Der ultimative Leitfaden: So verleihen Sie Codex in nur 3 Minuten ein „unendliches Gedächtnis“

Kennen Sie den Mechanismus, um Codex ein "zweites Gehirn" hinzuzufügen, sodass der Kontext auch bei einer Unterbrechung des Gesprächs erhalten bleibt? Sein Name ist Agentmemory. Ich habe alles von der Installation und Konfiguration bis zu häufigen Fallstricken zusammengefasst. Ein Muss für alle, die es leid sind, jedes Mal dasselbe zu erklären, und für diejenigen, die keine Tokens verschwenden wollen.

Jeden Morgen starte ich Claude Code und tippe "Weiter von gestern", nur um zu hören: "Bitte teilen Sie mir den Inhalt der vorherigen Sitzung mit." Das passiert fast täglich.

Sobald eine Sitzung unterbrochen wird, wird der Projektkontext zurückgesetzt. Zwar werden die in CLAUDE.md festgehaltenen Dinge gelesen, aber das "Kontextgewicht" – wie Diskussionen über einen Fehler von vor drei Tagen oder die Begründung einer letzte Woche getroffenen Designentscheidung – verschwindet vollständig.

Ein Entwickler schrieb:

Standardmäßig werden nur 30 Tage Ihres Claude-Code-Sitzungsverlaufs auf Ihrem Computer gespeichert. Sie müssen diesen Zeitraum verlängern, wenn Sie ein Gedächtnis über alle Sitzungen hinweg haben möchten.

Die Standardaufbewahrungsdauer für den Sitzungsverlauf beträgt 30 Tage. Zudem wird nur eine "Aufzeichnung als Zeichenkette" gespeichert, kein Mechanismus, der als Kontext abgerufen werden kann.

Auf der Codex-Seite ist es im Grunde dasselbe. GPT-5.5 hat einen Kontext von 1 Million Tokens über die API und 400K in Codex CLI. Die physische Größe scheint ausreichend, aber in der Praxis beginnt die Genauigkeit ab etwa 200K Tokens zu sinken.

Da kam Agentmemory, das nach 4.000 Stars Schlagzeilen machte, ins Spiel. Ich habe es eine Woche lang intensiv genutzt. Hier ist mein Fazit:

Der Ausdruck "Codex/Claude Code unendlichen Speicher hinzufügen" ist zur Hälfte übertrieben und zur Hälfte wahr.

In diesem Artikel erkläre ich, wie Sie den "wahren" Teil maximieren und den "übertriebenen" Teil vermeiden können, wenn Sie darauf stoßen.

1. Warum bekommen Codex/Claude Code "Amnesie"?

Bevor wir über Agentmemory sprechen, möchte ich klarstellen, warum bestehende Tools nicht ausreichen. Wenn wir das überspringen, endet es nur mit "Ich habe ein praktisches Speichertool hinzugefügt", und wir verpassen das Wesentliche.

Selbst wenn das Kontextfenster groß ist, kann es in der Praxis nicht vollständig genutzt werden.

Stand Mai 2026 sind die Kontextfenster der großen Modelle wie folgt:

● Claude Opus 4.7: 1M Tokens (erweitert von 200K)

● GPT-5.5: 1M Tokens (API) / 400K Limit in Codex CLI

● Gemini 3.1 Pro: 1M Tokens

Auf Japanisch umgerechnet sind das etwa 1,41 Millionen Zeichen. Genug Kapazität, um nicht nur ein Buch, sondern eine ganze Reihe unterzubringen. Auf den ersten Blick scheint "alles reinzupassen".

Allerdings schrieb Anthropic selbst in seinem offiziellen Engineering-Blog:

Mit zunehmender Anzahl von Tokens im Kontextfenster nimmt die Fähigkeit des Modells ab, Informationen aus diesem Kontext genau abzurufen.

