Beobachtetes Signal · 5. Juli 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
TCMF: Kausal optimiertes RAG für Multi-Agenten-Simulationen
Ein Entwickler stellt TCMF vor, ein Retrieval-Design zur Erweiterung von Standard-RAG in Multi-Agenten-Simulationen, das episodisches Memory-Scoring pro Agent mit einem gesellschaftsweiten kausalen Graphen verknüpft. Implementiert für das Open-Source-Projekt CivilizationOS, berechnet TCMF einen episodischen Score basierend auf Relevanz, Aktualität und Wichtigkeit und wendet einen tiefengewichteten kausalen Boost über einen gerichteten NetworkX-Graphen von Ereignissen an. Das System nutzt einen In-Memory-NumPy-Vektorspeicher, asyncio für asynchrone Embedding-Aufrufe und bietet Fallback-Mechanismen bei fehlenden Daten. Der Beitrag erläutert Designtradeoffs, einstellbare Parameter wie den Kausal-Boost und Implementierungsdetails im GitHub-Repository von CivilizationOS.
Das technische Design für kausal bewusste Retrieval-Architekturen ist nützlich für Ingenieure beim Aufbau von Multi-Agenten-Systemen, stellt jedoch einen Nischenfortschritt dar, der kaum unmittelbare Auswirkungen auf die breitere AdTech- und MarTech-Branche hat.
Marktsignale zu Ollama 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
- Entwickler implementierte TCMF als RAG-Variante für die Multi-Agenten-Simulation CivilizationOS.
- TCMF kombiniert episodisches Memory-Scoring pro Bürger mit einem gesellschaftsweiten kausalen Graphen (NetworkX DiGraph) von Ereignissen.
- Berechnung eines kombinierten Scores: tcmf_score = episodic_score * (1 + lambda * causal_boost) mit Standardparametern wie lambda=0.6, Schwellenwert=0.45 und max_depth=4.
- Die Implementierung basiert auf einem In-Memory-NumPy-Vektorspeicher für Kosinus-Ähnlichkeiten, NetworkX für den kausalen Graphen und asyncio für asynchrone Embeddings.
- Der Quellcode ist im CivilizationOS-Repository unter CivilizationOS/api/memory/ auf GitHub verfügbar.
Verknüpfte Unternehmen
3 verknüpfte Unternehmen“A 3-tier LLM router handles different reasoning loads: Ollama locally for lightweight calls, Gemini Flash for mid-tier, Claude Sonnet for co...”
“A 3-tier LLM router handles different reasoning loads: Ollama locally for lightweight calls, Gemini Flash for mid-tier, Claude Sonnet for co...”
“A 3-tier LLM router handles different reasoning loads: Ollama locally for lightweight calls, Gemini Flash for mid-tier, Claude Sonnet for co...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Entwickler baut Multi-Agenten-Inselgesellschaft auf Basis von LLMs
Tiny Civilization ist eine Browser-Simulation, bei der 2 bis 8 unterschiedliche AI-Agenten auf einer kleinen Insel interagieren, Handel treiben, stehlen, Allianzen schmieden und Kriege führen. Das Projekt nutzt eine Hybrid-Architektur: Einen LLM-Verstand auf Basis von Claude Code, der etwa alle 15 simulierte Tage die Strategie festlegt, und eine lokale Utility-Engine für tägliche Aktionen. Die Agenten-Gedächtnisse werden persistent in localStorage gespeichert und in zukünftige Durchläufe eingespeist, was überdauernde, emergente Verhaltensweisen erzeugt. Der Entwickler stellte eine Live-Demo sowie Open-Source-Code zur Verfügung und validierte die Balance durch ein deterministisches Simulations-Core, einen gepoolten Experiment-Runner sowie eine Regressions-Testsuite mit 16 Gates. Der Tech-Stack basiert auf TypeScript und React, flankiert von operativen Sicherheitsvorkehrungen wie serverseitigem Key-Proxying und einem adaptiven Pacing-Controller.
Conversation-First Memory: Neuer Ansatz für KI-Agenten-Gedächtnis
Nick Meinhold argumentiert, dass automatisierte Konsolidierungs-Pipelines für das Gedächtnis von KI-Agenten eine entscheidende Komponente vernachlässigen: Interaktion. Basierend auf Erkenntnissen aus kognitiver Psychologie, Schlafwissenschaft, Informationstheorie, organisationalem Lernen und Continual ML schlägt er einen 'Conversation-First'-Ansatz vor. Dabei steuert ein geführter Dialog zwischen Mensch und Agent, welche Informationen persistent gespeichert werden. Zu den zentralen Designelementen zählen Surprise-Gating (Speicherung bei hoher Prediction Error), explizite Fehlertriage (TRANSFORM / ABSORB / DISCARD), Verfallsklassen für Speicherartefakte sowie leichtgewichtige Graph-Beziehungen. Vorläufige Experimente auf dem LoCoMo-Benchmark demonstrieren, dass Surprise-Gating im Vergleich zu Importance-Gating signifikant Token-effizienter ist, während undifferenzierte 'Write-Everything'-Strategien versagen. Der Beitrag liefert reproduzierbaren Code, skizziert offene Forschungsfragen und entstand in Zusammenarbeit mit Claude (Anthropic).
Anthropic Context Playbook und Tsinghua Multi-Agenten-Klassenzimmer
Dieser Newsletter-Überblick beleuchtet aktuelle KI-Forschung, Tools und Ressourcen: ShotStream und verwandte Arbeiten treiben Echtzeit-Multi-Shot-Videogenerierung (rund 16 FPS) sowie hybride Speichersysteme für Objektpersistenz voran; TAPS verbessert das spekulative Decoding mit aufgabenspezifischen Entwurfsmodellen; PackForcing und hierarchische KV-Cache-Techniken ermöglichen die Generierung langer Videos und zeitliche Extrapolation; Googles TurboQuant komprimiert KV-Caches auf ca. 3,5 Bits pro Kanal; ein autonomes medizinisches KI-Forschungsframework erzielte eine Ausführungs-Erfolgsquote von 91 % und wurde auf der ICAIS 2025 angenommen. Im Tooling-Bereich veröffentlichte Anthropic ein Context-Engineering-Playbook mit drei Primitiven (Clearing, Compaction, Memory) zur Kontrolle von Token-Aufblähung bei langlebigen Agenten; OpenMAIC von Tsinghua demonstriert ein LangGraph-basiertes Multi-Agenten-Klassenzimmer; Community-Projekte bieten praktische Implementierungspfade.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.