[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:de":3,"public-menus:all":37,"post:what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again:de":204,"related:post:what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again:de:1":1624},{"statusCode":4,"data":5,"message":36},200,{"tenantId":6,"lang":7,"defaultLang":7,"siteUrl":8,"contactEmail":9,"brandName":10,"logoUrl":11,"siteName":10,"siteDescription":12,"ogImage":9,"robotsIndex":13,"socialLinks":9,"reservedSlugs":9,"seoPolicy":14},"stajic","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":15,"relatedContent":16,"crossDomainLinks":17},{"logoUrl":11},{"enabled":13},[18,21,24,27,30,33],{"url":19,"label":20,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":22,"label":23,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":25,"label":26,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.com","bazify.com",{"url":28,"label":29,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.de","bazify.de",{"url":31,"label":32,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.at","bazify.at",{"url":34,"label":35,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[38,44],{"id":39,"name":40,"location":41,"isActive":13,"isDefault":42,"items":43},1,"main-navigation","header",false,[],{"id":45,"name":46,"location":47,"isActive":13,"isDefault":13,"items":48},4,"main-menu","sidebar",[49,65,78,92,102,117,132],{"id":50,"title":51,"url":59,"target":60,"icon":61,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":63,"portfolioId":9,"children":64},"item-18",{"de":52,"en":53,"es":54,"fr":55,"it":53,"ru":56,"sr":57,"zh":58},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":66,"title":67,"url":74,"target":60,"icon":75,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":76,"portfolioId":9,"children":77},"item-22",{"de":68,"en":68,"es":69,"fr":68,"it":70,"ru":71,"sr":72,"zh":73},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":79,"title":80,"url":88,"target":60,"icon":89,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":90,"portfolioId":9,"children":91},"item-19",{"de":81,"en":82,"es":83,"fr":82,"it":84,"ru":85,"sr":86,"zh":87},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":93,"title":94,"url":98,"target":60,"icon":99,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":100,"portfolioId":9,"children":101},"item-23",{"de":95,"en":95,"es":95,"fr":95,"it":95,"ru":96,"sr":96,"zh":97},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":103,"title":104,"url":113,"target":60,"icon":114,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":115,"portfolioId":9,"children":116},"item-32",{"de":105,"en":106,"es":107,"fr":108,"it":109,"ru":110,"sr":111,"zh":112},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":118,"title":119,"url":128,"target":60,"icon":129,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":130,"portfolioId":9,"children":131},"item-20",{"de":120,"en":121,"es":122,"fr":123,"it":124,"ru":125,"sr":126,"zh":127},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":133,"title":134,"url":143,"target":60,"icon":144,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":145,"portfolioId":9,"children":146},"item-21",{"de":135,"en":136,"es":137,"fr":138,"it":139,"ru":140,"sr":141,"zh":142},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[147,160,174,180,192],{"id":148,"title":149,"url":143,"target":60,"icon":158,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":145,"portfolioId":9,"children":159},"item-24",{"de":150,"en":151,"es":152,"fr":153,"it":154,"ru":155,"sr":156,"zh":157},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":161,"title":162,"url":170,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":173},"item-29",{"de":163,"en":164,"es":165,"fr":166,"it":167,"ru":168,"sr":169,"zh":142},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":175,"title":176,"url":178,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":179},"item-28",{"de":177,"en":177,"es":177,"fr":177,"it":177,"ru":177,"sr":177,"zh":177},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":181,"title":182,"url":190,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":191},"item-27",{"de":183,"en":184,"es":185,"fr":186,"it":187,"ru":188,"sr":189,"zh":184},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":193,"title":194,"url":202,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":203},"item-31",{"de":195,"en":196,"es":197,"fr":198,"it":199,"ru":200,"sr":201,"zh":196},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":205,"message":1623},{"id":206,"title":207,"slug":208,"content":209,"contentJson":210,"excerpt":813,"featuredImage":814,"featuredImageAlt":815,"featuredImageCaption":9,"featuredImageTitle":9,"featuredImageCopyright":9,"featuredImageAuthor":9,"featuredImageSourceUrl":9,"featuredImageLicense":9,"featuredImageIsAiGenerated":42,"status":816,"publishedAt":817,"createdAt":818,"updatedAt":819,"seoLocalePaths":820,"categories":829,"author":842,"translations":847},"470","Was sollte ein KI-Agent behalten, vergessen, neu berechnen oder erneut abrufen?","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Inhalt\">\u003Cstrong class=\"editorjs-toc__title\">Inhalt\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-5\" class=\"editorjs-toc__link\">Das eigentliche Speicherproblem ist nicht die Speicherkapazität – es ist die Steuerung des Lebenszyklus\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">Vier mögliche Aktionen für jede Information eines Agenten\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-11\" class=\"editorjs-toc__link\">Der Gedächtnis-Zulassungstest\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">1. Speichern: Dauerhaftes Wissen, das zukünftige Entscheidungen verbessert\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">2. Erneut lesen oder abrufen: volatile Fakten mit einer externen Quelle der Wahrheit\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-23\" class=\"editorjs-toc__link\">3. Neu berechnen: abgeleitete Informationen, deren Berechnung günstiger ist als ihnen zu vertrauen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-26\" class=\"editorjs-toc__link\">4. Vergessen, ablaufen lassen oder ersetzen: Löschen ist eine Fähigkeit\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-30\" class=\"editorjs-toc__link\">Die Entscheidungsmethode\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-32\" class=\"editorjs-toc__link\">Beispiele: Derselbe Agent sollte unterschiedliche Lebenszyklusaktionen verwenden\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-34\" class=\"editorjs-toc__link\">Das Gedächtnis sollte Bedingungen speichern, nicht nur Schlussfolgerungen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">Ein Schreibvorgang in das Gedächtnis sollte aufwendiger sein als ein Lesevorgang\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-40\" class=\"editorjs-toc__link\">Die Gedächtnisqualität hat mindestens fünf Dimensionen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">Was standardmäßig nicht in den dauerhaften Speicher gehört\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-45\" class=\"editorjs-toc__link\">Gedächtnis ist aufgabenspezifisch – es gibt keinen universell optimalen Speicher\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Was würde diese Antwort ändern?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-52\" class=\"editorjs-toc__link\">Einschränkungen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">Fazit\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-59\" class=\"editorjs-toc__link\">FAQ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-61\" class=\"editorjs-toc__link\">Glossar\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-63\" class=\"editorjs-toc__link\">Primärquellen und weiterführende Literatur\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Cp>Langlebige KI-Agenten sammeln weit mehr Informationen an, als sie dauerhaft speichern sollten. Konversationen, Tool-Ausgaben, Zwischenberechnungen, Benutzerpräferenzen, Projektentscheidungen, Suchergebnisse, Systemzustände, Fehler und erfolgreiche Abläufe können im jeweiligen Moment alle nützlich erscheinen. Werden sie jedoch ausnahmslos als dauerhaftes Gedächtnis behandelt, entsteht ein zweites Problem: Der Agent muss später entscheiden, welche gespeicherten Informationen noch vertrauenswürdig, aktuell, relevant und sicher wiederzuverwenden sind.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Direkte Antwort\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Ein KI-Agent sollte <strong>Informationen speichern, die beständig, wiederverwendbar, herkunftssicher und aufwendig neu zu ermitteln sind<\u002Fstrong>; <strong>flüchtige Fakten aus ihrer maßgeblichen Quelle neu einlesen oder abrufen<\u002Fstrong>; <strong>kostengünstig abgeleitete Werte neu berechnen, wenn Aktualität eine Rolle spielt<\u002Fstrong>; und <strong>Informationen vergessen, verfallen lassen oder ersetzen, deren künftige Wiederverwendung mehr Risiken als Nutzen mit sich bringt<\u002Fstrong>. Die richtige Maßnahme hängt weniger davon ab, ob eine Information „wichtig“ ist, sondern vielmehr von ihrer Volatilität, Autorität, ihren Ableitungskosten, ihrem Wiederverwendungswert, ihrer Sensibilität und ihrem Revisionsverhalten.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Über das Entscheidungsmodell\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Das Modell „Speichern \u002F Neu einlesen \u002F Neu berechnen \u002F Vergessen“ und der nachfolgende Gedächtnis-Zulassungstest sind praxisnahe Architekturwerkzeuge, die in diesem Artikel vorgeschlagen werden. Es handelt sich dabei nicht um formale Industriestandards. Sie wurden entwickelt, um Entscheidungen über das Agentengedächtnis explizit, überprüfbar und auditierbar zu machen.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-5\">Das eigentliche Speicherproblem ist nicht die Speicherkapazität – es ist die Steuerung des Lebenszyklus\u003C\u002Fh2>\n\u003Cp>Moderne Agentensysteme können fast alles speichern: vollständige Transkripte, Zusammenfassungen, Embeddings, Dateien, Datenbankeinträge, Tool-Traces, strukturierte Fakten, Fähigkeiten und externe Artefakte. Die Speicherkapazität ist daher nicht die eigentliche Hürde. Die Herausforderung besteht darin zu entscheiden, was es wert ist, erhalten zu bleiben, wie lange es erhalten bleiben soll und was geschehen muss, wenn sich die Realität ändert.\u003C\u002Fp>\n\u003Cp>Der Leitfaden von OpenAI zum Sitzungsgedächtnis warnt ausdrücklich davor, dass das Mitschleppen von zu viel Historie zu Ablenkung, Ineffizienz, Kontextvergiftung und sich häufenden Fehlern führen kann. Anthropic betrachtet Kontext ähnlich als begrenzte Ressource, die kuratiert statt unkontrolliert angesammelt werden muss. Microsoft Research schlägt dieselbe Richtung ein: PlugMem wandelt unstrukturierte Interaktionshistorien in wiederverwendbares, strukturiertes Wissen um, anstatt den vollständigen Verlauf als gleichermaßen wertvolles Gedächtnis zu behandeln.\u003C\u002Fp>\n\u003Cp>Die architektonische Konsequenz ist einfach: Ein Gedächtnis benötigt eine Zulassungsrichtlinie, eine Wartungsrichtlinie und eine Ausmusterungsrichtlinie. Ein Retriever allein liefert diese Semantik nicht.\u003C\u002Fp>\n\u003Ch2 id=\"section-9\">Vier mögliche Aktionen für jede Information eines Agenten\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Aktion\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Anwenden, wenn\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Typische Beispiele\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Hauptrisiko\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Speichern\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Information über zukünftige Aufgaben hinweg nützlich bleibt und nur mit hohem Aufwand oder gar nicht zuverlässig rekonstruiert werden kann\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Stabile Benutzerpräferenz, akzeptierte Projektentscheidung, wiederverwendbare Fähigkeit, verifizierte langfristige Einschränkung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dauerhaftes Festhalten von falschen, veralteten oder zu allgemeinen Daten\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Neu einlesen \u002F Abrufen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Information über eine maßgebliche Quelle verfügt, die sich ändern kann\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Berechtigungen, Inventar, Richtlinienversion, Bestellstatus, Produktpreis, aktuelle API-Dokumentation\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verwendung einer veralteten Kopie statt der aktuellen maßgeblichen Quelle\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Neu berechnen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Information abgeleitet und kostengünstig genug ist, um erneut berechnet zu werden\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Summen, Scores, Ranglisten, Zusammenfassungen aus aktuellen Quelldaten, deterministische Transformationen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dauerhaftes Speichern veralteter abgeleiteter Ergebnisse\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Vergessen \u002F Verfallen lassen \u002F Ersetzen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die künftige Wiederverwendung wenig Nutzen bringt oder Risiken für den Datenschutz, Veralterung, Konflikte oder Verunreinigung birgt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Flüchtige Tool-Ausgabe, verworfene Hypothese, überholte Entscheidung, temporäres Token, veralteter Umgebungszustand\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verlust von Informationen, die sich später als notwendig erweisen\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-11\">Der Gedächtnis-Zulassungstest\u003C\u002Fh2>\n\u003Cp>Bevor eine Information zum dauerhaften Gedächtnis des Agenten wird, sollte sie anhand von sechs Eigenschaften geprüft werden. Diese Eigenschaften sind nützlicher als ein vager Wichtigkeitswert, da sie vorhersagen, wie sich die Information im Laufe der Zeit verhält.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Sechs Eigenschaften, die entscheiden, ob eine Information ins Gedächtnis gehört\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Eigenschaft\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Frage\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Entscheidungsdruck\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Volatilität\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Autorität\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Wiederverwendungswert\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Rekonstruktionskosten\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Sensibilität\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Revisionsverhalten\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--tip my-6 rounded-xl border p-5 border-violet-300 bg-violet-50 dark:border-violet-900 dark:bg-violet-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Eine praktische Faustregel\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Wenn ein Fakt <strong>volatil + extern maßgeblich + kostengünstig abzurufen<\u002Fstrong> ist, überführen Sie keinen kopierten Wert in das Langzeitgedächtnis. Speichern Sie stattdessen den Zeiger, die Kennung oder den Abrufpfad.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch3 id=\"section-15\">1. Speichern: Dauerhaftes Wissen, das zukünftige Entscheidungen verbessert\u003C\u002Fh3>\n\u003Cp>Ein gutes Langzeitgedächtnis reduziert doppelten Aufwand, ohne den Zustand von gestern zur Wahrheit von heute zu erklären. Typische Kandidaten sind ausdrückliche Benutzerpräferenzen, dauerhafte Projektbeschränkungen, Entscheidungen samt ihrer Begründung, wiederverwendbare Abläufe, wiederkehrende Fehlermuster und überprüfte Fakten, von denen keine häufigen Änderungen erwartet werden.\u003C\u002Fp>\n\u003Cp>Die besten Gedächtnisinhalte sind nicht zwingend rohe Transkripte. Die Arbeit von PlugMem aus dem Jahr 2026 plädiert dafür, Interaktionshistorien in kompakte Fakten und wiederverwendbare Fähigkeiten umzuwandeln. Das BREW-System von Microsoft destilliert vergangene Verläufe auf ähnliche Weise in abrufbares prozedurales Wissen, das beschreibt, was zu tun ist, wann es zutrifft und worauf zu achten ist. Beides verweist auf ein nützliches Konstruktionsprinzip: Speichern Sie wiederverwendbares Wissen, nicht bloß historischen Text.\u003C\u002Fp>\n\u003Cp>Ein gespeicherter Eintrag sollte zudem seine Herkunft bewahren. Ein zukünftiger Agent sollte in der Lage sein zu unterscheiden zwischen „der Benutzer hat dies ausdrücklich verlangt“, „das System hat dies beobachtet“, „eine Quelle hat dies angegeben“ und „ein Modell hat dies geschlussfolgert“. Ohne diese Unterscheidung verwandelt das Gedächtnis Belege, Interpretationen und Spekulationen schrittweise in einen einzigen, undifferenzierten Pool.\u003C\u002Fp>\n\u003Ch3 id=\"section-19\">2. Erneut lesen oder abrufen: volatile Fakten mit einer externen Quelle der Wahrheit\u003C\u002Fh3>\n\u003Cp>Manche Informationen sind gerade deshalb wertvoll, weil sie sich ändern. Aktuelle Berechtigungen, Bestellstatus, Bestand, Kontostatus, Dienstzustand, Softwaredokumentation, Preise, Zeitpläne, Vorschriften und API-Verhalten sollten vor einer folgenreichen Nutzung normalerweise aus dem System erneut gelesen werden, das sie besitzt.\u003C\u002Fp>\n\u003Cp>Der Agent kann sich merken, dass eine Quelle existiert, wie man auf sie zugreift oder welche Felder wichtig sind. Er sollte nicht annehmen, dass ein alter abgerufener Wert weiterhin maßgeblich ist. Dies trennt die Erinnerung daran, wo und wie man Wahrheit erlangt, von einer zwischengespeicherten Kopie der Wahrheit.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Die Falle veralteter Erinnerungen\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Ein Fakt kann perfekt erinnert und dennoch falsch sein. Erinnerungsqualität ist nicht nur Abrufgenauigkeit; sie umfasst auch zu wissen, wann der Abruf einem frischen maßgeblichen Lesevorgang weichen muss.