Physische Kapazität ist nicht gleichbedeutend mit der Fähigkeit, Genauigkeit zu bewahren. Die Erfahrung zeigt, dass Claude bei etwa 200K bis 400K Tokens beginnt, "das gerade Gesagte zu vergessen". Dies ist allgemein als Kontextverfall (Context Rot) bekannt.

"Kollaps des Denkens", der sogar im offiziellen Claude Code auftrat

Lassen Sie mich ein reales Beispiel nennen. Am 23. April 2026 veröffentlichte Anthropic offiziell eine Postmortem-Analyse.

Ein am 26. März ausgerollter Fehler führte dazu, dass die "Funktion zum Löschen alter Gedanken nach 1 Stunde Inaktivität" jedes Mal ausgelöst wurde, auch nach dem Fortsetzen einer Sitzung.

Infolgedessen änderte sich die mediane sichtbare Denklänge wie folgt:

● Januar: 2.200 Zeichen

● März: 600 Zeichen

Ein Einbruch von 73%. Etwa einen Monat lang kürzte der offizielle Claude Code willkürlich seinen eigenen Kontext.

Das ist deshalb wichtig, weil es zeigt, dass Kontextverfall nicht nur ein "Benutzerfehler" ist, sondern auch durch dienstseitige Umstände verursacht werden kann. Egal wie sauber Sie CLAUDE.md schreiben, eine einzige Tuningsanpassung auf der Tool-Seite kann den "Kontext von letzter Woche" zu Altpapier machen.

Grenzen bestehender Lösungen (CLAUDE.md / Auto-Memory)

Anthropic ergreift Maßnahmen. Die Auto-Memory-Funktion von Claude Code ist ein Mechanismus, der sich merkt, was zwischen Sitzungen gelernt wurde, und es beim Neustart abruft. Das Claude Code Team kündigte dies im Mai an.

Allerdings ist dies so strukturiert, dass es mit der Kompaktierung zusammenarbeitet. Es führt einen internen Ablauf durch: "Kontext komprimieren → wichtige Informationen in den Speicher verschieben", und die KI entscheidet bei jeder Komprimierung, "was behalten werden soll". Benutzer können diese Entscheidungslogik nicht beeinflussen.

Darüber hinaus ist Auto-Memory exklusiv für Claude Code. Es gibt keine API, um es von anderen Agenten wie Codex, Cursor, Cline oder Hermes auszulesen. Für diejenigen, die mehrere Agenten nutzen, wird die Situation, "dreimal die gleiche Prämisse erklären zu müssen", zur Normalität.

2. Was Agentmemory anders macht

Nun zum Hauptthema. Agentmemory (offizielles Repo: rohitg00/agentmemory) ist eine Open-Source-Speicher-Engine, die am 15. Mai 2026 8,8k Stars erreicht hat. Das ist mehr als eine Verdopplung seit dem ersten Bericht von "4.000+ Stars". Es ist unter der Apache-2.0-Lizenz lizenziert, basiert auf TypeScript und die neueste Version ist v0.9.12 (13. Mai). Es ist vollständig selbst gehostet, keine Daten werden an externe SaaS-Dienste gesendet.

Philosophie des Entwicklers

Der leitende Entwickler Rohit Ghumare (@ghumare64) fasste das Wesen von Agentmemory in einem Satz zusammen:

Habe dies vor 6 Monaten mit agentmemory gebaut: persistenter Speicher für KI-Coding-Agenten. Gleiche Kernidee: Hört auf, neu abzuleiten, beginnt zu kompilieren.

"Hört auf, neu abzuleiten, beginnt zu kompilieren." Das ist der philosophische Unterschied zu bestehenden Tools.

CLAUDE.md war "Eingabe zum jedesmaligen Neuableiten". Projektstruktur, Konventionen, vergangene Entscheidungen. Die KI las sie, interpretierte sie neu und vergaß sie dann jede Sitzung. Agentmemory ändert dies, indem es die "Neuableitungsschleife" durch eine "kompilierte Speicherschicht" ersetzt.

