Memory Management Pattern

Das Problem

Jeder API-Call ist eine leere Session. Dein Agent weiß nicht, was gestern passiert ist. Memory Management löst dieses Problem durch strukturierte Persistenz.

Das Drei-Stufen-Memory-System in der Praxis

Ein produktives Memory-System löst das Vergessens-Problem mit drei Stufen, die zusammenspielen: Kernwissen (immer geladen), Tagesprotokolle (Session-Historie) und optionale Vector Memory (semantische Suche).

Stufe 1: MEMORY.md — Das Kerngehirn

Die wichtigste Datei im System. Stell sie dir als das essentielle Briefing vor, das bei jedem einzelnen Start geladen wird. Was kommt hinein? Aktive Projekte und deren Status, wichtige Entscheidungen, aktuelle Business-Prioritäten, Links zu wichtigen Ressourcen.

Eine gute Faustregel: Wenn du ein neues Teammitglied in sechzig Sekunden briefen müsstest, was würdest du ihm sagen? Das gehört in MEMORY.md. Wichtige Regel: Unter zweihundert Zeilen halten — eine aufgeblähte Memory-Datei verschwendet Tokens und verwässert die wichtigen Informationen.

Stufe 2: Tagesprotokolle — Die Aktivitätsaufzeichnung

Während MEMORY.md das "was jetzt wichtig ist" speichert, speichern Tagesprotokolle das "was an jedem Tag passiert ist". Ein Arbeitstagebuch, das sich von selbst schreibt: Erledigte Aufgaben, getroffene Entscheidungen, erstellte Inhalte.

Tagesprotokolle ermöglichen eine durchsuchbare Historie ("Woran habe ich letzten Dienstag gearbeitet?"), füttern Weekly-Review-Skills und sorgen für Kontinuität — die nächste Session kann genau dort weitermachen, wo die letzte aufgehört hat.

Stufe 3: Vector Memory — Semantische Suche

Optional, aber leistungsfähig. Vector Memory ermöglicht semantische Suche über angesammeltes Wissen — basierend auf Bedeutung, nicht nur auf Schlüsselwörtern. Du kannst fragen "Was war unser Ansatz für Kunden-Onboarding?" und das System findet relevante Informationen, selbst wenn die genauen Worte nicht übereinstimmen.

Context-Dateien: Permanentes Grundwissen

Memory speichert, was im Laufe der Zeit passiert. Context-Dateien speichern die permanenten Grundlagen — die Dinge am Business, die sich nicht von Tag zu Tag ändern:

• my-business.md — Firmenprofil, Mission, Zielkunden, Umsatzmodell
• my-voice.md — Kommunikationsstil, Ton, Beispiel-Inhalte
• my-products.md — Produktkatalog, Preise, Features, Differenzierung

Die Voice-Datei löst die grösste Beschwerde über AI-generierten Content: dass er generisch und roboterhaft klingt. Je mehr Details du hineinsteckst — einschliesslich Beispielen deines tatsächlichen Schreibstils — desto authentischer wird der Output.

Technische Implementierungen

1. CLAUDE.md / PROJECT.md

Die einfachste Methode: Eine Markdown-Datei im Projektwurzelverzeichnis, die alle wichtigen Infos enthält. Wird bei jedem Run automatisch geladen.

# Project Context
- Stack: Ollama + n8n + PostgreSQL
- Zielgruppe: KMUs in Österreich
- aktuelle Tasks: ...

# Entscheidungen
- Docker Compose für Deployment
- PostgreSQL für Datenhaltung

# Wichtige Files
- /src/api - REST Endpoints
- /tests - pytest Suite

2. Topic Files

Für komplexere Projekte: Mehrere Markdown-Dateien in einem /docs Verzeichnis. Jede Datei behandelt ein Thema (Architektur, API, Deployment, etc.).

/docs/
├── ARCHITEKTUR.md    # System-Übersicht
├── API.md            # Endpoints, Auth
├── DEPLOYMENT.md     # CI/CD, Server
└── ENTSCHEIDUNGEN.md # Projekt-Geschichten

3. Knowledge Graphs

Für Wissensbasen mit Millionen von Tokens: Vector-Datenbanken wie pgvector oder ChromaDB. Speichere Dokumente, Code, Logs als Embeddings und finde sie mit natürlicher Sprache.

4. Session Memory (Kurzzeit)

# Python: Session Memory mit SQLite
import sqlite3

def save_session(agent_id, messages):
    conn = sqlite3.connect('memory.db')
    conn.execute(
        "INSERT INTO sessions VALUES (?, ?, datetime('now'))",
        (agent_id, json.dumps(messages))
    )
    conn.commit()

def load_session(agent_id):
    # Lade letzte 10 Nachrichten
    return conn.execute(
        "SELECT messages FROM sessions WHERE agent_id=? ORDER BY created DESC LIMIT 1",
        (agent_id,)
    ).fetchone()

Wann was verwenden?

Beispiel: ChromaDB für Vektorspeicher

Wenn dein Wissen über 50K Tokens hinausgeht, speichere Dokumente als Embeddings und suche per Ähnlichkeit:

# ChromaDB: Vektorspeicher für Agent-Memory
import chromadb

# Client erstellen (persistent)
client = chromadb.PersistentClient(path="./chroma_data")

# Collection anlegen
collection = client.get_or_create_collection(
    name="agent_knowledge",
    metadata={"hnsw:space": "cosine"}
)

# Dokumente speichern
collection.add(
    documents=[
        "PostgreSQL läuft auf Port 5432 im Docker Swarm",
        "Ollama braucht GPU-Node docker-swarm3",
        "Backup läuft täglich um 02:00 via Restic",
    ],
    ids=["doc1", "doc2", "doc3"],
    metadatas=[
        {"category": "infra"},
        {"category": "ai"},
        {"category": "ops"},
    ]
)

# Ähnlichkeitssuche
results = collection.query(
    query_texts=["Wo läuft die Datenbank?"],
    n_results=2
)
print(results["documents"])
# → [["PostgreSQL läuft auf Port 5432 im Docker Swarm", ...]]

Memory sauber halten

Memory-Pflege ist wie einen aufgeräumten Schreibtisch zu halten. Ohne regelmässiges Aufräumen werden wichtige Dinge unter Stapeln veralteter Informationen begraben.

• Die Zweihundert-Zeilen-Regel für MEMORY.md ist die wichtigste — ältere Einträge ins Tagesprotokolle-Archiv verschieben
• MEMORY.md fokussiert auf aktuelle Prioritäten, aktive Projekte und essentielle Referenzinformationen halten
• Tagesprotokolle werden automatisch nach Datum organisiert — einmal im Monat ältere Protokolle archivieren
• Keine Secrets, Credentials oder API Keys in Memory-Dateien speichern

Der echte Nutzen: Kontinuität

So sieht Memory Management in der Praxis aus: Montag erzählst du dem System von einem neuen Kundenprojekt — die Details werden im Tagesprotokoll gespeichert und das Projekt als aktiv in MEMORY.md markiert. Dienstag bittest du um ein Angebot — das System kennt die Details bereits und schreibt in deiner Markenstimme. Mittwoch kommt Kundenfeedback, Donnerstag kannst du nach dem Projektstatus fragen und bekommst eine komplette Zusammenfassung über alle Tage hinweg.

Kontinuität, Kontext und Erinnerung — die drei Dinge, die eine AI vom Tool zum verlässlichen Teammitglied machen.