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch3 id=\"section-23\">3. Neu berechnen: abgeleitete Informationen, deren Berechnung günstiger ist als ihnen zu vertrauen\u003C\u002Fh3>\n\u003Cp>Abgeleitete Informationen verdienen eine andere Behandlung als Quellfakten. Wenn ein Wert deterministisch aus aktuellen Eingaben neu berechnet werden kann, kann das Speichern des Ergebnisses unnötige Veraltung erzeugen. Summen, Prozentsätze, Ranglisten, Berechtigungsflags, generierte Zusammenfassungen und andere abgeleitete Ausgaben sollten bei der Nutzung oft neu berechnet werden.\u003C\u002Fp>\n\u003Cp>Der zentrale Kompromiss sind die Kosten. Wenn die Neuberechnung teuer ist, kann das System das Ergebnis zusammen mit der exakten Eingabeversion, dem Zeitstempel, der Ableitungsmethode und den Invalidierungsbedingungen zwischenspeichern. Wenn die Neuberechnung günstig ist, gewinnt normalerweise die Aktualität.\u003C\u002Fp>\n\u003Ch3 id=\"section-26\">4. Vergessen, ablaufen lassen oder ersetzen: Löschen ist eine Fähigkeit\u003C\u002Fh3>\n\u003Cp>Vergessen ist nicht unbedingt ein Defekt. Es ist ein Steuerungsmechanismus. Flüchtige Tool-Ausgaben, einmalige Suchergebnisse, gescheiterte Hypothesen, temporärer Umgebungszustand, Zwischenartefakte des Schlussfolgerns, veraltete Benutzerpräferenzen, abgelaufene Anmeldedaten und überholte Entscheidungen können alle zu Belastungen werden, wenn sie unbegrenzt aktiv bleiben.\u003C\u002Fp>\n\u003Cp>Die neuere Gedächtnisforschung erkennt zunehmend an, dass unbegrenzte Anhäufung die Leistung beeinträchtigen kann. Microsofts menscheninspirierte Gedächtnisarchitektur von 2026 enthält ausdrücklich interferenzbasiertes Vergessen und Konsolidierung, während PlugMem berichtet, dass rohe Verläufe Agenten mit Kontext von geringem Wert überfluten können. Die technische Lehre erfordert nicht, biologisches Gedächtnis zu kopieren: Die Speicherung sollte selektiv sein.\u003C\u002Fp>\n\u003Cp>In vielen Systemen ist das Ersetzen sicherer als sofortiges Löschen. Die alte Entscheidung bleibt prüfbar, aber der Abruf verwendet standardmäßig die neue Entscheidung. Dies ist wichtig für Projekte, Richtlinien, Compliance und jeden Workflow, in dem die Änderungshistorie selbst ein Beweis ist.\u003C\u002Fp>\n\u003Ch2 id=\"section-30\">Die Entscheidungsmethode\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Den Lebenszyklus eines Informationselements entscheiden\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Die Information klassifizieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Handelt es sich um maßgeblichen Zustand, Benutzerpräferenz, externen Beweis, abgeleitete Ausgabe, Verfahren, Beobachtung oder Modellinferenz?\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Die Quelle der Wahrheit identifizieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Feststellen, ob ein anderes System oder eine andere Quelle maßgeblicher bleibt als die Erinnerung selbst.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Volatilität einschätzen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Fragen, wie wahrscheinlich es ist, dass sich das Element vor der nächsten sinnvollen Wiederverwendung ändert.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Wiederverwendungs- und Rekonstruktionskosten einschätzen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Den zukünftigen Wert mit den Kosten und der Zuverlässigkeit des Abrufs oder der Neuerstellung der Information vergleichen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Sensibilität und Umfang prüfen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Definieren, wer auf die Information zugreifen darf, wo sie bestehen bleiben darf und ob die Speicherung gerechtfertigt ist.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Invalidierung definieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Ablauf, Ersetzung, Konfliktlösung oder eine Bedingung festlegen, die einen frischen maßgeblichen Lesevorgang erzwingt.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Die Aktion wählen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Merken, erneut lesen\u002Fabrufen, neu berechnen oder vergessen\u002Fablaufen lassen\u002Fersetzen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Herkunft bewahren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Genügend Metadaten speichern, um Quellfakt, Benutzeraussage, Beobachtung, Ableitung und Modellinferenz zu unterscheiden.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-32\">Beispiele: Derselbe Agent sollte unterschiedliche Lebenszyklusaktionen verwenden\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Information\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Empfohlene Aktion\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Warum\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Der Benutzer bevorzugt prägnante technische Antworten.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Merken\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Stabile Präferenz mit hohem Wiederverwendungswert\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Das Deployment ist derzeit pausiert.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Erneut lesen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Der aktuelle Betriebszustand kann sich ändern\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Die geschätzten Gesamtkosten betragen 48.620 €.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aus aktuellen Eingaben neu berechnen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Abgeleitete Werte sollten Quelländerungen folgen\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine rohe Tool-Antwort mit 20.000 Token von gestern\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Vergessen oder extern archivieren\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Geringe direkte Wiederverwendung; hohe Kontextkosten\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein bestätigter Workaround für einen wiederkehrenden Build-Fehler\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Als wiederverwendbares Verfahren merken\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Hohe zukünftige Wiederverwendung und teure Wiederentdeckung\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine Modellvermutung darüber, warum ein Server ausgefallen ist\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Nicht zu einem dauerhaften Fakt hochstufen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Inferenz ist kein verifizierter Beweis\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine alte Projektentscheidung, die später durch eine neue ersetzt wurde\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ersetzen, Prüfhistorie beibehalten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die neueste Entscheidung sollte gewinnen, ohne die Herkunft zu löschen\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein aktueller Produktpreis\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Erneut abrufen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Hohe Volatilität und externe Autorität\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine rechtliche oder richtlinienbezogene Auslegung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die frühere Analyse nur mit Quell-\u002FVersionsmetadaten merken; vor der Handlung die Autorität erneut prüfen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Anwendbarkeit kann sich mit Zeit und Gerichtsbarkeit ändern\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-34\">Das Gedächtnis sollte Bedingungen speichern, nicht nur Schlussfolgerungen\u003C\u002Fh2>\n\u003Cp>Eine dauerhafte Erinnerung wird gefährlich, wenn sie nur die Schlussfolgerung speichert und die Bedingungen verliert, unter denen die Schlussfolgerung gültig war. „Database-per-Tenant verwenden“ ist schwächer als „Database-per-Tenant verwenden, wenn regulatorische Isolation und mandantenspezifische Lebenszyklusanforderungen den operativen Aufwand überwiegen.“ Die zweite Form bewahrt die Entscheidungsgrenze.\u003C\u002Fp>\n\u003Cp>Dies ist noch wichtiger für vom Agenten erlernte Verfahren. Ein erfolgreicher Workflow sollte nicht nur die Schritte erfassen, sondern auch die Vorbedingungen, die Umgebung, die Tool-Version, beobachtbare Erfolgskriterien und bekannte Fehlermodi. Andernfalls kann eine in der falschen Umgebung abgerufene Erinnerung zuversichtlich eine veraltete Lösung reproduzieren.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">Ein Schreibvorgang in das Gedächtnis sollte aufwendiger sein als ein Lesevorgang\u003C\u002Fh2>\n\u003Cp>Das Lesen einer unzuverlässigen Erinnerung kann eine einzelne Antwort beeinträchtigen. Das Schreiben einer unzuverlässigen Erinnerung kann viele zukünftige Antworten beeinträchtigen. Diese Asymmetrie legt einen strengeren Schreibpfad als Lesepfad nahe: Klassifizieren Sie den Kandidaten, prüfen Sie die Herkunft, erkennen Sie Widersprüche, wenden Sie Sensibilitätsregeln an, definieren Sie den Geltungsbereich und entscheiden Sie, ob eine menschliche Bestätigung oder externe Validierung erforderlich ist.\u003C\u002Fp>\n\u003Cp>Dies ist besonders wichtig, wenn ein Agent Erinnerungen aus seiner eigenen generierten Ausgabe speichert. Eine generierte Zusammenfassung kann Komprimierungsfehler enthalten. Das Fehlschlagen eines Tools kann missinterpretiert werden. Eine plausible Hypothese kann als Tatsache gespeichert werden. Wenn diese Ausgaben ohne Evidenzstatus zum zukünftigen Kontext werden, kann der Agent eine sich selbst verstärkende Fehlerschleife erzeugen.\u003C\u002Fp>\n\u003Ch2 id=\"section-40\">Die Gedächtnisqualität hat mindestens fünf Dimensionen\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Dimension\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Frage\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Behaltensqualität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Hat das System die Informationen bewahrt, die erhalten bleiben sollten?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Abrufqualität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kann das System die richtige Erinnerung abrufen, wenn es darauf ankommt?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktualitätsqualität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Weiß das System, wann gespeicherte Informationen nicht mehr aktuell sind?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Herkunftsqualität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kann das System zwischen Quelle, Benutzeraussage, Beobachtung, Ableitung und Inferenz unterscheiden?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bereinigungsqualität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kann das System Informationen ablaufen lassen, ersetzen, einschränken oder entfernen, wenn sie Entscheidungen nicht mehr beeinflussen sollten?\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Benchmarks beginnen, diese Aspekte voneinander zu trennen. MemGym von Microsoft bewertet das Gedächtnis in agentenbasierten Szenarien mit langen Zeithorizonten explizit und liefert speicherisolierte Bewertungen, die Verzerrungen durch logisches Denken, Abruf und die Fähigkeit zur Tool-Nutzung reduzieren sollen. Diese Richtung ist wichtig, da ein abschließendes Aufgaben-Ergebnis allein nicht aussagen kann, ob das Gedächtnis selbst geholfen, geschadet hat oder irrelevant war.\u003C\u002Fp>\n\u003Ch2 id=\"section-43\">Was standardmäßig nicht in den dauerhaften Speicher gehört\u003C\u002Fh2>\n\u003Cul>\u003Cli>Unverarbeitete Chain-of-Thought- oder verborgene Denk-Artefakte.\u003C\u002Fli>\u003Cli>Temporäre Authentifizierungs-Token, Geheimnisse oder Zugangsdaten.\u003C\u002Fli>\u003Cli>Vom Modell generierte Hypothesen, die nicht verifiziert wurden.\u003C\u002Fli>\u003Cli>Flüchtiger Zustand, für den ein autoritatives Live-System existiert.\u003C\u002Fli>\u003Cli>Mit geringem Aufwand neu berechenbare abgeleitete Werte ohne ihre Ausgangsdaten.\u003C\u002Fli>\u003Cli>Große Tool-Ausgaben bloß deshalb, weil Speicherplatz verfügbar ist.\u003C\u002Fli>\u003Cli>Duplizierte Kopien von Informationen, die bereits von einer besseren Source of Truth verwaltet werden.\u003C\u002Fli>\u003Cli>Sensible personenbezogene Daten ohne klaren Persistenzzweck, Zugriffsumfang und Lebenszyklus.\u003C\u002Fli>\u003Cli>Überholte Schlussfolgerungen ohne explizite Versions- oder Ausmusterungssemantik.\u003C\u002Fli>\u003Cli>Fehlermeldungen oder Fehlerzustände, die nur für den aktuellen Durchlauf nützlich sind und keinen wiederverwendbaren diagnostischen Wert haben.\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2 id=\"section-45\">Gedächtnis ist aufgabenspezifisch – es gibt keinen universell optimalen Speicher\u003C\u002Fh2>\n\u003Cp>Ein Coding-Agent profitiert von wiederverwendbaren Prozeduren, Repository-Konventionen, erfolgreichen Reparaturmustern und Projektentscheidungen. Ein persönlicher Assistent benötigt möglicherweise Präferenzen, Verpflichtungen und Beziehungskontext. Ein Commerce-Agent benötigt den aktuellen Produkt- und Transaktionsstatus weitaus mehr als historische Kopien von Preisen oder Beständen. Ein Recherche-Agent profitiert von Quellennachweisen, ungelösten Hypothesen und einem expliziten Evidenzstatus.\u003C\u002Fp>\n\u003Cp>Die M-Star-Arbeit von Microsoft Research bringt diesen Punkt direkt auf den Punkt: Speichersysteme, die für einen Zweck optimiert sind, lassen sich oft nur schlecht auf einen anderen übertragen, und aufgabenspezifische Speichermechanismen können ein starres Allzweckdesign übertreffen. Das Speicherschema sollte daher den Entscheidungen folgen, die der Agent treffen muss, und nicht einem universellen Template, das jedem Agenten aufgezwungen wird.\u003C\u002Fp>\n\u003Ch2 id=\"section-48\">Was würde diese Antwort ändern?\u003C\u002Fh2>\n\u003Cp>Die Abwägung ändert sich, wenn der Abruf langsam oder teuer ist, autoritative Systeme zeitweise nicht verfügbar sind, Neuberechnungen kostspielig sind, Audit-Regeln historische Snapshots vorschreiben oder der Agent offline arbeiten muss. In diesen Fällen müssen möglicherweise mehr Informationen zwischengespeichert oder persistent abgelegt werden – jedoch mit Versions-, Herkunfts-, Zeitstempel- und Ungültigkeits-Metadaten.\u003C\u002Fp>\n\u003Cp>Die Abwägung ändert sich auch bei Agenten, deren primärer Wert in der Personalisierung liegt. Eine beständige Präferenz kann es wert sein, behalten zu werden, selbst wenn man sie technisch gesehen erneut erfragen könnte. Umgekehrt sollte in Hochrisikobereichen die Schwelle für die Überführung einer Beobachtung oder Interpretation in den dauerhaften Speicher viel höher liegen.\u003C\u002Fp>\n\u003Cp>Zukünftige Plattformen für verwalteten Speicher könnten Konsolidierung, Abruf, Vergessen und Kontextkonstruktion automatisieren. Das kann den Implementierungsaufwand verringern, beseitigt jedoch nicht die Governance-Frage: Welche Informationen dürfen künftige Entscheidungen unter welchen Bedingungen beeinflussen, und wann muss das System zur aktuellen verlässlichen Quelle zurückkehren?\u003C\u002Fp>\n\u003Ch2 id=\"section-52\">Einschränkungen\u003C\u002Fh2>\n\u003Cp>Es gibt in aktuellen Frameworks und der Forschung keine einheitliche Definition von „Agentengedächtnis“. Einige Systeme verwenden den Begriff für den Konversationsverlauf, andere für externe persistente Speicher, strukturiertes Wissen, gelernte Abläufe, Checkpoints oder Modelladaption. Das Entscheidungsmodell in diesem Artikel konzentriert sich auf die operationale Lebenszyklussemantik, anstatt ein bestimmtes Vokabular durchzusetzen.\u003C\u002Fp>\n\u003Cp>Die vier Lebenszyklus-Aktionen können sich zudem überschneiden. Ein System kann sich in einem einzigen Workflow eine stabile Zusammenfassung merken, einen Verweis auf die Quelle behalten, flüchtige Felder neu einlesen und ein abgeleitetes Ergebnis neu berechnen. Der Zweck des Modells besteht nicht darin, ein einzelnes Speicherprimitiv pro Fakt zu erzwingen, sondern den Grund für die Persistenz explizit zu machen.\u003C\u002Fp>\n\u003Ch2 id=\"section-55\">Fazit\u003C\u002Fh2>\n\u003Cp>Ein nützlicher Agent zeichnet sich nicht dadurch aus, dass er sich am meisten merkt. Er überzeugt dadurch, dass er die richtigen Informationen bewahrt, zu maßgeblichen Quellen zurückkehrt, wenn sich die Realität ändern kann, neu berechnet, was sicherer erneut abgeleitet werden sollte, und Informationen ausmustert, die zukünftige Entscheidungen nicht mehr beeinflussen sollten.\u003C\u002Fp>\n\u003Cp>Die praktische Frage bei jedem potenziellen Speicherinhalt lautet daher nicht „Können wir das speichern?“, sondern: Werden künftige Entscheidungen verlässlicher sein, wenn dies erhalten bleibt? Wenn die Antwort von Aktualität, Autorität, Kosten, Sensibilität oder Überarbeitung abhängt, sollten diese Bedingungen im Lebenszyklus des Speichers verankert werden, anstatt sich allein auf den Abruf zu verlassen.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Vom Forschungsprotokoll zu einem allgemeinen KI-Reasoning-Framework\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Eine domänenunabhängige Reasoning-Methode zur Trennung von Belegen und Annahmen, zum Testen konkurrierender Hypothesen und zur Verwendung expliziter Validierungsregeln.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Das Reasoning-Framework lesen →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-59\">FAQ\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Lebenszyklus des Gedächtnisses von KI-Agenten\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Welche Informationen sollte ein KI-Agent langfristig speichern?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Bevorzugen Sie Informationen, die beständig, wiederverwendbar und herkunftssicher sind sowie deren Rekonstruktion aufwendig oder unzuverlässig wäre – wie etwa stabile Benutzerpräferenzen, getroffene Projektentscheidungen, wiederverwendbare Abläufe und verifizierte langfristige Rahmenbedingungen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Was sollte ein KI-Agent erneut abrufen, anstatt es zu speichern?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Flüchtige Informationen mit einer maßgeblichen externen Quelle sollten vor folgenreichen Aktionen im Regelfall erneut abgerufen werden. Beispiele hierfür sind Berechtigungen, Lagerbestände, aktuelle Preise, Kontostände, Richtlinienversionen, der Dienststatus sowie aktuelle Dokumentationen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Wann sollte ein KI-Agent Informationen neu berechnen?