3-Stufen-Architektur (Zusammenfassung aus der README)

Laut der offiziellen README ist die interne Struktur in drei Stufen unterteilt:

Zuerst kommt Capture. Es verwendet 12 Claude-Code-Lifecycle-Hooks, um Daten automatisch zu erfassen, sodass kein manuelles Ausführen von memory_save erforderlich ist.

Zweitens Pipeline. Es organisiert Beobachtungen durch einen Ablauf aus Deduplizierung → Datenschutzfilter (automatische Entfernung von API-Keys/PII) → KI-basierter Komprimierung.

Drittens Retrieval. Es fusioniert drei Arten der hybriden Suche (BM25 / Vektor / Graph) mittels RRF k=60. BM25 kümmert sich um Stammformen von Keywords und Synonyme, Vektor um Kosinus-Ähnlichkeit dichter Embeddings und Graph um die Traversierung von Wissensgraphen. Durch die Fusion mit Reciprocal Rank Fusion fängt, wenn eine Methode etwas verpasst, die andere es auf. Ergebnisse werden mit Sitzungsstreuung (max. 3 pro Sitzung) zurückgegeben, was das Problem löst, nur Ergebnisse aus derselben Sitzung zu erhalten.

4-stufiger Speicher (Inspiriert von Ebbinghaus)

Ein weiterer interessanter Aspekt ist das Design, das den Speicher in vier Stufen unterteilt, die im Laufe der Zeit "wachsen".

Die unterste Stufe ist Working, ein Kurzzeitspeicher für rohe Tool-Ausführungsbeobachtungen, Fehlerprotokolle und Befehlsverlauf. Auf der nächsten Stufe, Episodic, werden Sitzungszusammenfassungen von "was passiert ist" gespeichert. Auf der Semantic-Ebene wird es zu "was ich weiß", extrahiertes Wissen und Muster. Die oberste Stufe ist Procedural, bestehend aus Arbeitsabläufen und Verfahren, wie "wie man vorgeht".

Häufig abgerufene Erinnerungen werden gestärkt, während nicht referenzierte Erinnerungen gemäß der Ebbinghaus-Vergessenskurve verfallen. Es ist ein Mechanismus, der der menschlichen Gedächtnisstruktur nachempfunden ist. Das ist die wahre Natur von "Hört auf, neu abzuleiten, beginnt zu kompilieren."

Positionierung gegenüber Wettbewerbern

Ehrlich gesagt, wenn man nur auf die GitHub-Stars schaut, ist Agentmemory im Vergleich zu Wettbewerbern immer noch klein.

● Mem0: 55,7k Stars, Allzweck-Speicherschicht, API/Cloud-first

● Letta (ehemals MemGPT): 22,7k Stars, Agenten-OS, virtuelles Kontextmanagement

● Agentmemory: 8,8k Stars, spezialisiert auf Coding-Agenten, lokales SQLite

Es verliert im Zahlenvergleich. Wo Agentmemory jedoch glänzt, ist seine Spezialisierung auf Coding-Agenten und das entkoppelte Design. Rohit selbst schrieb:

Wenn Sie eine tatsächliche erweiterte Speicherarchitektur wollen, die agentenübergreifend, portabel und nicht an einen bestimmten Agenten gebunden ist, schauen Sie sich agentmemory an. Es ist als entkoppelte Speicherschicht konzipiert, die über verschiedene Umgebungen hinweg funktioniert.

Sie können es mit Cursor, Cline, Claude Code, Codex und Hermes verbinden und denselben Speicher verwenden. Das ist die Abgrenzung zu Mem0 und Letta. Mem0 ist zu allgemein und hat eine schwache automatische Erfassung für Coding-Kontexte, während Letta ein Agenten-OS ist, was es schwierig macht, nur die Speicherschicht herauszulösen.

Agentmemory trifft den Nagel auf den Kopf für die Nische von "Entwicklern, die mehrere Coding-Agenten gleichzeitig verwenden."

