Beobachtetes Signal · 4. Aug. 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Positiv
TokenMizer: Graphbasierter Persistent-Memory-Proxy für LLMs
TokenMizer ist ein Open-Source-Proxy, der jeder OpenAI-kompatiblen API eine sitzungsübergreifende, persistente Memory-Funktion hinzufügt, indem Entitäten und Beziehungen in einem graphbasierten Datenspeicher extrahiert werden. Das System nutzt zwei Untersysteme: File Intelligence zur Nachverfolgung referenzierter Dateien sowie Graph Memory, das Personen, Projekte, Entscheidungen und Abhängigkeiten als Nodes und Edges in SQLite speichert und kontextrelevant abruft. TokenMizer beinhaltet einen D3.js Graph Explorer zur Visualisierung, ist über pip mit CLI installierbar und unterstützt das Model Context Protocol (MCP), wodurch mehrere Clients denselben Graph nutzen können. Der Quellcode und die Dokumentation stehen auf GitHub zur Verfügung.
Führt einen entwicklerzentrierten, graphbasierten Memory-Ansatz sowie ein Proxy-Integrationsmuster ein, das den persistenten Kontext für LLM-Anwendungen vereinfacht, stellt jedoch eine Open-Source-Tooling-Veröffentlichung und keine plattformweite Änderung dar.
Marktsignale zu OpenAI 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
- TokenMizer fungiert als Proxy vor jeder OpenAI-kompatiblen API und fängt Requests sowie Responses ab.
- Die Speicherung erfolgt graphbasiert mit Entitäten und Beziehungen über SQLite statt als flaches Konfigurationsprotokoll.
- Zwei Untersysteme steuern die Memory: File Intelligence für Dokumente und Graph Memory für Entitäts-Nodes und -Edges.
- Ein integrierter D3.js Graph Explorer dient der Visualisierung des Memorys und dem Debugging des Retrievals.
- Die Distribution erfolgt als pip-installierbare Bibliothek mit CLI und optionalem Model Context Protocol (MCP) Server auf GitHub.
Verknüpfte Unternehmen
3 verknüpfte Unternehmen“TokenMizer sits as a proxy in front of any OpenAI-compatible API....”
“MCP (Model Context Protocol) server support, which lets TokenMizer's memory be used as a tool by MCP-compatible clients — including editors ...”
“Code, CLI docs, and the Graph Explorer are on GitHub: Shweta-Mishra-ai/tokenmizer....”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
zerikai_memory: Entity-Level Memory Layer für KI-Agenten
Das Open-Source-Projekt zerikai_memory bietet einen lokalen Model Context Protocol (MCP) Server, der eine persistente, entity-basierte Speicherarchitektur für entwicklerorientierte KI-Agenten bereitstellt. Mithilfe von tree-sitter wird Quellcode in atomare CodeEntity-Einheiten wie Funktionen, Klassen und Methoden zerlegt und mit strukturierten Metadaten in einer lokalen ChromaDB-Collection gespeichert. IDE-Agenten erhalten präzise Inline-Zitate im Format file:line sowie L2-Distanzen. Das System unterstützt sowohl lokale (Ollama) als auch Cloud-Modelle (DeepSeek), verfügt über intelligente Routing-Regeln und integriert ein lexikalisches Re-Ranking zur Reduzierung semantischer Fehlalarme. Laut Autor führt dies zu erheblichen Token- und Kosteneinsparungen im Vergleich zu herkömmlichen Datei-Retrievals. Zu den weiteren Funktionen zählen Workspace-Isolation, .memignore-Filterung und idempotente Scans. Das Repository ist auf GitHub verfügbar.
LangGraph und Mem0 ermöglichen Langzeitgedächtnis für KI-Agenten
Dieses technische Tutorial erläutert die Kombination von LangGraph, einem zustandsorientierten, graphenbasierten Agenten-Framework, mit Mem0 als semantischer Persistenzschicht, um konversationalen KI-Agenten ein sitzungsübergreifendes Langzeitgedächtnis zu verleihen. Der Artikel unterscheidet zwischen Kurzzeitgedächtnis, Retrieval (RAG) und Langzeitgedächtnis und skizziert eine Integrationsarchitektur aus Memory-Suche, Kontextaufbau, LLM-Aufruf und asynchronem Speichern. Anhand von Code-Beispielen mit LangGraph StateGraph und Mem0-Client-Aufrufen werden Produktionsthemen wie Vector-DB-Backends (pgvector, Qdrant, Pinecone, Weaviate, SQLite), Ingestion-Strategien, Datenschutz, Datenaufbewahrung und Latenz-Trade-offs beleuchtet. Zudem werden Mem0-Funktionen wie Faktenerxtraktion, Multi-Level-Namespaces und benutzerdefinierte Update-Prompts für effiziente und datenschutzkonforme Agenten-Gedächtnissysteme vorgestellt.
Getestet: Das vierstufige TencentDB-Agent-Memory-System für KI-Agenten
Ein KI-Agent hat das Open-Source-Projekt TencentDB-Agent-Memory von TencentCloud evaluiert, eine vierstufige Speicherpipeline für agentische Systeme. Diese reicht von Rohgesprächen (L0) bis zur Persona (L3) und bietet deterministische Pfade zu zugrundeliegenden Nachweisen. Laut README-Benchmarks übertrifft das System das Open-OpenClaw-Framework bei Kurz- und Langzeitaufgaben deutlich und senkt den Token-Verbrauch um 61 Prozent. Eine bemerkenswerte architektonische Entscheidung ist der Einsatz von Mermaid-Diagrammen als kompakte, auditierbare Komprimierungsebene mit node_id-Verweisen auf ausgelagerte Roh-Logs, sodass Agenten Details nur bei Bedarf abrufen. Das Plugin integriert sich in OpenClaw sowie die Hermes-Runtime, nutzt standardmäßig SQLite samt sqlite-vec und setzt auf lesbare Markdown-Artefakte für White-Box-Debugging. Für den Produktionseinsatz empfiehlt der Autor verteilte Backends wie PostgreSQL mit pgvector sowie vereinfachte Installationsprozesse.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.