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Berechnen Sie abgeleitete Werte neu, wenn die Berechnung kostengünstig ist und veraltete Ergebnisse teuer zu stehen kämen. Das Speichern eines abgeleiteten Werts ist sinnvoller, wenn die Neuberechnung aufwendig ist und der Cache die Quellversion sowie Ungültigkeitsbedingungen enthält.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Sollten KI-Agenten Informationen vergessen?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Ja. Vergessen, Ablaufdaten und Ersetzung sind nützliche Kontrollmechanismen für vorübergehende, veraltete, sensible, wenig relevante oder irreführende Informationen. Eine unbegrenzte Speicherung kann Rauschen erzeugen und dazu führen, dass veraltete oder fehlerhafte Informationen weiterhin künftige Entscheidungen beeinflussen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Ist das Speichern des gesamten Konversationsverlaufs eine gute Gedächtnisstrategie?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nicht von allein. Ein unveränderter Verlauf kann Belege sichern, aber langlebige Agenten benötigen in der Regel Kuration, Strukturierung, Zusammenfassungen, wiederverwendbare Fakten oder Abläufe, Retrieval-Mechanismen und Lebenszyklusregeln, damit irrelevante Historie nicht den künftigen Kontext dominiert.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-61\">Glossar\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Wichtige Begriffe zum Speicher-Lebenszyklus\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"memory-admission\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Speicheraufnahme (Memory admission)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Der Entscheidungsprozess, der bestimmt, ob Informationen in den dauerhaften Speicher des Agenten aufgenommen werden dürfen.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"supersession\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Ablösung (Supersession)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Das Kennzeichnen einer älteren Erinnerung oder Entscheidung als durch neuere Informationen ersetzt, wobei der historische Datensatz bei Bedarf erhalten bleibt.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"invalidation\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Ungültigkeitserklärung (Invalidation)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Eine Regel oder ein Ereignis, wodurch ein gespeicherter oder zwischengespeicherter Wert ohne Aktualisierung, Neuberechnung oder Überprüfung nicht mehr sicher wiederverwendet werden kann.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"provenance\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Provenienz (Provenance)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Metadaten, die beschreiben, woher eine Information stammt, wann sie erfasst wurde, wer oder was sie formuliert hat und wie sie transformiert wurde.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"volatility\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Volatilität\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Die Wahrscheinlichkeit, dass sich eine Information zwischen dem Zeitpunkt der Speicherung und der Wiederverwendung ändert.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"reconstruction-cost\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Rekonstruktionskosten\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Der Aufwand an Zeit, Kosten, Rechenleistung, Tool-Nutzung oder Unsicherheit, der erforderlich ist, um Informationen wiederherzustellen oder neu zu generieren, anstatt sie zu speichern.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-63\">Primärquellen und weiterführende Literatur\u003C\u002Fh2>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Context Engineering: Short-Term Memory Management with Sessions\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Anleitung zu Trimming, Zusammenfassungen, langlebigem Kontext und Risiken wie veralteten Details und Kontextvergiftung.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Effective Context Engineering for AI Agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Technische Anleitung zu Kuration, Komprimierung, strukturierter Notizführung und der Aufrechterhaltung eines nützlichen Agentenkontexts über lange Zeiträume.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Effective Harnesses for Long-Running Agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Praktische Ansätze zur Sicherung von Fortschritten und Artefakten über Kontextfenster hinweg bei langlebigen Agentenaufgaben.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — PlugMem\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Forschung zur Umwandlung roher Agenteninteraktionen in strukturierte, wiederverwendbare Fakten und Fähigkeiten, anstatt undifferenzierte Historie anzuhäufen.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — M★: Every Task Deserves Its Own Memory Harness\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Forschungsarbeit, die zeigt, dass aufgabenspezifische Speichermechanismen starre, universelle Speicherarchitekturen übertreffen können.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — MemGym\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Ein Benchmark zur Isolierung und Evaluierung der Speicherleistung von Agenten in langfristigen Umgebungen.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — Human-Inspired Memory Architecture for LLM Agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Forschung zur Untersuchung von Konsolidierung, interferenzbasiertem Vergessen, Rekonsolidierung und Abruf im persistenten Gedächtnis von Agenten.\u003C\u002Fp>\u003C\u002Fa>",{"time":211,"blocks":212,"version":812},1790367260851,[213,221,227,235,242,247,252,257,262,267,298,303,308,350,357,362,367,372,377,382,387,392,399,404,409,414,419,424,429,434,439,471,476,521,526,531,536,541,546,551,556,578,583,588,606,611,616,621,626,631,636,641,646,651,656,661,666,671,680,685,711,716,743,748,758,767,776,785,794,803],{"id":214,"data":215,"type":219,"tunes":220},"XDf71jsthn",{"title":216,"maxLevel":217,"minLevel":218},"Inhalt",3,2,"tableOfContents",{},{"id":222,"data":223,"type":225,"tunes":226},"intro",{"text":224},"Langlebige KI-Agenten sammeln weit mehr Informationen an, als sie dauerhaft speichern sollten. Konversationen, Tool-Ausgaben, Zwischenberechnungen, Benutzerpräferenzen, Projektentscheidungen, Suchergebnisse, Systemzustände, Fehler und erfolgreiche Abläufe können im jeweiligen Moment alle nützlich erscheinen. Werden sie jedoch ausnahmslos als dauerhaftes Gedächtnis behandelt, entsteht ein zweites Problem: Der Agent muss später entscheiden, welche gespeicherten Informationen noch vertrauenswürdig, aktuell, relevant und sicher wiederzuverwenden sind.","paragraph",{},{"id":228,"data":229,"type":233,"tunes":234},"direct",{"body":230,"title":231,"variant":232},"Ein KI-Agent sollte \u003Cstrong>Informationen speichern, die beständig, wiederverwendbar, herkunftssicher und aufwendig neu zu ermitteln sind\u003C\u002Fstrong>; \u003Cstrong>flüchtige Fakten aus ihrer maßgeblichen Quelle neu einlesen oder abrufen\u003C\u002Fstrong>; \u003Cstrong>kostengünstig abgeleitete Werte neu berechnen, wenn Aktualität eine Rolle spielt\u003C\u002Fstrong>; und \u003Cstrong>Informationen vergessen, verfallen lassen oder ersetzen, deren künftige Wiederverwendung mehr Risiken als Nutzen mit sich bringt\u003C\u002Fstrong>. Die richtige Maßnahme hängt weniger davon ab, ob eine Information „wichtig“ ist, sondern vielmehr von ihrer Volatilität, Autorität, ihren Ableitungskosten, ihrem Wiederverwendungswert, ihrer Sensibilität und ihrem Revisionsverhalten.","Direkte Antwort","info","callout",{},{"id":236,"data":237,"type":233,"tunes":241},"model-note",{"body":238,"title":239,"variant":240},"Das Modell „Speichern \u002F Neu einlesen \u002F Neu berechnen \u002F Vergessen“ und der nachfolgende Gedächtnis-Zulassungstest sind praxisnahe Architekturwerkzeuge, die in diesem Artikel vorgeschlagen werden. Es handelt sich dabei nicht um formale Industriestandards. Sie wurden entwickelt, um Entscheidungen über das Agentengedächtnis explizit, überprüfbar und auditierbar zu machen.","Über das Entscheidungsmodell","note",{},{"id":243,"data":244,"type":41,"tunes":246},"h-lifecycle",{"text":245,"level":218},"Das eigentliche Speicherproblem ist nicht die Speicherkapazität – es ist die Steuerung des Lebenszyklus",{},{"id":248,"data":249,"type":225,"tunes":251},"p-life-1",{"text":250},"Moderne Agentensysteme können fast alles speichern: vollständige Transkripte, Zusammenfassungen, Embeddings, Dateien, Datenbankeinträge, Tool-Traces, strukturierte Fakten, Fähigkeiten und externe Artefakte. Die Speicherkapazität ist daher nicht die eigentliche Hürde. Die Herausforderung besteht darin zu entscheiden, was es wert ist, erhalten zu bleiben, wie lange es erhalten bleiben soll und was geschehen muss, wenn sich die Realität ändert.",{},{"id":253,"data":254,"type":225,"tunes":256},"p-life-2",{"text":255},"Der Leitfaden von OpenAI zum Sitzungsgedächtnis warnt ausdrücklich davor, dass das Mitschleppen von zu viel Historie zu Ablenkung, Ineffizienz, Kontextvergiftung und sich häufenden Fehlern führen kann. Anthropic betrachtet Kontext ähnlich als begrenzte Ressource, die kuratiert statt unkontrolliert angesammelt werden muss. Microsoft Research schlägt dieselbe Richtung ein: PlugMem wandelt unstrukturierte Interaktionshistorien in wiederverwendbares, strukturiertes Wissen um, anstatt den vollständigen Verlauf als gleichermaßen wertvolles Gedächtnis zu behandeln.",{},{"id":258,"data":259,"type":225,"tunes":261},"p-life-3",{"text":260},"Die architektonische Konsequenz ist einfach: Ein Gedächtnis benötigt eine Zulassungsrichtlinie, eine Wartungsrichtlinie und eine Ausmusterungsrichtlinie. Ein Retriever allein liefert diese Semantik nicht.",{},{"id":263,"data":264,"type":41,"tunes":266},"h-actions",{"text":265,"level":218},"Vier mögliche Aktionen für jede Information eines Agenten",{},{"id":268,"data":269,"type":296,"tunes":297},"table-actions",{"content":270,"stretched":42,"withHeadings":13},[271,276,281,286,291],[272,273,274,275],"Aktion","Anwenden, wenn","Typische Beispiele","Hauptrisiko",[277,278,279,280],"Speichern","Die Information über zukünftige Aufgaben hinweg nützlich bleibt und nur mit hohem Aufwand oder gar nicht zuverlässig rekonstruiert werden kann","Stabile Benutzerpräferenz, akzeptierte Projektentscheidung, wiederverwendbare Fähigkeit, verifizierte langfristige Einschränkung","Dauerhaftes Festhalten von falschen, veralteten oder zu allgemeinen Daten",[282,283,284,285],"Neu einlesen \u002F Abrufen","Die Information über eine maßgebliche Quelle verfügt, die sich ändern kann","Berechtigungen, Inventar, Richtlinienversion, Bestellstatus, Produktpreis, aktuelle API-Dokumentation","Verwendung einer veralteten Kopie statt der aktuellen maßgeblichen Quelle",[287,288,289,290],"Neu berechnen","Die Information abgeleitet und kostengünstig genug ist, um erneut berechnet zu werden","Summen, Scores, Ranglisten, Zusammenfassungen aus aktuellen Quelldaten, deterministische Transformationen","Dauerhaftes Speichern veralteter abgeleiteter Ergebnisse",[292,293,294,295],"Vergessen \u002F Verfallen lassen \u002F Ersetzen","Die künftige Wiederverwendung wenig Nutzen bringt oder Risiken für den Datenschutz, Veralterung, Konflikte oder Verunreinigung birgt","Flüchtige Tool-Ausgabe, verworfene Hypothese, überholte Entscheidung, temporäres Token, veralteter Umgebungszustand","Verlust von Informationen, die sich später als notwendig erweisen","table",{},{"id":299,"data":300,"type":41,"tunes":302},"h-admission",{"text":301,"level":218},"Der Gedächtnis-Zulassungstest",{},{"id":304,"data":305,"type":225,"tunes":307},"p-admission-intro",{"text":306},"Bevor eine Information zum dauerhaften Gedächtnis des Agenten wird, sollte sie anhand von sechs Eigenschaften geprüft werden. Diese Eigenschaften sind nützlicher als ein vager Wichtigkeitswert, da sie vorhersagen, wie sich die Information im Laufe der Zeit verhält.",{},{"id":309,"data":310,"type":348,"tunes":349},"admission-comparison",{"rows":311,"title":337,"layout":296,"columns":338},[312,317,321,325,329,333],{"id":313,"label":314,"values":315},"volatility","Volatilität",[316,316,316],"",{"id":318,"label":319,"values":320},"authority","Autorität",[316,316,316],{"id":322,"label":323,"values":324},"reuse","Wiederverwendungswert",[316,316,316],{"id":326,"label":327,"values":328},"reconstruction","Rekonstruktionskosten",[316,316,316],{"id":330,"label":331,"values":332},"sensitivity","Sensibilität",[316,316,316],{"id":334,"label":335,"values":336},"revision","Revisionsverhalten",[316,316,316],"Sechs Eigenschaften, die entscheiden, ob eine Information ins Gedächtnis gehört",[339,342,345],{"id":340,"label":341},"property","Eigenschaft",{"id":343,"label":344},"question","Frage",{"id":346,"label":347},"effect","Entscheidungsdruck","comparison",{},{"id":351,"data":352,"type":233,"tunes":356},"rule-volatile",{"body":353,"title":354,"variant":355},"Wenn ein Fakt \u003Cstrong>volatil + extern maßgeblich + kostengünstig abzurufen\u003C\u002Fstrong> ist, überführen Sie keinen kopierten Wert in das Langzeitgedächtnis. Speichern Sie stattdessen den Zeiger, die Kennung oder den Abrufpfad.","Eine praktische Faustregel","tip",{},{"id":358,"data":359,"type":41,"tunes":361},"h-remember",{"text":360,"level":217},"1. Speichern: Dauerhaftes Wissen, das zukünftige Entscheidungen verbessert",{},{"id":363,"data":364,"type":225,"tunes":366},"p-remember-1",{"text":365},"Ein gutes Langzeitgedächtnis reduziert doppelten Aufwand, ohne den Zustand von gestern zur Wahrheit von heute zu erklären. Typische Kandidaten sind ausdrückliche Benutzerpräferenzen, dauerhafte Projektbeschränkungen, Entscheidungen samt ihrer Begründung, wiederverwendbare Abläufe, wiederkehrende Fehlermuster und überprüfte Fakten, von denen keine häufigen Änderungen erwartet werden.",{},{"id":368,"data":369,"type":225,"tunes":371},"p-remember-2",{"text":370},"Die besten Gedächtnisinhalte sind nicht zwingend rohe Transkripte. Die Arbeit von PlugMem aus dem Jahr 2026 plädiert dafür, Interaktionshistorien in kompakte Fakten und wiederverwendbare Fähigkeiten umzuwandeln. Das BREW-System von Microsoft destilliert vergangene Verläufe auf ähnliche Weise in abrufbares prozedurales Wissen, das beschreibt, was zu tun ist, wann es zutrifft und worauf zu achten ist. Beides verweist auf ein nützliches Konstruktionsprinzip: Speichern Sie wiederverwendbares Wissen, nicht bloß historischen Text.",{},{"id":373,"data":374,"type":225,"tunes":376},"p-remember-3",{"text":375},"Ein gespeicherter Eintrag sollte zudem seine Herkunft bewahren. Ein zukünftiger Agent sollte in der Lage sein zu unterscheiden zwischen „der Benutzer hat dies ausdrücklich verlangt“, „das System hat dies beobachtet“, „eine Quelle hat dies angegeben“ und „ein Modell hat dies geschlussfolgert“. Ohne diese Unterscheidung verwandelt das Gedächtnis Belege, Interpretationen und Spekulationen schrittweise in einen einzigen, undifferenzierten Pool.",{},{"id":378,"data":379,"type":41,"tunes":381},"h-reread",{"text":380,"level":217},"2. Erneut lesen oder abrufen: volatile Fakten mit einer externen Quelle der Wahrheit",{},{"id":383,"data":384,"type":225,"tunes":386},"p-reread-1",{"text":385},"Manche Informationen sind gerade deshalb wertvoll, weil sie sich ändern. Aktuelle Berechtigungen, Bestellstatus, Bestand, Kontostatus, Dienstzustand, Softwaredokumentation, Preise, Zeitpläne, Vorschriften und API-Verhalten sollten vor einer folgenreichen Nutzung normalerweise aus dem System erneut gelesen werden, das sie besitzt.",{},{"id":388,"data":389,"type":225,"tunes":391},"p-reread-2",{"text":390},"Der Agent kann sich merken, dass eine Quelle existiert, wie man auf sie zugreift oder welche Felder wichtig sind. Er sollte nicht annehmen, dass ein alter abgerufener Wert weiterhin maßgeblich ist. Dies trennt die Erinnerung daran, wo und wie man Wahrheit erlangt, von einer zwischengespeicherten Kopie der Wahrheit.",{},{"id":393,"data":394,"type":233,"tunes":398},"stale-trap",{"body":395,"title":396,"variant":397},"Ein Fakt kann perfekt erinnert und dennoch falsch sein. Erinnerungsqualität ist nicht nur Abrufgenauigkeit; sie umfasst auch zu wissen, wann der Abruf einem frischen maßgeblichen Lesevorgang weichen muss.","Die Falle veralteter Erinnerungen","warning",{},{"id":400,"data":401,"type":41,"tunes":403},"h-recompute",{"text":402,"level":217},"3. Neu berechnen: abgeleitete Informationen, deren Berechnung günstiger ist als ihnen zu vertrauen",{},{"id":405,"data":406,"type":225,"tunes":408},"p-recompute-1",{"text":407},"Abgeleitete Informationen verdienen eine andere Behandlung als Quellfakten. Wenn ein Wert deterministisch aus aktuellen Eingaben neu berechnet werden kann, kann das Speichern des Ergebnisses unnötige Veraltung erzeugen. Summen, Prozentsätze, Ranglisten, Berechtigungsflags, generierte Zusammenfassungen und andere abgeleitete Ausgaben sollten bei der Nutzung oft neu berechnet werden.",{},{"id":410,"data":411,"type":225,"tunes":413},"p-recompute-2",{"text":412},"Der zentrale Kompromiss sind die Kosten. Wenn die Neuberechnung teuer ist, kann das System das Ergebnis zusammen mit der exakten Eingabeversion, dem Zeitstempel, der Ableitungsmethode und den Invalidierungsbedingungen zwischenspeichern. Wenn die Neuberechnung günstig ist, gewinnt normalerweise die Aktualität.",{},{"id":415,"data":416,"type":41,"tunes":418},"h-forget",{"text":417,"level":217},"4. Vergessen, ablaufen lassen oder ersetzen: Löschen ist eine Fähigkeit",{},{"id":420,"data":421,"type":225,"tunes":423},"p-forget-1",{"text":422},"Vergessen ist nicht unbedingt ein Defekt. Es ist ein Steuerungsmechanismus. Flüchtige Tool-Ausgaben, einmalige Suchergebnisse, gescheiterte Hypothesen, temporärer Umgebungszustand, Zwischenartefakte des Schlussfolgerns, veraltete Benutzerpräferenzen, abgelaufene Anmeldedaten und überholte Entscheidungen können alle zu Belastungen werden, wenn sie