3. In 3 Minuten starten – Installation und erste Einrichtung

Legen wir los. Der grundlegende Ablauf ist auf Mac, Linux und Windows gleich, sofern eine Node.js-Umgebung vorhanden ist.

Schritt 1: Memory-Server starten

Öffnen Sie einfach ein Terminal und führen Sie dies aus:

Starten Sie den Memory-Server (lassen Sie ihn laufen)

npx @agentmemory/agentmemory

Beim ersten Mal dauert es 1-2 Minuten, um Abhängigkeiten herunterzuladen. Bei Erfolg startet eine REST-API unter http://localhost:3111. Sie können den Zustand mit folgendem Befehl überprüfen:

curl http://localhost:3111/agentmemory/health

→ {"status":"ok","version":"0.9.12"}

Ein Viewer startet ebenfalls. Sie können den Speicherinhalt visualisieren, indem Sie http://localhost:3113 in Ihrem Browser öffnen.

Schritt 2: Demo-Daten einfügen

Es ist schwer, sich etwas mit leeren Inhalten vorzustellen, also fügen wir Beispieldaten hinzu.

In einem separaten Terminal ausführen

npx @agentmemory/agentmemory demo

Dies schreibt einen Dummy-Sitzungsverlauf in SQLite, der im Viewer beobachtet werden kann.

Schritt 3: In Claude Code integrieren

Der schnellste Weg von der Claude-Code-Seite aus ist über den Plugin-Marktplatz.

Innerhalb von Claude Code ausführen

/plugin marketplace add rohitg00/agentmemory

/plugin install agentmemory

Dadurch werden automatisch Folgendes registriert:

● 12 Hooks (alle Lifecycles, einschließlich SessionStart / PostToolUse / Stop)

● 4 Skills (recall / consolidate / export / governance)

● 51 MCP-Tools (AGENTMEMORY_TOOLS=all für alles, Standard sind 15 Kern-Tools)

Schritt 4: In Codex CLI integrieren

Codex folgt einem ähnlichen Stil.

codex plugin marketplace add rohitg00/agentmemory

codex plugin install agentmemory

Bei Codex wird automatisch AGENTMEMORY_URL=http://localhost:3111 als Umgebungsvariable gesetzt. Beachten Sie, dass Codex strenger in Bezug auf MCP-Synchronizität ist als Claude Code und sofort einen Fehler ausgibt, wenn der Server nicht läuft. Vergessen Sie nicht, ihn laufen zu lassen.

Schritt 5: Mit Cursor / Cline usw. verbinden

Um es über Cursor zu verwenden, fügen Sie es zu ~/.cursor/mcp.json hinzu:

{

"mcpServers": {

"agentmemory": {

"command": "npx",

"args": ["-y", "@agentmemory/mcp"],

"env": { "AGENTMEMORY_URL": "http://localhost:3111" }

}

}

}

Cline, Hermes und andere MCP-kompatible Editoren verbinden sich nach dem gleichen Muster. Es gibt eine Falle: Die MCP-Einstellungen von Cursor werden nicht allein durch Schließen und erneutes Öffnen übernommen; ich werde dies im Abschnitt "5 Fallstricke" detailliert beschreiben.

Schritt 6: Health-Check-Ritual

Nach der Einrichtung folgt hier die obligatorische Checkliste:

1. Memory-Server-Konnektivität

curl http://localhost:3111/agentmemory/health

2. iii-Engine-Version prüfen (v0.11.2 erforderlich)

iii --version

3. Speicher im Viewer prüfen

open http://localhost:3113

Wenn Sie im Viewer aufgezeichnete Beobachtungen sehen, ist die Einrichtung erfolgreich. Wenn Node.js bereits installiert ist, dauert es weniger als 3 Minuten.

4. Die 3 grundlegenden Aktionen – Speichern, Suchen, Automatische Komprimierung

Die Nutzung von Agentmemory lässt sich in drei Hauptaktionen gliedern.

