten.
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.