unbegrenzt aktiv bleiben.",{},{"id":425,"data":426,"type":225,"tunes":428},"p-forget-2",{"text":427},"Die neuere Gedächtnisforschung erkennt zunehmend an, dass unbegrenzte Anhäufung die Leistung beeinträchtigen kann. Microsofts menscheninspirierte Gedächtnisarchitektur von 2026 enthält ausdrücklich interferenzbasiertes Vergessen und Konsolidierung, während PlugMem berichtet, dass rohe Verläufe Agenten mit Kontext von geringem Wert überfluten können. Die technische Lehre erfordert nicht, biologisches Gedächtnis zu kopieren: Die Speicherung sollte selektiv sein.",{},{"id":430,"data":431,"type":225,"tunes":433},"p-forget-3",{"text":432},"In vielen Systemen ist das Ersetzen sicherer als sofortiges Löschen. Die alte Entscheidung bleibt prüfbar, aber der Abruf verwendet standardmäßig die neue Entscheidung. Dies ist wichtig für Projekte, Richtlinien, Compliance und jeden Workflow, in dem die Änderungshistorie selbst ein Beweis ist.",{},{"id":435,"data":436,"type":41,"tunes":438},"h-method",{"text":437,"level":218},"Die Entscheidungsmethode",{},{"id":440,"data":441,"type":469,"tunes":470},"decision-flow",{"steps":442,"title":467,"orientation":468},[443,446,449,452,455,458,461,464],{"label":444,"description":445},"1. Die Information klassifizieren","Handelt es sich um maßgeblichen Zustand, Benutzerpräferenz, externen Beweis, abgeleitete Ausgabe, Verfahren, Beobachtung oder Modellinferenz?",{"label":447,"description":448},"2. Die Quelle der Wahrheit identifizieren","Feststellen, ob ein anderes System oder eine andere Quelle maßgeblicher bleibt als die Erinnerung selbst.",{"label":450,"description":451},"3. Volatilität einschätzen","Fragen, wie wahrscheinlich es ist, dass sich das Element vor der nächsten sinnvollen Wiederverwendung ändert.",{"label":453,"description":454},"4. Wiederverwendungs- und Rekonstruktionskosten einschätzen","Den zukünftigen Wert mit den Kosten und der Zuverlässigkeit des Abrufs oder der Neuerstellung der Information vergleichen.",{"label":456,"description":457},"5. Sensibilität und Umfang prüfen","Definieren, wer auf die Information zugreifen darf, wo sie bestehen bleiben darf und ob die Speicherung gerechtfertigt ist.",{"label":459,"description":460},"6. Invalidierung definieren","Ablauf, Ersetzung, Konfliktlösung oder eine Bedingung festlegen, die einen frischen maßgeblichen Lesevorgang erzwingt.",{"label":462,"description":463},"7. Die Aktion wählen","Merken, erneut lesen\u002Fabrufen, neu berechnen oder vergessen\u002Fablaufen lassen\u002Fersetzen.",{"label":465,"description":466},"8. Herkunft bewahren","Genügend Metadaten speichern, um Quellfakt, Benutzeraussage, Beobachtung, Ableitung und Modellinferenz zu unterscheiden.","Den Lebenszyklus eines Informationselements entscheiden","auto","processFlow",{},{"id":472,"data":473,"type":41,"tunes":475},"h-examples",{"text":474,"level":218},"Beispiele: Derselbe Agent sollte unterschiedliche Lebenszyklusaktionen verwenden",{},{"id":477,"data":478,"type":296,"tunes":520},"examples-table",{"content":479,"stretched":42,"withHeadings":13},[480,484,488,492,496,500,504,508,512,516],[481,482,483],"Information","Empfohlene Aktion","Warum",[485,486,487],"„Der Benutzer bevorzugt prägnante technische Antworten.“","Merken","Stabile Präferenz mit hohem Wiederverwendungswert",[489,490,491],"„Das Deployment ist derzeit pausiert.“","Erneut lesen","Der aktuelle Betriebszustand kann sich ändern",[493,494,495],"„Die geschätzten Gesamtkosten betragen 48.620 €.“","Aus aktuellen Eingaben neu berechnen","Abgeleitete Werte sollten Quelländerungen folgen",[497,498,499],"Eine rohe Tool-Antwort mit 20.000 Token von gestern","Vergessen oder extern archivieren","Geringe direkte Wiederverwendung; hohe Kontextkosten",[501,502,503],"Ein bestätigter Workaround für einen wiederkehrenden Build-Fehler","Als wiederverwendbares Verfahren merken","Hohe zukünftige Wiederverwendung und teure Wiederentdeckung",[505,506,507],"Eine Modellvermutung darüber, warum ein Server ausgefallen ist","Nicht zu einem dauerhaften Fakt hochstufen","Inferenz ist kein verifizierter Beweis",[509,510,511],"Eine alte Projektentscheidung, die später durch eine neue ersetzt wurde","Ersetzen, Prüfhistorie beibehalten","Die neueste Entscheidung sollte gewinnen, ohne die Herkunft zu löschen",[513,514,515],"Ein aktueller Produktpreis","Erneut abrufen","Hohe Volatilität und externe Autorität",[517,518,519],"Eine rechtliche oder richtlinienbezogene Auslegung","Die frühere Analyse nur mit Quell-\u002FVersionsmetadaten merken; vor der Handlung die Autorität erneut prüfen","Die Anwendbarkeit kann sich mit Zeit und Gerichtsbarkeit ändern",{},{"id":522,"data":523,"type":41,"tunes":525},"h-conditions",{"text":524,"level":218},"Das Gedächtnis sollte Bedingungen speichern, nicht nur Schlussfolgerungen",{},{"id":527,"data":528,"type":225,"tunes":530},"p-cond-1",{"text":529},"Eine dauerhafte Erinnerung wird gefährlich, wenn sie nur die Schlussfolgerung speichert und die Bedingungen verliert, unter denen die Schlussfolgerung gültig war. „Database-per-Tenant verwenden“ ist schwächer als „Database-per-Tenant verwenden, wenn regulatorische Isolation und mandantenspezifische Lebenszyklusanforderungen den operativen Aufwand überwiegen.“ Die zweite Form bewahrt die Entscheidungsgrenze.",{},{"id":532,"data":533,"type":225,"tunes":535},"p-cond-2",{"text":534},"Dies ist noch wichtiger für vom Agenten erlernte Verfahren. Ein erfolgreicher Workflow sollte nicht nur die Schritte erfassen, sondern auch die Vorbedingungen, die Umgebung, die Tool-Version, beobachtbare Erfolgskriterien und bekannte Fehlermodi. Andernfalls kann eine in der falschen Umgebung abgerufene Erinnerung zuversichtlich eine veraltete Lösung reproduzieren.",{},{"id":537,"data":538,"type":41,"tunes":540},"h-write-cost",{"text":539,"level":218},"Ein Schreibvorgang in das Gedächtnis sollte aufwendiger sein als ein Lesevorgang",{},{"id":542,"data":543,"type":225,"tunes":545},"p-write-1",{"text":544},"Das Lesen einer unzuverlässigen Erinnerung kann eine einzelne Antwort beeinträchtigen. Das Schreiben einer unzuverlässigen Erinnerung kann viele zukünftige Antworten beeinträchtigen. Diese Asymmetrie legt einen strengeren Schreibpfad als Lesepfad nahe: Klassifizieren Sie den Kandidaten, prüfen Sie die Herkunft, erkennen Sie Widersprüche, wenden Sie Sensibilitätsregeln an, definieren Sie den Geltungsbereich und entscheiden Sie, ob eine menschliche Bestätigung oder externe Validierung erforderlich ist.",{},{"id":547,"data":548,"type":225,"tunes":550},"p-write-2",{"text":549},"Dies ist besonders wichtig, wenn ein Agent Erinnerungen aus seiner eigenen generierten Ausgabe speichert. Eine generierte Zusammenfassung kann Komprimierungsfehler enthalten. Das Fehlschlagen eines Tools kann missinterpretiert werden. Eine plausible Hypothese kann als Tatsache gespeichert werden. Wenn diese Ausgaben ohne Evidenzstatus zum zukünftigen Kontext werden, kann der Agent eine sich selbst verstärkende Fehlerschleife erzeugen.",{},{"id":552,"data":553,"type":41,"tunes":555},"h-quality",{"text":554,"level":218},"Die Gedächtnisqualität hat mindestens fünf Dimensionen",{},{"id":557,"data":558,"type":296,"tunes":577},"quality-table",{"content":559,"stretched":42,"withHeadings":13},[560,562,565,568,571,574],[561,344],"Dimension",[563,564],"Behaltensqualität","Hat das System die Informationen bewahrt, die erhalten bleiben sollten?",[566,567],"Abrufqualität","Kann das System die richtige Erinnerung abrufen, wenn es darauf ankommt?",[569,570],"Aktualitätsqualität","Weiß das System, wann gespeicherte Informationen nicht mehr aktuell sind?",[572,573],"Herkunftsqualität","Kann das System zwischen Quelle, Benutzeraussage, Beobachtung, Ableitung und Inferenz unterscheiden?",[575,576],"Bereinigungsqualität","Kann das System Informationen ablaufen lassen, ersetzen, einschränken oder entfernen, wenn sie Entscheidungen nicht mehr beeinflussen sollten?",{},{"id":579,"data":580,"type":225,"tunes":582},"p-quality-1",{"text":581},"Benchmarks beginnen, diese Aspekte voneinander zu trennen. MemGym von Microsoft bewertet das Gedächtnis in agentenbasierten Szenarien mit langen Zeithorizonten explizit und liefert speicherisolierte Bewertungen, die Verzerrungen durch logisches Denken, Abruf und die Fähigkeit zur Tool-Nutzung reduzieren sollen. Diese Richtung ist wichtig, da ein abschließendes Aufgaben-Ergebnis allein nicht aussagen kann, ob das Gedächtnis selbst geholfen, geschadet hat oder irrelevant war.",{},{"id":584,"data":585,"type":41,"tunes":587},"h-not-store",{"text":586,"level":218},"Was standardmäßig nicht in den dauerhaften Speicher gehört",{},{"id":589,"data":590,"type":604,"tunes":605},"not-store-list",{"meta":591,"items":592,"style":603},{},[593,594,595,596,597,598,599,600,601,602],"Unverarbeitete Chain-of-Thought- oder verborgene Denk-Artefakte.","Temporäre Authentifizierungs-Token, Geheimnisse oder Zugangsdaten.","Vom Modell generierte Hypothesen, die nicht verifiziert wurden.","Flüchtiger Zustand, für den ein autoritatives Live-System existiert.","Mit geringem Aufwand neu berechenbare abgeleitete Werte ohne ihre Ausgangsdaten.","Große Tool-Ausgaben bloß deshalb, weil Speicherplatz verfügbar ist.","Duplizierte Kopien von Informationen, die bereits von einer besseren Source of Truth verwaltet werden.","Sensible personenbezogene Daten ohne klaren Persistenzzweck, Zugriffsumfang und Lebenszyklus.","Überholte Schlussfolgerungen ohne explizite Versions- oder Ausmusterungssemantik.","Fehlermeldungen oder Fehlerzustände, die nur für den aktuellen Durchlauf nützlich sind und keinen wiederverwendbaren diagnostischen Wert haben.","unordered","list",{},{"id":607,"data":608,"type":41,"tunes":610},"h-task-specific",{"text":609,"level":218},"Gedächtnis ist aufgabenspezifisch – es gibt keinen universell optimalen Speicher",{},{"id":612,"data":613,"type":225,"tunes":615},"p-task-1",{"text":614},"Ein Coding-Agent profitiert von wiederverwendbaren Prozeduren, Repository-Konventionen, erfolgreichen Reparaturmustern und Projektentscheidungen. Ein persönlicher Assistent benötigt möglicherweise Präferenzen, Verpflichtungen und Beziehungskontext. Ein Commerce-Agent benötigt den aktuellen Produkt- und Transaktionsstatus weitaus mehr als historische Kopien von Preisen oder Beständen. Ein Recherche-Agent profitiert von Quellennachweisen, ungelösten Hypothesen und einem expliziten Evidenzstatus.",{},{"id":617,"data":618,"type":225,"tunes":620},"p-task-2",{"text":619},"Die M-Star-Arbeit von Microsoft Research bringt diesen Punkt direkt auf den Punkt: Speichersysteme, die für einen Zweck optimiert sind, lassen sich oft nur schlecht auf einen anderen übertragen, und aufgabenspezifische Speichermechanismen können ein starres Allzweckdesign übertreffen. Das Speicherschema sollte daher den Entscheidungen folgen, die der Agent treffen muss, und nicht einem universellen Template, das jedem Agenten aufgezwungen wird.",{},{"id":622,"data":623,"type":41,"tunes":625},"h-change",{"text":624,"level":218},"Was würde diese Antwort ändern?",{},{"id":627,"data":628,"type":225,"tunes":630},"p-change-1",{"text":629},"Die Abwägung ändert sich, wenn der Abruf langsam oder teuer ist, autoritative Systeme zeitweise nicht verfügbar sind, Neuberechnungen kostspielig sind, Audit-Regeln historische Snapshots vorschreiben oder der Agent offline arbeiten muss. In diesen Fällen müssen möglicherweise mehr Informationen zwischengespeichert oder persistent abgelegt werden – jedoch mit Versions-, Herkunfts-, Zeitstempel- und Ungültigkeits-Metadaten.",{},{"id":632,"data":633,"type":225,"tunes":635},"p-change-2",{"text":634},"Die Abwägung ändert sich auch bei Agenten, deren primärer Wert in der Personalisierung liegt. Eine beständige Präferenz kann es wert sein, behalten zu werden, selbst wenn man sie technisch gesehen erneut erfragen könnte. Umgekehrt sollte in Hochrisikobereichen die Schwelle für die Überführung einer Beobachtung oder Interpretation in den dauerhaften Speicher viel höher liegen.",{},{"id":637,"data":638,"type":225,"tunes":640},"p-change-3",{"text":639},"Zukünftige Plattformen für verwalteten Speicher könnten Konsolidierung, Abruf, Vergessen und Kontextkonstruktion automatisieren. Das kann den Implementierungsaufwand verringern, beseitigt jedoch nicht die Governance-Frage: Welche Informationen dürfen künftige Entscheidungen unter welchen Bedingungen beeinflussen, und wann muss das System zur aktuellen verlässlichen Quelle zurückkehren?",{},{"id":642,"data":643,"type":41,"tunes":645},"h-limitations",{"text":644,"level":218},"Einschränkungen",{},{"id":647,"data":648,"type":225,"tunes":650},"p-limit-1",{"text":649},"Es gibt in aktuellen Frameworks und der Forschung keine einheitliche Definition von „Agentengedächtnis“. Einige Systeme verwenden den Begriff für den Konversationsverlauf, andere für externe persistente Speicher, strukturiertes Wissen, gelernte Abläufe, Checkpoints oder Modelladaption. Das Entscheidungsmodell in diesem Artikel konzentriert sich auf die operationale Lebenszyklussemantik, anstatt ein bestimmtes Vokabular durchzusetzen.",{},{"id":652,"data":653,"type":225,"tunes":655},"p-limit-2",{"text":654},"Die vier Lebenszyklus-Aktionen können sich zudem überschneiden. Ein System kann sich in einem einzigen Workflow eine stabile Zusammenfassung merken, einen Verweis auf die Quelle behalten, flüchtige Felder neu einlesen und ein abgeleitetes Ergebnis neu berechnen. Der Zweck des Modells besteht nicht darin, ein einzelnes Speicherprimitiv pro Fakt zu erzwingen, sondern den Grund für die Persistenz explizit zu machen.",{},{"id":657,"data":658,"type":41,"tunes":660},"h-conclusion",{"text":659,"level":218},"Fazit",{},{"id":662,"data":663,"type":225,"tunes":665},"p-conclusion-1",{"text":664},"Ein nützlicher Agent zeichnet sich nicht dadurch aus, dass er sich am meisten merkt. Er überzeugt dadurch, dass er die richtigen Informationen bewahrt, zu maßgeblichen Quellen zurückkehrt, wenn sich die Realität ändern kann, neu berechnet, was sicherer erneut abgeleitet werden sollte, und Informationen ausmustert, die zukünftige Entscheidungen nicht mehr beeinflussen sollten.",{},{"id":667,"data":668,"type":225,"tunes":670},"p-conclusion-2",{"text":669},"Die praktische Frage bei jedem potenziellen Speicherinhalt lautet daher nicht „Können wir das speichern?“, sondern: Werden künftige Entscheidungen verlässlicher sein, wenn dies erhalten bleibt? Wenn die Antwort von Aktualität, Autorität, Kosten, Sensibilität oder Überarbeitung abhängt, sollten diese Bedingungen im Lebenszyklus des Speichers verankert werden, anstatt sich allein auf den Abruf zu verlassen.",{},{"id":672,"data":673,"type":678,"tunes":679},"internal-reasoning",{"url":674,"title":675,"excerpt":676,"ctaLabel":677},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework","Vom Forschungsprotokoll zu einem allgemeinen KI-Reasoning-Framework","Eine domänenunabhängige Reasoning-Methode zur Trennung von Belegen und Annahmen, zum Testen konkurrierender Hypothesen und zur Verwendung expliziter Validierungsregeln.","Das Reasoning-Framework lesen","referralArticle",{},{"id":681,"data":682,"type":41,"tunes":684},"h-faq",{"text":683,"level":218},"FAQ",{},{"id":686,"data":687,"type":686,"tunes":710},"faq",{"items":688,"title":709},[689,693,697,701,705],{"id":690,"answer":691,"question":692},"faq1","Bevorzugen Sie Informationen, die beständig, wiederverwendbar und herkunftssicher sind sowie deren Rekonstruktion aufwendig oder unzuverlässig wäre – wie etwa stabile Benutzerpräferenzen, getroffene Projektentscheidungen, wiederverwendbare Abläufe und verifizierte langfristige Rahmenbedingungen.","Welche Informationen sollte ein KI-Agent langfristig speichern?",{"id":694,"answer":695,"question":696},"faq2","Flüchtige Informationen mit einer maßgeblichen externen Quelle sollten vor folgenreichen Aktionen im Regelfall erneut abgerufen werden. Beispiele hierfür sind Berechtigungen, Lagerbestände, aktuelle Preise, Kontostände, Richtlinienversionen, der Dienststatus sowie aktuelle Dokumentationen.","Was sollte ein KI-Agent erneut abrufen, anstatt es zu speichern?",{"id":698,"answer":699,"question":700},"faq3","Berechnen Sie abgeleitete Werte neu, wenn die Berechnung kostengünstig ist und veraltete Ergebnisse teuer zu stehen kämen. Das Speichern eines abgeleiteten Werts ist sinnvoller, wenn die Neuberechnung aufwendig ist und der Cache die Quellversion sowie Ungültigkeitsbedingungen enthält.","Wann sollte ein KI-Agent Informationen neu berechnen?",{"id":702,"answer":703,"question":704},"faq4","Ja. Vergessen, Ablaufdaten und Ersetzung sind nützliche Kontrollmechanismen für vorübergehende, veraltete, sensible, wenig relevante oder irreführende Informationen. Eine unbegrenzte Speicherung kann Rauschen erzeugen und dazu führen, dass veraltete oder fehlerhafte Informationen weiterhin künftige Entscheidungen beeinflussen.","Sollten KI-Agenten Informationen vergessen?",{"id":706,"answer":707,"question":708},"faq5","Nicht von allein. Ein unveränderter Verlauf kann Belege sichern, aber langlebige Agenten benötigen in der Regel Kuration, Strukturierung, Zusammenfassungen, wiederverwendbare Fakten oder Abläufe, Retrieval-Mechanismen und Lebenszyklusregeln, damit irrelevante Historie nicht den künftigen Kontext dominiert.","Ist das Speichern des gesamten Konversationsverlaufs eine gute Gedächtnisstrategie?","Lebenszyklus des Gedächtnisses von KI-Agenten",{},{"id":712,"data":713,"type":41,"tunes":715},"h-glossary",{"text":714,"level":218},"Glossar",{},{"id":717,"data":718,"type":717,"tunes":742},"glossary",{"title":719,"entries":720},"Wichtige Begriffe zum Speicher-Lebenszyklus",[721,725,729,733,737,739],{"term":722,"anchor":723,"definition":724},"Speicheraufnahme (Memory admission)","memory-admission","Der Entscheidungsprozess, der bestimmt, ob Informationen in den dauerhaften Speicher des Agenten aufgenommen werden dürfen.",{"term":726,"anchor":727,"definition":728},"Ablösung (Supersession)","supersession","Das Kennzeichnen einer älteren Erinnerung oder Entscheidung als durch neuere Informationen ersetzt, wobei der historische Datensatz bei Bedarf erhalten bleibt.",{"term":730,"anchor":731,"definition":732},"Ungültigkeitserklärung (Invalidation)","invalidation","Eine