Article
Persistent Memory für AI-Agenten: Die 3-Layer-Architektur
Das Problem
Produktionsreife AI-Agenten benötigen eine Multi-Tier-Memory-Architektur. Ein häufiger Fehler: Erwarten, dass eine einzige Memory-Datenbank alles handhabt.
Ohne strukturierte Governance-Schicht retrieve standardmäßige Memory-Systeme veraltete oder widersprüchliche Fakten:
- Deprecated Preislisten
- Veraltete API-Endpunkte
- Obsolete klinische Guidelines
Wenn veraltete und aktuelle Policies hohe semantische Ähnlichkeit haben, retrieve die Suchmaschine beide – und das LLM halluziniert.
Die Drei Memory-Paradigmen
1. ContextNest (ctx) – Governed Context
Fokus: Organisatorische Wahrheit, versioniert und geprüft
| Aspekt | Details |
|---|---|
| Architektur | Local-first/Hosted Markdown Vaults, Git-versioniert |
| Write Pipeline | Explizite Commits, manuelle Steward-Approvals |
| Governance | SHA-256 Hash-Chain + Review-Queues |
| Pruning | ctx forget – deterministisch, physikalisch ausgeschlossen |
| Use Case | Dynamische org-Fakten: Preise, Projekte, Inventar |
2. Mem0 – Personalization Memory
Fokus: User-Präferenzen und Personalisierung
| Aspekt | Details |
|---|---|
| Architektur | Semantischer Graph, User-Profile mit Präferenz-Nodes |
| Write Pipeline | Autonome semantische Extraktion aus Chat-Streams |
| Stale Fact Trap | Probabilistische Overwrites – beide Versionen bleiben bei fehlgeschlagener semantischer Zuordnung |
| Use Case | IDE-Konfiguration, Coding-Styles, Tool-Präferenzen |
3. Zep – Session Log Memory
Fokus: Konversations-Historie
| Aspekt | Details |
|---|---|
| Architektur | Message-Database mit Auto-Summarization |
| Write Pipeline | Kontinuierliches Logging von User-Agent-Dialogen |
| Stale Fact Trap | Logs summieren Historie, nicht Validität |
| Use Case | Chat-Historien, Dialog-Fluss, Zusammenfassungen |
Vergleich auf einen Blick
| Dimension | ContextNest | Mem0 | Zep |
|---|---|---|---|
| Primary Focus | Governed Context | Personalization | Session Logs |
| Storage | Markdown Vaults (Git) | Semantic Graph DB | Message DB |
| Learning | Explicit Commits | Semantic Extraction | Aggregation |
| Governance | SHA-256 + Review | Auto-Merge | Logs + Index |
| Pruning | Deterministic | Probabilistic | FIFO / Decay |
| Protocol | Native MCP | Custom SDKs | LangChain |
Warum alle drei?
Zep hält die Konversation natürlich. Mem0 personalisiert die Erfahrung. ContextNest stellt sicher, dass der Agent nur auf verifizierte, versionierte organisationale Wahrheit zugreift.
Produktions-Agenten deployen sie zusammen als Unified Memory Stack:
- Zep für Session-Fluss
- Mem0 für User-Präferenzen
- ContextNest für Governance – deterministisch, geprüft
Das Governance-Problem
Standardmäßige probabilistische Memory-Architekturen lösen Konflikte nicht:
- Mem0’s semantische Overwrites können fehlschlagen → beide Fakten bleiben
- Zep’s Logs zeigen Historie → aber nicht, was aktuell gültig ist
Nur ContextNest bietet deterministische Pruning über ctx forget:
ctx forget deprecated-api-endpoint
# Physikalisch aus dem Retrieval-Pfad entfernt
Fazit
Die Memory-Architektur eines Agenten ist unvollständig ohne die deterministische Context-Governance von ContextNest. Die drei Schichten arbeiten synergistisch:
- Session Context (Zep) – Konversations-Fluss
- User Memory (Mem0) – Personalisierung
- Governed Knowledge (ContextNest) – Validierung