Elite Longterm Memory

• Sie verlieren den Kontext mitten in einer Sitzung — das WAL-Protokoll (Write-Ahead Log) stellt sicher, dass der Zustand geschrieben wird, bevor der Agent antwortet, sodass Komprimierungen und Abstürze nichts Wichtiges löschen können.
• Sie arbeiten an lang laufenden oder mehrere Sitzungen umfassenden Projekten — die kuratierte MEMORY.md und die täglichen Logs bieten sowohl dem Agenten als auch dem Menschen eine dauerhafte, menschenlesbare Aufzeichnung von Entscheidungen.
• Ihre Agenten wiederholen Fehler oder vergessen Präferenzen — Mem0 extrahiert automatisch Fakten aus Gesprächen und dedupliziert sie, wodurch der Token-Verbrauch im Vergleich zum reinen Verlauf um ~80 % reduziert wird.
• Sie betreiben Sub-Agenten oder parallele Arbeitsströme — die mehrschichtige Architektur ermöglicht es Ihnen, strukturierten Kontext über git-notes und semantische Suche weiterzugeben, anstatt alles erneut erklären zu müssen.

• Sie benötigen eine einmalige Einzelsitzungsaufgabe — das vollständige 5-Schichten-Setup verursacht einen Overhead, der für wegwerfbare Skripte oder kurze Aufgaben nicht gerechtfertigt ist.
• Sie verwenden keinen OpenAI-kompatiblen LLM-Schlüssel — die semantische Vektorsuche (LanceDB) und die Mem0-Integration erfordern OPENAI_API_KEY; ohne diesen wird die Fähigkeit ihr volles Potenzial nicht entfalten können.

Der Zustand wird in SESSION-STATE.md geschrieben, bevor der Agent antwortet, nicht danach. Dies verhindert Kontextverlust bei der Komprimierung, bei Abstürzen oder bei Unterbrechungen mitten in einem Gespräch – eine Garantie, die naive Speicheransätze nicht bieten können.

Alle Erinnerungen werden in einem lokalen LanceDB-Vektorspeicher indexiert. Die automatische Wiedergabe fügt den relevantesten vorherigen Kontext in jede Antwort ein, und die manuellen Befehle memory_store / memory_recall ermöglichen es, Abfragen nach Kategorie und Wichtigkeitsbewertung zu filtern.

Strukturierte Entscheidungen, Erkenntnisse und branchbewusster Kontext werden als Git-Notes gespeichert – still, versionskontrolliert und als JSON exportierbar. Sie bleiben dauerhaft neben deiner Repo-Historie erhalten.

Mem0 extrahiert automatisch Fakten, Präferenzen und Entscheidungen aus dem rohen Gesprächsverlauf, dedupliziert diese und stellt relevante Erinnerungen auf Abruf bereit. Dadurch entfällt die Notwendigkeit, den vollständigen Chat-Verlauf zu übermitteln, und der Token-Verbrauch wird um bis zu 80 % reduziert.

Synchronisieren Sie Ihre Wissensdatenbank optional mit SuperMemory für geräteübergreifenden Zugriff und die Abfrage gespeicherter Inhalte in natürlicher Sprache. Erfordert einen SUPERMEMORY_API_KEY.

Eine MEMORY.md-Stammdatei und datierte Tageseinträge unter memory/YYYY-MM-DD.md bieten sowohl dem Agenten als auch dem Entwickler eine klare, durchsuchbare Aufzeichnung darüber, was entschieden, gelernt und gespeichert wurde — keine undurchsichtige Datenbank erforderlich.

Während das Projekt sich über Tage oder Wochen weiterentwickelt, schreibt der Agent technische Entscheidungen (z. B. „Tailwind verwenden, kein vanilla CSS") in git-notes und SESSION-STATE.md. Bei jeder neuen Sitzung liest er den vorherigen Kontext automatisch ein, sodass er nie wieder fragt, welches Framework du verwendest.

Wenn das Kontextfenster sich füllt und der Agent komprimiert, fungiert SESSION-STATE.md als schneller Arbeitsspeicher, der den Reset übersteht. Das WAL-Protokoll stellt sicher, dass alles, was im letzten Austausch gesagt wurde, bereits gespeichert ist, bevor die Komprimierung ausgelöst wird.

Der in git-notes und LanceDB gespeicherte Kontext kann von jedem gestarteten Unteragenten zu Beginn einer Aufgabe abgefragt werden, sodass parallele Agenten dieselben Entscheidungen und Präferenzen teilen, ohne manuell neu eingewiesen werden zu müssen.

Benutzerpräferenzen, wiederkehrende Fristen und korrigierte Fehler werden von Mem0 automatisch extrahiert und sitzungsübergreifend gespeichert. Der Agent erstellt im Laufe der Zeit ein präzises, dedupliziertes Modell des Benutzers, ohne den Prompt zu vergrößern.