Regel oder ein Ereignis, wodurch ein gespeicherter oder zwischengespeicherter Wert ohne Aktualisierung, Neuberechnung oder Überprüfung nicht mehr sicher wiederverwendet werden kann.",{"term":734,"anchor":735,"definition":736},"Provenienz (Provenance)","provenance","Metadaten, die beschreiben, woher eine Information stammt, wann sie erfasst wurde, wer oder was sie formuliert hat und wie sie transformiert wurde.",{"term":314,"anchor":313,"definition":738},"Die Wahrscheinlichkeit, dass sich eine Information zwischen dem Zeitpunkt der Speicherung und der Wiederverwendung ändert.",{"term":327,"anchor":740,"definition":741},"reconstruction-cost","Der Aufwand an Zeit, Kosten, Rechenleistung, Tool-Nutzung oder Unsicherheit, der erforderlich ist, um Informationen wiederherzustellen oder neu zu generieren, anstatt sie zu speichern.",{},{"id":744,"data":745,"type":41,"tunes":747},"h-sources",{"text":746,"level":218},"Primärquellen und weiterführende Literatur",{},{"id":749,"data":750,"type":756,"tunes":757},"src-openai-session",{"link":751,"meta":752},"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory",{"image":753,"title":754,"description":755},{"url":316},"OpenAI — Context Engineering: Short-Term Memory Management with Sessions","Anleitung zu Trimming, Zusammenfassungen, langlebigem Kontext und Risiken wie veralteten Details und Kontextvergiftung.","linkTool",{},{"id":759,"data":760,"type":756,"tunes":766},"src-anthropic-context",{"link":761,"meta":762},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":763,"title":764,"description":765},{"url":316},"Anthropic — Effective Context Engineering for AI Agents","Technische Anleitung zu Kuration, Komprimierung, strukturierter Notizführung und der Aufrechterhaltung eines nützlichen Agentenkontexts über lange Zeiträume.",{},{"id":768,"data":769,"type":756,"tunes":775},"src-anthropic-harness",{"link":770,"meta":771},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents",{"image":772,"title":773,"description":774},{"url":316},"Anthropic — Effective Harnesses for Long-Running Agents","Praktische Ansätze zur Sicherung von Fortschritten und Artefakten über Kontextfenster hinweg bei langlebigen Agentenaufgaben.",{},{"id":777,"data":778,"type":756,"tunes":784},"src-ms-plugmem",{"link":779,"meta":780},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F",{"image":781,"title":782,"description":783},{"url":316},"Microsoft Research — PlugMem","Forschung zur Umwandlung roher Agenteninteraktionen in strukturierte, wiederverwendbare Fakten und Fähigkeiten, anstatt undifferenzierte Historie anzuhäufen.",{},{"id":786,"data":787,"type":756,"tunes":793},"src-ms-mstar",{"link":788,"meta":789},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F",{"image":790,"title":791,"description":792},{"url":316},"Microsoft Research — M★: Every Task Deserves Its Own Memory Harness","Forschungsarbeit, die zeigt, dass aufgabenspezifische Speichermechanismen starre, universelle Speicherarchitekturen übertreffen können.",{},{"id":795,"data":796,"type":756,"tunes":802},"src-ms-memgym",{"link":797,"meta":798},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F",{"image":799,"title":800,"description":801},{"url":316},"Microsoft Research — MemGym","Ein Benchmark zur Isolierung und Evaluierung der Speicherleistung von Agenten in langfristigen Umgebungen.",{},{"id":804,"data":805,"type":756,"tunes":811},"src-ms-human-memory",{"link":806,"meta":807},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F",{"image":808,"title":809,"description":810},{"url":316},"Microsoft Research — Human-Inspired Memory Architecture for LLM Agents","Forschung zur Untersuchung von Konsolidierung, interferenzbasiertem Vergessen, Rekonsolidierung und Abruf im persistenten Gedächtnis von Agenten.",{},"2.31","Langlaufende Agenten sollten sich nicht alles merken. Dieser Artikel bietet ein praktisches Lebenszyklusmodell für die Entscheidung, was in den dauerhaften Speicher gehört, was erneut abgerufen werden sollte, was sicherer neu zu berechnen ist und was ablaufen oder ersetzt werden sollte.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28.webp","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28","PUBLISHED","2026-09-25T09:43:00.000Z","2026-09-25T15:43:41.228Z","2026-09-25T20:20:04.123Z",{"en":821,"de":822,"sr":823,"es":824,"fr":825,"it":826,"ru":827,"zh":828},"\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fde\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fsr\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fes\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Ffr\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fit\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fru\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fzh\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again",[830,834,838],{"id":831,"name":832,"slug":833},57,"Daten-Grenzen","data-boundaries",{"id":835,"name":836,"slug":837},84,"Policy & Datengrenzen","policy-and-data",{"id":839,"name":840,"slug":841},54,"Bedrohungsmodell","threat-model",{"id":843,"login":844,"email":845,"displayName":846},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[848,1140],{"lang":7,"title":207,"content":209,"contentJson":849,"excerpt":813},{"time":211,"blocks":850,"version":812},[851,854,857,860,863,866,869,872,875,878,887,890,893,913,916,919,922,925,928,931,934,937,940,943,946,949,952,955,958,961,964,976,979,993,996,999,1002,1005,1008,1011,1014,1024,1027,1030,1035,1038,1041,1044,1047,1050,1053,1056,1059,1062,1065,1068,1071,1074,1077,1080,1089,1092,1102,1105,1110,1115,1120,1125,1130,1135],{"id":214,"data":852,"type":219,"tunes":853},{"title":216,"maxLevel":217,"minLevel":218},{},{"id":222,"data":855,"type":225,"tunes":856},{"text":224},{},{"id":228,"data":858,"type":233,"tunes":859},{"body":230,"title":231,"variant":232},{},{"id":236,"data":861,"type":233,"tunes":862},{"body":238,"title":239,"variant":240},{},{"id":243,"data":864,"type":41,"tunes":865},{"text":245,"level":218},{},{"id":248,"data":867,"type":225,"tunes":868},{"text":250},{},{"id":253,"data":870,"type":225,"tunes":871},{"text":255},{},{"id":258,"data":873,"type":225,"tunes":874},{"text":260},{},{"id":263,"data":876,"type":41,"tunes":877},{"text":265,"level":218},{},{"id":268,"data":879,"type":296,"tunes":886},{"content":880,"stretched":42,"withHeadings":13},[881,882,883,884,885],[272,273,274,275],[277,278,279,280],[282,283,284,285],[287,288,289,290],[292,293,294,295],{},{"id":299,"data":888,"type":41,"tunes":889},{"text":301,"level":218},{},{"id":304,"data":891,"type":225,"tunes":892},{"text":306},{},{"id":309,"data":894,"type":348,"tunes":912},{"rows":895,"title":337,"layout":296,"columns":908},[896,898,900,902,904,906],{"id":313,"label":314,"values":897},[316,316,316],{"id":318,"label":319,"values":899},[316,316,316],{"id":322,"label":323,"values":901},[316,316,316],{"id":326,"label":327,"values":903},[316,316,316],{"id":330,"label":331,"values":905},[316,316,316],{"id":334,"label":335,"values":907},[316,316,316],[909,910,911],{"id":340,"label":341},{"id":343,"label":344},{"id":346,"label":347},{},{"id":351,"data":914,"type":233,"tunes":915},{"body":353,"title":354,"variant":355},{},{"id":358,"data":917,"type":41,"tunes":918},{"text":360,"level":217},{},{"id":363,"data":920,"type":225,"tunes":921},{"text":365},{},{"id":368,"data":923,"type":225,"tunes":924},{"text":370},{},{"id":373,"data":926,"type":225,"tunes":927},{"text":375},{},{"id":378,"data":929,"type":41,"tunes":930},{"text":380,"level":217},{},{"id":383,"data":932,"type":225,"tunes":933},{"text":385},{},{"id":388,"data":935,"type":225,"tunes":936},{"text":390},{},{"id":393,"data":938,"type":233,"tunes":939},{"body":395,"title":396,"variant":397},{},{"id":400,"data":941,"type":41,"tunes":942},{"text":402,"level":217},{},{"id":405,"data":944,"type":225,"tunes":945},{"text":407},{},{"id":410,"data":947,"type":225,"tunes":948},{"text":412},{},{"id":415,"data":950,"type":41,"tunes":951},{"text":417,"level":217},{},{"id":420,"data":953,"type":225,"tunes":954},{"text":422},{},{"id":425,"data":956,"type":225,"tunes":957},{"text":427},{},{"id":430,"data":959,"type":225,"tunes":960},{"text":432},{},{"id":435,"data":962,"type":41,"tunes":963},{"text":437,"level":218},{},{"id":440,"data":965,"type":469,"tunes":975},{"steps":966,"title":467,"orientation":468},[967,968,969,970,971,972,973,974],{"label":444,"description":445},{"label":447,"description":448},{"label":450,"description":451},{"label":453,"description":454},{"label":456,"description":457},{"label":459,"description":460},{"label":462,"description":463},{"label":465,"description":466},{},{"id":472,"data":977,"type":41,"tunes":978},{"text":474,"level":218},{},{"id":477,"data":980,"type":296,"tunes":992},{"content":981,"stretched":42,"withHeadings":13},[982,983,984,985,986,987,988,989,990,991],[481,482,483],[485,486,487],[489,490,491],[493,494,495],[497,498,499],[501,502,503],[505,506,507],[509,510,511],[513,514,515],[517,518,519],{},{"id":522,"data":994,"type":41,"tunes":995},{"text":524,"level":218},{},{"id":527,"data":997,"type":225,"tunes":998},{"text":529},{},{"id":532,"data":1000,"type":225,"tunes":1001},{"text":534},{},{"id":537,"data":1003,"type":41,"tunes":1004},{"text":539,"level":218},{},{"id":542,"data":1006,"type":225,"tunes":1007},{"text":544},{},{"id":547,"data":1009,"type":225,"tunes":1010},{"text":549},{},{"id":552,"data":1012,"type":41,"tunes":1013},{"text":554,"level":218},{},{"id":557,"data":1015,"type":296,"tunes":1023},{"content":1016,"stretched":42,"withHeadings":13},[1017,1018,1019,1020,1021,1022],[561,344],[563,564],[566,567],[569,570],[572,573],[575,576],{},{"id":579,"data":1025,"type":225,"tunes":1026},{"text":581},{},{"id":584,"data":1028,"type":41,"tunes":1029},{"text":586,"level":218},{},{"id":589,"data":1031,"type":604,"tunes":1034},{"meta":1032,"items":1033,"style":603},{},[593,594,595,596,597,598,599,600,601,602],{},{"id":607,"data":1036,"type":41,"tunes":1037},{"text":609,"level":218},{},{"id":612,"data":1039,"type":225,"tunes":1040},{"text":614},{},{"id":617,"data":1042,"type":225,"tunes":1043},{"text":619},{},{"id":622,"data":1045,"type":41,"tunes":1046},{"text":624,"level":218},{},{"id":627,"data":1048,"type":225,"tunes":1049},{"text":629},{},{"id":632,"data":1051,"type":225,"tunes":1052},{"text":634},{},{"id":637,"data":1054,"type":225,"tunes":1055},{"text":639},{},{"id":642,"data":1057,"type":41,"tunes":1058},{"text":644,"level":218},{},{"id":647,"data":1060,"type":225,"tunes":1061},{"text":649},{},{"id":652,"data":1063,"type":225,"tunes":1064},{"text":654},{},{"id":657,"data":1066,"type":41,"tunes":1067},{"text":659,"level":218},{},{"id":662,"data":1069,"type":225,"tunes":1070},{"text":664},{},{"id":667,"data":1072,"type":225,"tunes":1073},{"text":669},{},{"id":672,"data":1075,"type":678,"tunes":1076},{"url":674,"title":675,"excerpt":676,"ctaLabel":677},{},{"id":681,"data":1078,"type":41,"tunes":1079},{"text":683,"level":218},{},{"id":686,"data":1081,"type":686,"tunes":1088},{"items":1082,"title":709},[1083,1084,1085,1086,1087],{"id":690,"answer":691,"question":692},{"id":694,"answer":695,"question":696},{"id":698,"answer":699,"question":700},{"id":702,"answer":703,"question":704},{"id":706,"answer":707,"question":708},{},{"id":712,"data":1090,"type":41,"tunes":1091},{"text":714,"level":218},{},{"id":717,"data":1093,"type":717,"tunes":1101},{"title":719,"entries":1094},[1095,1096,1097,1098,1099,1100],{"term":722,"anchor":723,"definition":724},{"term":726,"anchor":727,"definition":728},{"term":730,"anchor":731,"definition":732},{"term":734,"anchor":735,"definition":736},{"term":314,"anchor":313,"definition":738},{"term":327,"anchor":740,"definition":741},{},{"id":744,"data":1103,"type":41,"tunes":1104},{"text":746,"level":218},{},{"id":749,"data":1106,"type":756,"tunes":1109},{"link":751,"meta":1107},{"image":1108,"title":754,"description":755},{"url":316},{},{"id":759,"data":1111,"type":756,"tunes":1114},{"link":761,"meta":1112},{"image":1113,"title":764,"description":765},{"url":316},{},{"id":768,"data":1116,"type":756,"tunes":1119},{"link":770,"meta":1117},{"image":1118,"title":773,"description":774},{"url":316},{},{"id":777,"data":1121,"type":756,"tunes":1124},{"link":779,"meta":1122},{"image":1123,"title":782,"description":783},{"url":316},{},{"id":786,"data":1126,"type":756,"tunes":1129},{"link":788,"meta":1127},{"image":1128,"title":791,"description":792},{"url":316},{},{"id":795,"data":1131,"type":756,"tunes":1134},{"link":797,"meta":1132},{"image":1133,"title":800,"description":801},{"url":316},{},{"id":804,"data":1136,"type":756,"tunes":1139},{"link":806,"meta":1137},{"image":1138,"title":809,"description":810},{"url":316},{},{"lang":1141,"title":1142,"content":1143,"contentJson":1144,"excerpt":1622},"en","What Should an AI Agent Remember, Forget, Recompute or Retrieve Again?","{\"time\":1790351469618,\"blocks\":[{\"id\":\"XDf71jsthn\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Long-running AI agents accumulate far more information than they should permanently remember. Conversations, tool outputs, intermediate calculations, user preferences, project decisions, search results, system state, mistakes, and successful procedures can all look useful in the moment. Treating all of them as durable memory creates a second problem: the agent must later decide which stored information is still trustworthy, current, relevant, and safe to reuse.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"An AI agent should \u003Cstrong>remember information that is durable, reusable, provenance-preserving, and expensive to rediscover\u003C\u002Fstrong>; \u003Cstrong>re-read or retrieve volatile facts from their authoritative source\u003C\u002Fstrong>; \u003Cstrong>recompute cheap derived values when freshness matters\u003C\u002Fstrong>; and \u003Cstrong>forget, expire, or supersede information whose future reuse creates more risk than value\u003C\u002Fstrong>. The correct action depends less on whether information is “important” and more on its volatility, authority, derivation cost, reuse value, sensitivity, and revision behaviour.\"},\"tunes\":{}},{\"id\":\"model-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"About the decision model\",\"body\":\"The Remember \u002F Re-read \u002F Recompute \u002F Forget model and the Memory Admission Test below are practical architecture tools proposed in this article. They are not formal industry standards. They are designed to make agent-memory decisions explicit, testable, and auditable.\"},\"tunes\":{}},{\"id\":\"h-lifecycle\",\"type\":\"header\",\"data\":{\"text\":\"The real memory problem is not storage — it is lifecycle control\",\"level\":2},\"tunes\":{}},{\"id\":\"p-life-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Modern agent systems can store almost anything: full transcripts, summaries, embeddings, files, database records, tool traces, structured facts, skills, and external artifacts. Storage capacity is therefore not the hard part. The hard part is deciding what deserves to survive, how long it should survive, and what must happen when reality changes.\"},\"tunes\":{}},{\"id\":\"p-life-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's session-memory guidance explicitly warns that carrying too much history forward can create distraction, inefficiency, context poisoning, and compounding errors. Anthropic similarly treats context as a finite resource that must be curated rather than accumulated. Microsoft Research has moved in the same direction: PlugMem converts raw interaction history into reusable structured knowledge instead of treating the complete history as equally valuable memory.\"},\"tunes\":{}},{\"id\":\"p-life-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural consequence is simple: memory needs an admission policy, a maintenance policy, and a retirement policy. A retriever alone does not provide those semantics.\"},\"tunes\":{}},{\"id\":\"h-actions\",\"type\":\"header\",\"data\":{\"text\":\"Four possible actions for any piece of agent information\",\"level\":2},\"tunes\":{}},{\"id\":\"table-actions\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Action\",\"Use when\",\"Typical examples\",\"Primary risk\"],[\"Remember\",\"The information remains useful across future tasks and is costly or impossible to reconstruct reliably\",\"Stable user preference, accepted project decision, reusable skill, verified long-term constraint\",\"Persisting something false, stale, or too broad\"],[\"Re-read \u002F Retrieve\",\"The information has an authoritative source that may change\",\"Permissions, inventory, policy version, order state, product price, current API documentation\",\"Using an old copy instead of current authority\"],[\"Recompute\",\"The information is derived and inexpensive enough to calculate again\",\"Totals, scores, rankings, summaries from current source data, deterministic transformations\",\"Persisting stale derived output\"],[\"Forget \u002F Expire \u002F Supersede\",\"Future reuse has little value or creates privacy, staleness, conflict, or contamination risk\",\"Transient tool output, failed hypothesis, superseded decision, temporary token, obsolete environment state\",\"Losing information that later proves necessary\"]]},\"tunes\":{}},{\"id\":\"h-admission\",\"type\":\"header\",\"data\":{\"text\":\"The Memory Admission Test\",\"level\":2},\"tunes\":{}},{\"id\":\"p-admission-intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Before information becomes durable agent memory, test it against six properties. These properties are more useful than a vague importance score because they predict how the information behaves over time.