Aktion 1: Speichern (Automatische Erfassung ist Standard)

Bei Mem0 oder Letta ist es normal, mit manuellen Befehlen wie memory_add(...) zu speichern. Agentmemory hat eine andere Philosophie: Es erfasst alles automatisch mit 12 Hooks.

Beispielsweise werden die folgenden Beobachtungen aufgezeichnet, ohne dass Sie etwas tun müssen:

● Befehle und Ausgaben während der Bash-Tool-Ausführung (PostToolUse-Hook)

● Diffs vor und nach der Dateibearbeitung (PreToolUse-/PostToolUse-Hook)

● Automatische Injektion verwandter Speicherinhalte beim Sitzungsstart (SessionStart-Hook)

● Zusammenfassungskomprimierung am Sitzungsende (Stop-Hook)

Der größte Wert besteht darin, dass die "Last für den Benutzer, zu entscheiden, was gespeichert werden soll", auf null reduziert wird. Während wir früher in CLAUDE.md dachten "das ist wichtig, das schreiben wir auf" oder "das löschen wir", besteht die Idee hier darin, diese Entscheidungslogik der KI zu überlassen.

Sie können auch manuell speichern. Durch Aufrufen von memory_save über ein MCP-Tool können Sie explizit markieren: "Das ist wichtig." Es ist sicherer, kritische Designentscheidungen manuell zu speichern, anstatt sich nur auf die automatische Erfassung zu verlassen.

Aktion 2: Suchen (3-System-Hybrid + RRF)

Die Suche erfolgt über MCP-Tools oder durch direkten Aufruf der REST-API. Hier sind die repräsentativen MCP-Tools:

● memory_recall – Verwandte Speicherinhalte mittels natürlicher Sprache abrufen

● memory_smart_search – Vollversion der hybriden Suche

● memory_sessions – Nach Sitzungen auflisten

● memory_timeline – Nach Zeit sortieren

● memory_relations – Graph-Traversierung verwandter Entitäten

Bei direktem Aufruf der REST-API:

Suche nach "vorheriger Fix bezüglich Supabase Auth"

curl -X POST http://localhost:3111/agentmemory/search \

-H "Content-Type: application/json" \

-d '{"query": "supabase auth fix", "limit": 5}'

Die zurückgegebenen Ergebnisse sind eine Fusion von BM25 / Vektor / Graph mittels RRF k=60. Die Latenz liegt bei P50 unter 20 ms (schnell, da lokales SQLite).

Die Genauigkeit in offiziellen Benchmarks (LongMemEval-S, 500 Fragen, ICLR 2025) ist wie folgt:

● R@5: 95,2% (Wahrscheinlichkeit, dass die richtige Antwort unter den Top-5-Kandidaten ist)

● R@10: 98,6%

● MRR: 88,2%

Beachten Sie, dass dies die "Suchgenauigkeit" ist, nicht die "End-to-End-QA-Genauigkeit". Es ist die Wahrscheinlichkeit, dass die richtige Antwort irgendwo in den Kandidaten ist; ob Claude sie verwendet, um richtig zu antworten, ist eine separate Frage. Verlassen Sie sich nicht zu sehr darauf, indem Sie beides verwechseln.

Aktion 3: Automatische Komprimierung (Wachsen über 4 Stufen im Laufe der Zeit)

Jedes Mal, wenn der Stop-Hook ausgelöst wird, erfolgen nacheinander drei Komprimierungsstufen:

Zunächst komprimiert Working → Episodic rohe Tool-Protokolle in Sitzungszusammenfassungen. Als nächstes extrahiert Episodic → Semantic "Muster" und "Wissen" aus mehreren Sitzungsereignissen. Schließlich festigt Semantic → Procedural häufig wiederholte Schritte zu "Arbeitsabläufen".

