KI-Gedächtnis mit biologischem Zerfall erreicht 52% höhere Trefferquote

KI-Gedächtnis mit biologischem Zerfall erreicht 52% höhere Trefferquote

Die meisten RAG-Systeme behandeln Erinnerungen wie ein statisches Archiv - doch dieser Ansatz führt zu überfüllten Kontextfenstern und sinkender Qualität. Ein Open-Source-Projekt schlägt nun einen radikal anderen Weg ein: biologisches Vergessen als Feature.

Das Problem mit ewigem Gedächtnis

Wer schon einmal mit langlebigen KI-Agenten gearbeitet hat, kennt das Problem: Jeder temporäre Bugfix, jede verworfene Regel und jedes obsolete Wissen bleibt für immer gespeichert. Das Kontextfenster erstickt im Lärm, Token-Kosten explodieren, und die Qualität der Antworten sinkt.

Die Lösung: Ebbinghaus für Agenten

YourMemory implementiert die Ebbinghaus’sche Vergessenskurve für KI-Agenten. Jede Erinnerung erhält eine “Stärke” - jeder Abruf verstärkt die Daten und flacht die Zerfallskurve ab (verteilte Wiederholung). Ungenutzte Daten erreichen irgendwann einen Schwellwert und werden gelöscht.

Das Projekt löst auch das “logische Nachbarn”-Problem: Semantische Suche verpasst oft relevante, aber nicht-ähnliche Knoten. Ein Graph-Layer über dem Vektor-Store behebt dies.

Beeindruckende Ergebnisse

Im LoCoMo-Benchmark erreichte der Ansatz 52% Recall@5 - fast doppelt so hoch wie zustandslose Vektor-Stores. Gleichzeitig sank der Token-Verbrauch um etwa 84%. Als MCP-Server mit DuckDB läuft das System lokal-first.

Die Erkenntnis ist profound: Für Agenten, die lang laufende Projekte managen, ist “was vergessen werden sollte” genauso kritisch wie “was erinnert werden soll”.

Verfügbarkeit

Das Projekt ist Open Source auf GitHub unter sachitrafa/YourMemory verfügbar und kann als MCP-Server in existierende Workflows integriert werden.

Link: YourMemory auf GitHub