\"},\"tunes\":{}},{\"id\":\"admission-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Six properties that decide whether information belongs in memory\",\"layout\":\"table\",\"columns\":[{\"id\":\"property\",\"label\":\"Property\"},{\"id\":\"question\",\"label\":\"Question\"},{\"id\":\"effect\",\"label\":\"Decision pressure\"}],\"rows\":[{\"id\":\"volatility\",\"label\":\"Volatility\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"authority\",\"label\":\"Authority\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"reuse\",\"label\":\"Reuse value\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"reconstruction\",\"label\":\"Reconstruction cost\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"sensitivity\",\"label\":\"Sensitivity\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"revision\",\"label\":\"Revision behaviour\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"rule-volatile\",\"type\":\"callout\",\"data\":{\"variant\":\"tip\",\"title\":\"A practical rule\",\"body\":\"If a fact is \u003Cstrong>volatile + authoritative elsewhere + cheap to fetch\u003C\u002Fstrong>, do not promote a copied value into long-term memory. Store the pointer, identifier, or retrieval path instead.\"},\"tunes\":{}},{\"id\":\"h-remember\",\"type\":\"header\",\"data\":{\"text\":\"1. Remember: durable knowledge that improves future decisions\",\"level\":3},\"tunes\":{}},{\"id\":\"p-remember-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Good durable memory reduces repeated work without turning yesterday's state into today's truth. Typical candidates include explicit user preferences, durable project constraints, decisions and their rationale, reusable procedures, recurring failure patterns, and verified facts that are not expected to change frequently.\"},\"tunes\":{}},{\"id\":\"p-remember-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The strongest memories are not necessarily raw transcripts. PlugMem's 2026 work argues for converting interaction history into compact facts and reusable skills. Microsoft's BREW similarly distills past trajectories into retrievable procedural knowledge describing what to do, when it applies, and what to watch out for. Both point toward a useful design principle: store reusable knowledge, not merely historical text.\"},\"tunes\":{}},{\"id\":\"p-remember-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"A remembered item should also retain provenance. A future agent should be able to distinguish “the user explicitly requested this,” “the system observed this,” “a source stated this,” and “a model inferred this.” Without that distinction, memory gradually converts evidence, interpretation, and speculation into one undifferentiated pool.\"},\"tunes\":{}},{\"id\":\"h-reread\",\"type\":\"header\",\"data\":{\"text\":\"2. Re-read or retrieve: volatile facts with an external source of truth\",\"level\":3},\"tunes\":{}},{\"id\":\"p-reread-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some information is valuable precisely because it changes. Current permissions, order state, inventory, account status, service health, software documentation, prices, schedules, regulations, and API behaviour should normally be re-read from the system that owns them before consequential use.\"},\"tunes\":{}},{\"id\":\"p-reread-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The agent may remember that a source exists, how to access it, or what fields matter. It should not assume that an old retrieved value remains authoritative. This separates memory of where and how to obtain truth from a cached copy of truth.\"},\"tunes\":{}},{\"id\":\"stale-trap\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"The stale-memory trap\",\"body\":\"A fact can be perfectly remembered and still be wrong. Memory quality is not only recall accuracy; it also includes knowing when recall must yield to a fresh authoritative read.\"},\"tunes\":{}},{\"id\":\"h-recompute\",\"type\":\"header\",\"data\":{\"text\":\"3. Recompute: derived information that is cheaper to calculate than to trust\",\"level\":3},\"tunes\":{}},{\"id\":\"p-recompute-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Derived information deserves different treatment from source facts. If a value can be deterministically recalculated from current inputs, persisting the result may create unnecessary staleness. Totals, percentages, rankings, eligibility flags, generated summaries, and other derived outputs should often be recomputed when used.\"},\"tunes\":{}},{\"id\":\"p-recompute-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The key trade-off is cost. If recomputation is expensive, the system may cache the result together with the exact input version, timestamp, derivation method, and invalidation conditions. If recomputation is cheap, freshness usually wins.\"},\"tunes\":{}},{\"id\":\"h-forget\",\"type\":\"header\",\"data\":{\"text\":\"4. Forget, expire, or supersede: deletion is a capability\",\"level\":3},\"tunes\":{}},{\"id\":\"p-forget-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Forgetting is not necessarily a defect. It is a control mechanism. Transient tool outputs, one-off search results, failed hypotheses, temporary environment state, intermediate reasoning artifacts, obsolete user preferences, expired credentials, and superseded decisions can all become liabilities if they remain active indefinitely.\"},\"tunes\":{}},{\"id\":\"p-forget-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Recent memory research increasingly recognizes that unbounded accumulation can degrade performance. Microsoft's 2026 human-inspired memory architecture explicitly includes interference-based forgetting and consolidation, while PlugMem reports that raw histories can overwhelm agents with low-value context. The engineering lesson does not require copying biological memory: retention should be selective.\"},\"tunes\":{}},{\"id\":\"p-forget-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"In many systems, supersession is safer than immediate deletion. The old decision remains auditable, but retrieval defaults to the new decision. This matters for projects, policies, compliance, and any workflow where the history of change is itself evidence.\"},\"tunes\":{}},{\"id\":\"h-method\",\"type\":\"header\",\"data\":{\"text\":\"The decision method\",\"level\":2},\"tunes\":{}},{\"id\":\"decision-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"Decide the lifecycle of an information item\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Classify the information\",\"description\":\"Is it authoritative state, user preference, external evidence, derived output, procedure, observation, or model inference?\"},{\"label\":\"2. Identify the source of truth\",\"description\":\"Determine whether another system or source remains more authoritative than the memory itself.\"},{\"label\":\"3. Estimate volatility\",\"description\":\"Ask how likely the item is to change before the next meaningful reuse.\"},{\"label\":\"4. Estimate reuse and reconstruction cost\",\"description\":\"Compare future value with the cost and reliability of fetching or recreating the information.\"},{\"label\":\"5. Check sensitivity and scope\",\"description\":\"Define who may access the information, where it may persist, and whether persistence is justified.\"},{\"label\":\"6. Define invalidation\",\"description\":\"Specify expiry, supersession, conflict resolution, or a condition that forces a fresh authoritative read.\"},{\"label\":\"7. Choose the action\",\"description\":\"Remember, re-read\u002Fretrieve, recompute, or forget\u002Fexpire\u002Fsupersede.\"},{\"label\":\"8. Preserve provenance\",\"description\":\"Store enough metadata to distinguish source fact, user statement, observation, derivation, and model inference.\"}]},\"tunes\":{}},{\"id\":\"h-examples\",\"type\":\"header\",\"data\":{\"text\":\"Examples: the same agent should use different lifecycle actions\",\"level\":2},\"tunes\":{}},{\"id\":\"examples-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Information\",\"Recommended action\",\"Why\"],[\"“The user prefers concise technical answers.”\",\"Remember\",\"Stable preference with high reuse value\"],[\"“The deployment is currently paused.”\",\"Re-read\",\"Current operational state can change\"],[\"“The total projected cost is €48,620.”\",\"Recompute from current inputs\",\"Derived value should follow source changes\"],[\"A 20,000-token raw tool response from yesterday\",\"Forget or archive externally\",\"Low direct reuse; high context cost\"],[\"A confirmed workaround for a recurring build failure\",\"Remember as reusable procedure\",\"High future reuse and expensive rediscovery\"],[\"A model guess about why a server failed\",\"Do not promote to durable fact\",\"Inference is not verified evidence\"],[\"An old project decision later replaced by a new one\",\"Supersede, retain audit history\",\"The latest decision should win without erasing provenance\"],[\"A current product price\",\"Retrieve again\",\"High volatility and external authority\"],[\"A legal or policy interpretation\",\"Remember the prior analysis only with source\u002Fversion metadata; re-check authority before action\",\"Applicability can change with time and jurisdiction\"]]},\"tunes\":{}},{\"id\":\"h-conditions\",\"type\":\"header\",\"data\":{\"text\":\"Memory should store conditions, not only conclusions\",\"level\":2},\"tunes\":{}},{\"id\":\"p-cond-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A durable memory becomes dangerous when it stores only the conclusion and loses the conditions under which the conclusion was valid. “Use database-per-tenant” is weaker than “Use database-per-tenant when regulatory isolation and tenant-specific lifecycle requirements outweigh operational overhead.” The second form preserves the decision boundary.\"},\"tunes\":{}},{\"id\":\"p-cond-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This matters even more for agent-learned procedures. A successful workflow should capture not only the steps but also the preconditions, environment, tool version, observable success criteria, and known failure modes. Otherwise a memory retrieved in the wrong environment can confidently reproduce an obsolete solution.\"},\"tunes\":{}},{\"id\":\"h-write-cost\",\"type\":\"header\",\"data\":{\"text\":\"A memory write should be more expensive than a memory read\",\"level\":2},\"tunes\":{}},{\"id\":\"p-write-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Reading a weak memory can damage one answer. Writing a weak memory can damage many future answers. The asymmetry suggests a stricter write path than read path: classify the candidate, check provenance, detect contradictions, apply sensitivity rules, define scope, and decide whether human confirmation or external validation is required.\"},\"tunes\":{}},{\"id\":\"p-write-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is especially important when an agent writes memories from its own generated output. A generated summary can contain compression errors. A tool failure can be misinterpreted. A plausible hypothesis can be stored as a fact. If those outputs become future context without evidence status, the agent can create a self-reinforcing error loop.\"},\"tunes\":{}},{\"id\":\"h-quality\",\"type\":\"header\",\"data\":{\"text\":\"Memory quality has at least five dimensions\",\"level\":2},\"tunes\":{}},{\"id\":\"quality-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Dimension\",\"Question\"],[\"Retention quality\",\"Did the system preserve the information that should survive?\"],[\"Retrieval quality\",\"Can the system recover the right memory when it matters?\"],[\"Freshness quality\",\"Does the system know when stored information is no longer current?\"],[\"Provenance quality\",\"Can the system distinguish source, user statement, observation, derivation, and inference?\"],[\"Retirement quality\",\"Can the system expire, supersede, restrict, or remove information when it should no longer influence decisions?\"]]},\"tunes\":{}},{\"id\":\"p-quality-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Benchmarks are starting to separate these concerns. Microsoft's MemGym explicitly evaluates memory in long-horizon agentic settings and reports memory-isolated scores intended to reduce confounding from reasoning, retrieval, and tool-use ability. That direction is important because a final task score alone cannot tell you whether memory itself helped, harmed, or was irrelevant.\"},\"tunes\":{}},{\"id\":\"h-not-store\",\"type\":\"header\",\"data\":{\"text\":\"What not to put into durable memory by default\",\"level\":2},\"tunes\":{}},{\"id\":\"not-store-list\",\"type\":\"list\",\"data\":{\"style\":\"unordered\",\"meta\":{},\"items\":[\"Raw chain-of-thought or hidden reasoning artifacts.\",\"Temporary authentication tokens, secrets, or credentials.\",\"Model-generated hypotheses that have not been verified.\",\"Volatile state that has a live authoritative system.\",\"Cheaply recomputable derived values without their source inputs.\",\"Large tool outputs merely because storage is available.\",\"Duplicate copies of information already governed by a better source of truth.\",\"Sensitive personal data without a clear persistence purpose, access scope, and lifecycle.\",\"Superseded conclusions without explicit version or retirement semantics.\",\"Error messages or failure states that are only useful for the current run and have no reusable diagnostic value.\"]},\"tunes\":{}},{\"id\":\"h-task-specific\",\"type\":\"header\",\"data\":{\"text\":\"Memory is task-specific — there is no universal optimal store\",\"level\":2},\"tunes\":{}},{\"id\":\"p-task-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A coding agent benefits from reusable procedures, repository conventions, successful repair patterns, and project decisions. A personal assistant may need preferences, commitments, and relationship context. A commerce agent needs current product and transaction state far more than historical copies of price or inventory. A research agent benefits from source provenance, unresolved hypotheses, and explicit evidence status.\"},\"tunes\":{}},{\"id\":\"p-task-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Microsoft Research's M-star work makes this point directly: memory systems optimized for one purpose may transfer poorly to another, and task-specific memory mechanisms can outperform a fixed general-purpose design. The memory schema should therefore follow the decisions the agent must make, not a universal template imposed on every agent.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The balance changes when retrieval is slow or expensive, authoritative systems are intermittently unavailable, recomputation is costly, audit rules require historical snapshots, or the agent must operate offline. In those cases, more information may need to be cached or persisted — but with version, provenance, timestamp, and invalidation metadata.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The balance also changes for agents whose primary value is personalization. A stable preference may be worth remembering even if it could technically be asked again. Conversely, in high-risk domains, the threshold for converting an observation or interpretation into durable memory should be much higher.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Future managed-memory platforms may automate consolidation, retrieval, forgetting, and context construction. That can reduce implementation work, but it does not remove the governance question: which information is allowed to influence future decisions, under what conditions, and when must the system return to the current source of truth?\"},\"tunes\":{}},{\"id\":\"h-limitations\",\"type\":\"header\",\"data\":{\"text\":\"Limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-limit-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"There is no single definition of “agent memory” across current frameworks and research. Some systems use the term for conversation history, others for external persistent stores, structured knowledge, learned procedures, checkpoints, or model adaptation. The decision model in this article focuses on operational lifecycle semantics rather than enforcing one vocabulary.\"},\"tunes\":{}},{\"id\":\"p-limit-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The four lifecycle actions can also overlap. A system may remember a stable summary, retain a pointer to the source, re-read volatile fields, and recompute a derived result in one workflow. The purpose of the model is not to force one storage primitive per fact, but to make the reason for persistence explicit.\"},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A useful agent does not win by remembering the most. It wins by preserving the right information, returning to authoritative sources when reality can change, recalculating what is safer to derive again, and retiring information that should no longer influence future decisions.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The practical question for every candidate memory is therefore not “Can we store this?” but: Will future decisions be more reliable if this survives? If the answer depends on freshness, authority, cost, sensitivity, or revision, encode those conditions into the memory lifecycle instead of trusting retrieval alone.\"},\"tunes\":{}},{\"id\":\"internal-reasoning\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework\",\"title\":\"From Research Protocol to a General AI Reasoning Framework\",\"excerpt\":\"A domain-independent reasoning method for separating evidence from assumptions, testing competing hypotheses, and using explicit validation rules.\",\"ctaLabel\":\"Read the reasoning framework\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"FAQ\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"AI agent memory lifecycle\",\"items\":[{\"id\":\"faq1\",\"question\":\"What information should an AI agent remember long term?\",\"answer\":\"Prefer information that is durable, reusable, provenance-preserving, and expensive or unreliable to reconstruct, such as stable user preferences, accepted project decisions, reusable procedures, and verified long-term constraints.\"},{\"id\":\"faq2\",\"question\":\"What should an AI agent retrieve again instead of remembering?\",\"answer\":\"Volatile information with an authoritative external source should normally be retrieved again before consequential use. Examples include permissions, inventory, current prices, account state, policy versions, service status, and current documentation.\"},{\"id\":\"faq3\",\"question\":\"When should an AI agent recompute information?\",\"answer\":\"Recompute derived values when the calculation is cheap and stale results would be costly. Persisting a derived value makes more sense when recomputation is expensive and the cache includes the source version and invalidation conditions.\"},{\"id\":\"faq4\",\"question\":\"Should AI agents forget information?\",\"answer\":\"Yes. Forgetting, expiry, and supersession are useful controls for transient, obsolete, sensitive, low-value, or misleading information. Unbounded retention can create noise and allow stale or incorrect information to keep influencing future decisions.\"},{\"id\":\"faq5\",\"question\":\"Is storing the entire conversation history a good memory strategy?\",\"answer\":\"Not by itself. Raw history can preserve evidence, but long-running agents usually need curation, structure, summaries, reusable facts or procedures, retrieval, and lifecycle rules so that low-value history does not dominate future context.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key memory lifecycle terms\",\"entries\":[{\"term\":\"Memory admission\",\"definition\":\"The decision process that determines whether information is allowed to become persistent agent memory.\",\"anchor\":\"memory-admission\"},{\"term\":\"Supersession\",\"definition\":\"Marking an older memory or decision as replaced by newer information while preserving the historical record where needed.\",\"anchor\":\"supersession\"},{\"term\":\"Invalidation\",\"definition\":\"A rule or event that makes a stored or cached value unsafe to reuse without refresh, recomputation, or review.\",\"anchor\":\"invalidation\"},{\"term\":\"Provenance\",\"definition\":\"Metadata describing where information came from, when it was observed, who or what asserted it, and how it was transformed.\",\"anchor\":\"provenance\"},{\"term\":\"Volatility\",\"definition\":\"The likelihood that information will change between the time it is stored and the time it is reused.\",\"anchor\":\"volatility\"},{\"term\":\"Reconstruction cost\",\"definition\":\"The time, money, computation, tool use, or uncertainty required to recover or regenerate information instead of storing it.\",\"anchor\":\"reconstruction-cost\"}]},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and further reading\",\"level\":2},\"tunes\":{}},{\"id\":\"src-openai-session\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Context Engineering: Short-Term Memory Management with Sessions\",\"description\":\"Guidance on trimming, summarization, long-running context, and risks such as stale details and context poisoning.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Context Engineering for AI Agents\",\"description\":\"Engineering guidance on curation, compaction, structured note-taking, and maintaining useful agent context over long horizons.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-harness\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Harnesses for Long-Running Agents\",\"description\":\"Practical work on preserving progress and artifacts across context windows in long-running agent tasks.\"}},\"tunes\":{}},{\"id\":\"src-ms-plugmem\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — PlugMem\",\"description\":\"Research on transforming raw agent interactions into structured reusable facts and skills rather than accumulating undifferentiated history.\"}},\"tunes\":{}},{\"id\":\"src-ms-mstar\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — M★: Every Task Deserves Its Own Memory Harness\",\"description\":\"Research showing that task-specific memory mechanisms can outperform fixed general-purpose memory designs.\"}},\"tunes\":{}},{\"id\":\"src-ms-memgym\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — MemGym\",\"description\":\"A benchmark for isolating and evaluating memory performance in long-horizon agent environments.\"}},\"tunes\":{}},{\"id\":\"src-ms-human-memory\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — Human-Inspired Memory Architecture for LLM Agents\",\"description\":\"Research exploring consolidation, interference-based forgetting, reconsolidation, and retrieval in persistent agent memory.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1145,"blocks":1146,"version":1621},1790351469618,[1147,1151,1155,1160,1165,1169,1173,1177,1181,1185,1214,1218,1222,1252,1257,1261,1265,1269,1273,1277,1281,1285,1290,1294,1298,1302,1306,1310,1314,1318,1322,1351,1355,1397,1401,1405,1409,1413,1417,1421,1425,1445,1449,1453,1468,1472,1476,1480,1484,1488,1492,1496,1500,1504,1508,1512,1516,1520,1527,1530,1550,1554,1575,1579,1585,1591,1597,1603,1609,1615],{"id":214,"data":1148,"type":219,"tunes":1150},{"title":1149,"maxLevel":217,"minLevel":218},"Contents",{},{"id":222,"data":1152,"type":225,"tunes":1154},{"text":1153},"Long-running AI agents accumulate far more information than they should permanently remember. Conversations, tool outputs, intermediate calculations, user preferences, project decisions, search results, system state, mistakes, and successful procedures can all look useful in the moment. Treating all of them as durable memory creates a second problem: the agent must later decide which stored information is still trustworthy, current, relevant, and safe to reuse.",{},{"id":228,"data":1156,"type":233,"tunes":1159},{"body":1157,"title":1158,"variant":232},"An AI agent should \u003Cstrong>remember information that is durable, reusable, provenance-preserving, and expensive to rediscover\u003C\u002Fstrong>; \u003Cstrong>re-read or retrieve volatile facts from their authoritative source\u003C\u002Fstrong>; \u003Cstrong>recompute cheap derived values when freshness matters\u003C\u002Fstrong>; and \u003Cstrong>forget, expire, or supersede information whose future reuse creates more risk than value\u003C\u002Fstrong>. The correct action depends less on whether information is “important” and more on its volatility, authority, derivation cost, reuse value, sensitivity, and revision behaviour.","Direct answer",{},{"id":236,"data":1161,"type":233,"tunes":1164},{"body":1162,"title":1163,"variant":240},"The Remember \u002F Re-read \u002F Recompute \u002F Forget model and the Memory Admission Test below are practical architecture tools proposed in this article. They are not formal industry standards. They are designed to make agent-memory decisions explicit, testable, and auditable.","About the decision model",{},{"id":243,"data":1166,"type":41,"tunes":1168},{"text":1167,"level":218},"The real memory problem is not storage — it is lifecycle control",{},{"id":248,"data":1170,"type":225,"tunes":1172},{"text":1171},"Modern agent systems can store almost anything: full transcripts, summaries, embeddings, files, database records, tool traces, structured facts, skills, and external artifacts. Storage capacity is therefore not the hard part. The hard part is deciding what deserves to survive, how long it should survive, and what must happen when reality changes.",{},{"id":253,"data":1174,"type":225,"tunes":1176},{"text":1175},"OpenAI's session-memory guidance explicitly warns that carrying too much history forward can create distraction, inefficiency, context poisoning, and compounding errors. Anthropic similarly treats context as a finite resource that must be curated rather than accumulated. Microsoft Research has moved in the same direction: PlugMem converts raw interaction history into reusable structured knowledge instead of treating the complete history as equally valuable memory.",{},{"id":258,"data":1178,"type":225,"tunes":1180},{"text":1179},"The architectural consequence is simple: memory needs an admission policy, a maintenance policy, and a retirement policy. A retriever alone does not provide those semantics.",{},{"id":263,"data":1182,"type":41,"tunes":1184},{"text":1183,"level":218},"Four possible actions for any piece of agent information",{},{"id":268,"data":1186,"type":296,"tunes":1213},{"content":1187,"stretched":42,"withHeadings":13},[1188,1193,1198,1203,1208],[1189,1190,1191,1192],"Action","Use when","Typical examples","Primary risk",[1194,1195,1196,1197],"Remember","The information remains useful across future tasks and is costly or impossible to reconstruct reliably","Stable user preference, accepted project decision, reusable skill, verified long-term constraint","Persisting something false, stale, or too broad",[1199,1200,1201,1202],"Re-read \u002F Retrieve","The information has an authoritative source that may change","Permissions, inventory, policy version, order state, product price, current API documentation","Using an old copy instead of current authority",[1204,1205,1206,1207],"Recompute","The information is derived and inexpensive enough to calculate again","Totals, scores, rankings, summaries from current source data, deterministic transformations","Persisting stale derived output",[1209,1210,1211,1212],"Forget \u002F Expire \u002F Supersede","Future reuse has little value or creates privacy, staleness, conflict, or contamination risk","Transient tool output, failed hypothesis, superseded decision, temporary token, obsolete environment state","Losing information that later proves necessary",{},{"id":299,"data":1215,"type":41,"tunes":1217},{"text":1216,"level":218},"The Memory Admission Test",{},{"id":304,"data":1219,"type":225,"tunes":1221},{"text":1220},"Before information becomes durable agent memory, test it against six properties. These properties are more useful than a vague importance score because they predict how the information behaves over time.",{},{"id":309,"data":1223,"type":348,"tunes":1251},{"rows":1224,"title":1243,"layout":296,"columns":1244},[1225,1228,1231,1234,1237,1240],{"id":313,"label":1226,"values":1227},"Volatility",[316,316,316],{"id":318,"label":1229,"values":1230},"Authority",[316,316,316],{"id":322,"label":1232,"values":1233},"Reuse value",[316,316,316],{"id":326,"label":1235,"values":1236},"Reconstruction cost",[316,316,316],{"id":330,"label":1238,"values":1239},"Sensitivity",[316,316,316],{"id":334,"label":1241,"values":1242},"Revision behaviour",[316,316,316],"Six properties that decide whether information belongs in memory",[1245,1247,1249],{"id":340,"label":1246},"Property",{"id":343,"label":1248},"Question",{"id":346,"label":1250},"Decision pressure",{},{"id":351,"data":1253,"type":233,"tunes":1256},{"body":1254,"title":1255,"variant":355},"If a fact is \u003Cstrong>volatile + authoritative elsewhere + cheap to fetch\u003C\u002Fstrong>, do not promote a copied value into long-term memory. Store the pointer, identifier, or retrieval path instead.","A practical rule",{},{"id":358,"data":1258,"type":41,"tunes":1260},{"text":1259,"level":217},"1. Remember: durable knowledge that improves future decisions",{},{"id":363,"data":1262,"type":225,"tunes":1264},{"text":1263},"Good durable memory reduces repeated work without turning yesterday's state into today's truth. Typical candidates include explicit user preferences, durable project constraints, decisions and their rationale, reusable procedures, recurring failure patterns, and verified facts that are not expected to change frequently.",{},{"id":368,"data":1266,"type":225,"tunes":1268},{"text":1267},"The strongest memories are not necessarily raw transcripts. PlugMem's 2026 work argues for converting interaction history into compact facts and reusable skills. Microsoft's BREW similarly distills past trajectories into retrievable procedural knowledge describing what to do, when it applies, and what to watch out for. Both point toward a useful design principle: store reusable knowledge, not merely historical text.",{},{"id":373,"data":1270,"type":225,"tunes":1272},{"text":1271},"A remembered item should also retain provenance. A future agent should be able to distinguish “the user explicitly requested this,” “the system observed this,” “a source stated this,” and “a model inferred this.” Without that distinction, memory gradually converts evidence, interpretation, and speculation into one undifferentiated pool.",{},{"id":378,"data":1274,"type":41,"tunes":1276},{"text":1275,"level":217},"2. Re-read or retrieve: volatile facts with an external source of truth",{},{"id":383,"data":1278,"type":225,"tunes":1280},{"text":1279},"Some information is valuable precisely because it changes. Current permissions, order state, inventory, account status, service health, software documentation, prices, schedules, regulations, and API behaviour should normally be re-read from the system that owns them before consequential use.",{},{"id":388,"data":1282,"type":225,"tunes":1284},{"text":1283},"The agent may remember that a source exists, how to access it, or what fields matter. It should not assume that an old retrieved value remains authoritative. This separates memory of where and how to obtain truth from a cached copy of truth.",{},{"id":393,"data":1286,"type":233,"tunes":1289},{"body":1287,"title":1288,"variant":397},"A fact can be perfectly remembered and still be wrong. Memory quality is not only recall accuracy; it also includes knowing when recall must yield to a fresh authoritative read.","The stale-memory trap",{},{"id":400,"data":1291,"type":41,"tunes":1293},{"text":1292,"level":217},"3. Recompute: derived information that is cheaper to calculate than to trust",{},{"id":405,"data":1295,"type":225,"tunes":1297},{"text":1296},"Derived information deserves different treatment from source facts. If a value can be deterministically recalculated from current inputs, persisting the result may create unnecessary staleness. Totals, percentages, rankings, eligibility flags, generated summaries, and other derived outputs should often be recomputed when used.",{},{"id":410,"data":1299,"type":225,"tunes":1301},{"text":1300},"The key trade-off is cost. If recomputation is expensive, the system may cache the result together with the exact input version, timestamp, derivation method, and invalidation conditions. If recomputation is cheap, freshness usually wins.",{},{"id":415,"data":1303,"type":41,"tunes":1305},{"text":1304,"level":217},"4. Forget, expire, or supersede: deletion is a capability",{},{"id":420,"data":1307,"type":225,"tunes":1309},{"text":1308},"Forgetting is not necessarily a defect. It is a control mechanism. Transient tool outputs, one-off search results, failed hypotheses, temporary environment state, intermediate reasoning artifacts, obsolete user preferences, expired credentials, and superseded decisions can all become liabilities if they remain active indefinitely.",{},{"id":425,"data":1311,"type":225,"tunes":1313},{"text":1312},"Recent memory research increasingly recognizes that unbounded accumulation can degrade performance. Microsoft's 2026 human-inspired memory architecture explicitly includes interference-based forgetting and consolidation, while PlugMem reports that raw histories can overwhelm agents with low-value context. The engineering lesson does not require copying biological memory: retention should be selective.",{},{"id":430,"data":1315,"type":225,"tunes":1317},{"text":1316},"In many systems, supersession is safer than immediate deletion. The old decision remains auditable, but retrieval defaults to the new decision. This matters for projects, policies, compliance, and any workflow where the history of change is itself evidence.",{},{"id":435,"data":1319,"type":41,"tunes":1321},{"text":1320,"level":218},"The decision method",{},{"id":440,"data":1323,"type":469,"tunes":1350},{"steps":1324,"title":1349,"orientation":468},[1325,1328,1331,1334,1337,1340,1343,1346],{"label":1326,"description":1327},"1. Classify the information","Is it authoritative state, user preference, external evidence, derived output, procedure, observation, or model inference?",{"label":1329,"description":1330},"2. Identify the source of truth","Determine whether another system or source remains more authoritative than the memory itself.",{"label":1332,"description":1333},"3. Estimate volatility","Ask how likely the item is to change before the next meaningful reuse.",{"label":1335,"description":1336},"4. Estimate reuse and reconstruction cost","Compare future value with the cost and reliability of fetching or recreating the information.",{"label":1338,"description":1339},"5. Check sensitivity and scope","Define who may access the information, where it may persist, and whether persistence is justified.",{"label":1341,"description":1342},"6. Define invalidation","Specify expiry, supersession, conflict resolution, or a condition that forces a fresh authoritative read.",{"label":1344,"description":1345},"7. Choose the action","Remember, re-read\u002Fretrieve, recompute, or forget\u002Fexpire\u002Fsupersede.",{"label":1347,"description":1348},"8. Preserve provenance","Store enough metadata to distinguish source fact, user statement, observation, derivation, and model inference.","Decide the lifecycle of an information item",{},{"id":472,"data":1352,"type":41,"tunes":1354},{"text":1353,"level":218},"Examples: the same agent should use different lifecycle actions",{},{"id":477,"data":1356,"type":296,"tunes":1396},{"content":1357,"stretched":42,"withHeadings":13},[1358,1361,1364,1368,1372,1376,1380,1384,1388,1392],[481,1359,1360],"Recommended action","Why",[1362,1194,1363],"“The user prefers concise technical answers.”","Stable preference with high reuse value",[1365,1366,1367],"“The deployment is currently paused.”","Re-read","Current operational state can change",[1369,1370,1371],"“The total projected cost is €48,620.”","Recompute from current inputs","Derived value should follow source changes",[1373,1374,1375],"A 20,000-token raw tool response from yesterday","Forget or archive externally","Low direct reuse; high context cost",[1377,1378,1379],"A confirmed workaround for a recurring build failure","Remember as reusable procedure","High future reuse and expensive rediscovery",[1381,1382,1383],"A model guess about why a server failed","Do not promote to durable fact","Inference is not verified evidence",[1385,1386,1387],"An old project decision later replaced by a new one","Supersede, retain audit history","The latest decision should win without erasing provenance",[1389,1390,1391],"A current product price","Retrieve again","High volatility and external authority",[1393,1394,1395],"A legal or policy interpretation","Remember the prior analysis only with source\u002Fversion metadata; re-check authority before action","Applicability can change with time and jurisdiction",{},{"id":522,"data":1398,"type":41,"tunes":1400},{"text":1399,"level":218},"Memory should store conditions, not only conclusions",{},{"id":527,"data":1402,"type":225,"tunes":1404},{"text":1403},"A durable memory becomes dangerous when it stores only the conclusion and loses the conditions under which the conclusion was valid. “Use database-per-tenant” is weaker than “Use database-per-tenant when regulatory isolation and tenant-specific lifecycle requirements outweigh operational overhead.” The second form preserves the decision boundary.",{},{"id":532,"data":1406,"type":225,"tunes":1408},{"text":1407},"This matters even more for agent-learned procedures. A successful workflow should capture not only the steps but also the preconditions, environment, tool version, observable success criteria, and known failure modes. Otherwise a memory retrieved in the wrong environment can confidently reproduce an obsolete solution.",{},{"id":537,"data":1410,"type":41,"tunes":1412},{"text":1411,"level":218},"A memory write should be more expensive than a memory read",{},{"id":542,"data":1414,"type":225,"tunes":1416},{"text":1415},"Reading a weak memory can damage one answer. Writing a weak memory can damage many future answers. The asymmetry suggests a stricter write path than read path: classify the candidate, check provenance, detect contradictions, apply sensitivity rules, define scope, and decide whether human confirmation or external validation is required.",{},{"id":547,"data":1418,"type":225,"tunes":1420},{"text":1419},"This is especially important when an agent writes memories from its own generated output. A generated summary can contain compression errors. A tool failure can be misinterpreted. A plausible hypothesis can be stored as a fact. If those outputs become future context without evidence status, the agent can create a self-reinforcing error loop.",{},{"id":552,"data":1422,"type":41,"tunes":1424},{"text":1423,"level":218},"Memory quality has at least five dimensions",{},{"id":557,"data":1426,"type":296,"tunes":1444},{"content":1427,"stretched":42,"withHeadings":13},[1428,1429,1432,1435,1438,1441],[561,1248],[1430,1431],"Retention quality","Did the system preserve the information that should survive?",[1433,1434],"Retrieval quality","Can the system recover the right memory when it matters?",[1436,1437],"Freshness quality","Does the system know when stored information is no longer current?",[1439,1440],"Provenance quality","Can the system distinguish source, user statement, observation, derivation, and inference?",[1442,1443],"Retirement quality","Can the system expire, supersede, restrict, or remove information when it should no longer influence decisions?",{},{"id":579,"data":1446,"type":225,"tunes":1448},{"text":1447},"Benchmarks are starting to separate these concerns. Microsoft's MemGym explicitly evaluates memory in long-horizon agentic settings and reports memory-isolated scores intended to reduce confounding from reasoning, retrieval, and tool-use ability. That direction is important because a final task score alone cannot tell you whether memory itself helped, harmed, or was irrelevant.",{},{"id":584,"data":1450,"type":41,"tunes":1452},{"text":1451,"level":218},"What not to put into durable memory by default",{},{"id":589,"data":1454,"type":604,"tunes":1467},{"meta":1455,"items":1456,"style":603},{},[1457,1458,1459,1460,1461,1462,1463,1464,1465,1466],"Raw chain-of-thought or hidden reasoning artifacts.","Temporary authentication tokens, secrets, or credentials.","Model-generated hypotheses that have not been verified.","Volatile state that has a live authoritative system.","Cheaply recomputable derived values without their source inputs.","Large tool outputs merely because storage is available.","Duplicate copies of information already governed by a better source of truth.","Sensitive personal data without a clear persistence purpose, access scope, and lifecycle.","Superseded conclusions without explicit version or retirement semantics.","Error messages or failure states that are only useful for the current run and have no reusable diagnostic value.",{},{"id":607,"data":1469,"type":41,"tunes":1471},{"text":1470,"level":218},"Memory is task-specific — there is no universal optimal store",{},{"id":612,"data":1473,"type":225,"tunes":1475},{"text":1474},"A coding agent benefits from reusable procedures, repository conventions, successful repair patterns, and project decisions. A personal assistant may need preferences, commitments, and relationship context. A commerce agent needs current product and transaction state far more than historical copies of price or inventory. A research agent benefits from source provenance, unresolved hypotheses, and explicit evidence status.",{},{"id":617,"data":1477,"type":225,"tunes":1479},{"text":1478},"Microsoft Research's M-star work makes this point directly: memory systems optimized for one purpose may transfer poorly to another, and task-specific memory mechanisms can outperform a fixed general-purpose design. The memory schema should therefore follow the decisions the agent must make, not a universal template imposed on every agent.",{},{"id":622,"data":1481,"type":41,"tunes":1483},{"text":1482,"level":218},"What would change this answer?",{},{"id":627,"data":1485,"type":225,"tunes":1487},{"text":1486},"The balance changes when retrieval is slow or expensive, authoritative systems are intermittently unavailable, recomputation is costly, audit rules require historical snapshots, or the agent must operate offline. In those cases, more information may need to be cached or persisted — but with version, provenance, timestamp, and invalidation metadata.",{},{"id":632,"data":1489,"type":225,"tunes":1491},{"text":1490},"The balance also changes for agents whose primary value is personalization. A stable preference may be worth remembering even if it could technically be asked again. Conversely, in high-risk domains, the threshold for converting an observation or interpretation into durable memory should be much higher.",{},{"id":637,"data":1493,"type":225,"tunes":1495},{"text":1494},"Future managed-memory platforms may automate consolidation, retrieval, forgetting, and context construction. That can reduce implementation work, but it does not remove the governance question: which information is allowed to influence future decisions, under what conditions, and when must the system return to the current source of truth?",{},{"id":642,"data":1497,"type":41,"tunes":1499},{"text":1498,"level":218},"Limitations",{},{"id":647,"data":1501,"type":225,"tunes":1503},{"text":1502},"There is no single definition of “agent memory” across current frameworks and research. Some systems use the term for conversation history, others for external persistent stores, structured knowledge, learned procedures, checkpoints, or model adaptation. The decision model in this article focuses on operational lifecycle semantics rather than enforcing one vocabulary.",{},{"id":652,"data":1505,"type":225,"tunes":1507},{"text":1506},"The four lifecycle actions can also overlap. A system may remember a stable summary, retain a pointer to the source, re-read volatile fields, and recompute a derived result in one workflow. The purpose of the model is not to force one storage primitive per fact, but to make the reason for persistence explicit.",{},{"id":657,"data":1509,"type":41,"tunes":1511},{"text":1510,"level":218},"Conclusion",{},{"id":662,"data":1513,"type":225,"tunes":1515},{"text":1514},"A useful agent does not win by remembering the most. It wins by preserving the right information, returning to authoritative sources when reality can change, recalculating what is safer to derive again, and retiring information that should no longer influence future decisions.",{},{"id":667,"data":1517,"type":225,"tunes":1519},{"text":1518},"The practical question for every candidate memory is therefore not “Can we store this?” but: Will future decisions be more reliable if this survives? If the answer depends on freshness, authority, cost, sensitivity, or revision, encode those conditions into the memory lifecycle instead of trusting retrieval alone.",{},{"id":672,"data":1521,"type":678,"tunes":1526},{"url":1522,"title":1523,"excerpt":1524,"ctaLabel":1525},"https:\u002F\u002Fstajic.de\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework","From Research Protocol to a General AI Reasoning Framework","A domain-independent reasoning method for separating evidence from assumptions, testing competing hypotheses, and using explicit validation rules.","Read the reasoning framework",{},{"id":681,"data":1528,"type":41,"tunes":1529},{"text":683,"level":218},{},{"id":686,"data":1531,"type":686,"tunes":1549},{"items":1532,"title":1548},[1533,1536,1539,1542,1545],{"id":690,"answer":1534,"question":1535},"Prefer information that is durable, reusable, provenance-preserving, and expensive or unreliable to reconstruct, such as stable user preferences, accepted project decisions, reusable procedures, and verified long-term constraints.","What information should an AI agent remember long term?",{"id":694,"answer":1537,"question":1538},"Volatile information with an authoritative external source should normally be retrieved again before consequential use. Examples include permissions, inventory, current prices, account state, policy versions, service status, and current documentation.","What should an AI agent retrieve again instead of remembering?",{"id":698,"answer":1540,"question":1541},"Recompute derived values when the calculation is cheap and stale results would be costly. Persisting a derived value makes more sense when recomputation is expensive and the cache includes the source version and invalidation conditions.","When should an AI agent recompute information?",{"id":702,"answer":1543,"question":1544},"Yes. Forgetting, expiry, and supersession are useful controls for transient, obsolete, sensitive, low-value, or misleading information. Unbounded retention can create noise and allow stale or incorrect information to keep influencing future decisions.","Should AI agents forget information?",{"id":706,"answer":1546,"question":1547},"Not by itself. Raw history can preserve evidence, but long-running agents usually need curation, structure, summaries, reusable facts or procedures, retrieval, and lifecycle rules so that low-value history does not dominate future context.","Is storing the entire conversation history a good memory strategy?","AI agent memory lifecycle",{},{"id":712,"data":1551,"type":41,"tunes":1553},{"text":1552,"level":218},"Glossary",{},{"id":717,"data":1555,"type":717,"tunes":1574},{"title":1556,"entries":1557},"Key memory lifecycle terms",[1558,1561,1564,1567,1570,1572],{"term":1559,"anchor":723,"definition":1560},"Memory admission","The decision process that determines whether information is allowed to become persistent agent memory.",{"term":1562,"anchor":727,"definition":1563},"Supersession","Marking an older memory or decision as replaced by newer information while preserving the historical record where needed.",{"term":1565,"anchor":731,"definition":1566},"Invalidation","A rule or event that makes a stored or cached value unsafe to reuse without refresh, recomputation, or review.",{"term":1568,"anchor":735,"definition":1569},"Provenance","Metadata describing where information came from, when it was observed, who or what asserted it, and how it was transformed.",{"term":1226,"anchor":313,"definition":1571},"The likelihood that information will change between the time it is stored and the time it is reused.",{"term":1235,"anchor":740,"definition":1573},"The time, money, computation, tool use, or uncertainty required to recover or regenerate information instead of storing it.",{},{"id":744,"data":1576,"type":41,"tunes":1578},{"text":1577,"level":218},"Primary sources and further reading",{},{"id":749,"data":1580,"type":756,"tunes":1584},{"link":751,"meta":1581},{"image":1582,"title":754,"description":1583},{"url":316},"Guidance on trimming, summarization, long-running context, and risks such as stale details and context poisoning.",{},{"id":759,"data":1586,"type":756,"tunes":1590},{"link":761,"meta":1587},{"image":1588,"title":764,"description":1589},{"url":316},"Engineering guidance on curation, compaction, structured note-taking, and maintaining useful agent context over long horizons.",{},{"id":768,"data":1592,"type":756,"tunes":1596},{"link":770,"meta":1593},{"image":1594,"title":773,"description":1595},{"url":316},"Practical work on preserving progress and artifacts across context windows in long-running agent tasks.",{},{"id":777,"data":1598,"type":756,"tunes":1602},{"link":779,"meta":1599},{"image":1600,"title":782,"description":1601},{"url":316},"Research on transforming raw agent interactions into structured reusable facts and skills rather than accumulating undifferentiated history.",{},{"id":786,"data":1604,"type":756,"tunes":1608},{"link":788,"meta":1605},{"image":1606,"title":791,"description":1607},{"url":316},"Research showing that task-specific memory mechanisms can outperform fixed general-purpose memory designs.",{},{"id":795,"data":1610,"type":756,"tunes":1614},{"link":797,"meta":1611},{"image":1612,"title":800,"description":1613},{"url":316},"A benchmark for isolating and evaluating memory performance in long-horizon agent environments.",{},{"id":804,"data":1616,"type":756,"tunes":1620},{"link":806,"meta":1617},{"image":1618,"title":809,"description":1619},{"url":316},"Research exploring consolidation, interference-based forgetting, reconsolidation, and retrieval in persistent agent memory.",{},"2.31.6","Long-running agents should not remember everything. This article provides a practical lifecycle model for deciding what belongs in durable memory, what should be retrieved again, what is safer to recompute, and what should expire or be superseded.","Post erfolgreich abgerufen",{"items":1625,"source":1668,"manualIds":1669,"manualMatchedIds":1670},[1626,1633,1640,1647,1654,1661],{"id":1627,"slug":1628,"title":1629,"excerpt":1630,"featuredImage":1631,"publishedAt":1632},"478","what-is-rag-the-simplest-explanation-of-how-it-works","Was ist RAG? Die einfachste Erklärung, wie es funktioniert","RAG klingt kompliziert, aber die Idee ist einfach: Bevor eine KI antwortet, sucht sie zunächst nützliche Informationen aus einer Wissensquelle und gibt diese Informationen an das Sprachmodell weiter. Dieser Leitfaden erklärt RAG, LLMs, Zustand, Gedächtnis und Werkzeuge anhand eines einfachen mentalen Modells.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z",{"id":1634,"slug":1635,"title":1636,"excerpt":1637,"featuredImage":1638,"publishedAt":1639},"476","mcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI: Der Agenten-Protokoll-Stack erklärt","MCP, A2A, UCP, AP2 und A2UI werden oft als konkurrierende Agentenstandards dargestellt. Sie lösen größtenteils unterschiedliche Interoperabilitätsprobleme. Dieser Leitfaden ordnet jedes Protokoll der Grenze zu, die es tatsächlich standardisiert—und zeigt, wie sie in einem Produktionssystem zusammenarbeiten können.","\u002Fuploads\u002F2026\u002F09\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained-1790352625869-2ezle0.webp","2026-09-25T12:09:00.000Z",{"id":1641,"slug":1642,"title":1643,"excerpt":1644,"featuredImage":1645,"publishedAt":1646},"471","how-to-know-whether-an-ai-agent-actually-used-the-right-evidence","Wie man erkennt, ob ein KI-Agent tatsächlich die richtigen Belege verwendet hat","Ein KI-Agent kann Quellen zitieren und trotzdem die falschen Belege verwenden. Dieser Artikel stellt eine praktische Methode zur Überprüfung der Belegung von Behauptungen, der Quellenautorität, der Anwendbarkeit, der Herkunft sowie der Frage vor, ob die Belege die Antwort tatsächlich beeinflusst haben.","\u002Fuploads\u002F2026\u002F09\u002Fhow-to-know-whether-an-ai-agent-actually-used-the-right-evidence-1790351317188-o5z9ve.webp","2026-09-25T11:47:00.000Z",{"id":1648,"slug":1649,"title":1650,"excerpt":1651,"featuredImage":1652,"publishedAt":1653},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","Die GPU ist nicht das Produkt: Zukunftssichere private KI-Architektur","Private KI-Infrastruktur sollte nicht um eine einzige GPU oder ein einziges Modell herum konzipiert werden. Ein resilienterer Ansatz kombiniert schnelle Inferenz-GPUs, speicherstarke KI-Systeme, physische KI-Knoten und optionale Frontier-Cloud-Modelle hinter einer fähigkeitsbewussten Routing-Schicht.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":1655,"slug":1656,"title":1657,"excerpt":1658,"featuredImage":1659,"publishedAt":1660},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","Die Antwortgültigkeitsgrenze: Die fehlende Schicht zwischen Relevanz und zuverlässigen KI-Antworten","Eine Quelle kann relevant und maßgeblich sein und dennoch falsch für die gestellte Frage. Die fehlende Ebene ist die Anwendbarkeit: die Bedingungen, unter denen eine Antwort gilt, und die Veränderungen, die erzwingen, dass sie überdacht werden muss. Dieser Artikel führt die Answer Validity Boundary als ein Quellendesign-Muster für Menschen, KI-Suche und RAG-Systeme ein.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z",{"id":1662,"slug":1663,"title":1664,"excerpt":1665,"featuredImage":1666,"publishedAt":1667},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","KI-Agenten-Gedächtnis ist kein RAG: Wie man Gedächtnis, Retrieval, Zustand und Kontext voneinander trennt","Agentengedächtnis, RAG, Zustand und Kontext werden oft so verwendet, als wären sie austauschbar. Das sind sie nicht. Dieses praktische Architekturmodell trennt die vier Schichten, zeigt, wohin jede gehört, und erklärt, was kaputtgeht, wenn Systeme sie zu einer einzigen zusammenfassen.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z","fallback",[],[]]