Dies löst automatisch das Problem, "alles zu speichern und Suchrauschen zu erzeugen". Das Token-Budget, das beim Sitzungsstart injiziert wird, beträgt standardmäßig 2.000 Tokens. Dies ist darauf ausgelegt, den "vorherigen Kontext" in einer notwendigen und ausreichenden Form wiederherzustellen.

5. Workflow für die gleichzeitige Nutzung von Codex / Claude Code

Nun zur praktischen Anwendung. Für diejenigen, die sowohl Codex als auch Claude Code ernsthaft nutzen, hier drei Workflow-Muster.

Muster 1: Täglicher Ablauf für die Einzelentwicklung

Indem Sie den agentmemory-Server laufen lassen, wird beim Start von Claude Code der SessionStart-Hook ausgelöst und automatisch das episodische Gedächtnis des Vortages injiziert. Selbst ohne "Weiter von gestern" zu sagen, beginnt das Gespräch mit Claude, der bereits versteht: "Lass uns die Diskussion über das Feststecken bei Supabase RLS fortsetzen."

Während des Codierens schreibt der PostToolUse-Hook ständig Befehle, Ausgaben und Diffs in SQLite. Wenn die Sitzung geschlossen wird, komprimiert der Stop-Hook Working in Episodic. Am nächsten Morgen wird dies automatisch gelesen, der Kreislauf schließt sich.

Muster 2: Verwaltung mehrerer Projekte

Agentmemory kann den Speicher in drei Bereiche unterteilen. Der user-Bereich ist an die Person gebunden und enthält "persönliche Gewohnheiten" wie Präferenzen für Codierungskonventionen. Der project-Bereich wird für jedes Projekt separat verwaltet, mit separaten SQLite-Dateien. Der local-Bereich bleibt nur auf dieser Maschine und verlässt diese auch im Team-Sharing-Modus nicht.

Durch Ändern der Umgebungsvariable auf AGENTMEMORY_PROJECT=foo-app beim Wechsel des Projekts wird auf eine andere SQLite-Datei verwiesen. Dies ist unglaublich effektiv für Leute, die mehrere Projekte parallel bearbeiten. Das Phänomen, dass Designentscheidungen aus Projekt A in Diskussionen für Projekt B einfließen, geschah oft mit CLAUDE.md. Mit Agentmemory sind sie physisch getrennt, also gibt es keine Überlagerungen.

Muster 3: Team-Sharing und gemeinsame Entwicklung mit börsennotierten Unternehmen

Wir entwickeln derzeit gemeinsam mit börsennotierten Unternehmen KI-Agenten, und der MCP-Server-Sharing-Modus ist hier subtil effektiv. Durch Setzen des collab=true-Flags können mehrere Codex-/Claude-Code-Instanzen auf denselben Memory-Server zugreifen.

Serverseite

AGENTMEMORY_COLLAB=true npx @agentmemory/agentmemory --bind 0.0.0.0

Durch den Zugriff über ein Team-VPN können mehrere Personen gleichzeitig arbeiten und sich den "Speicher desselben Projekts" teilen. Allerdings muss der Datenschutzfilter stark eingestellt sein. Wenn API-Keys oder persönliche Daten hineingeraten, werden sie mit dem gesamten Team geteilt, daher sind Ausschlusseinstellungen in .agentmemoryignore zwingend erforderlich. Ich werde dies im Abschnitt "Fallstricke" ansprechen.

Fallstricke, die nur bei gleichzeitiger Nutzung auftreten

Beim Wechsel zwischen Codex und Claude Code im selben Projekt wird der Speicher geteilt, aber die Befehlssyntax ist unterschiedlich. Der /plugin-Befehl von Claude Code funktioniert nicht in Codex, und codex plugin install von Codex funktioniert nicht in Claude Code. Selbst wenn es sich um ein "Tool handelt, das für beide funktioniert", sind Einstellungen für jedes einzeln erforderlich. Viele bleiben hier in der ersten Woche stecken.

6. Wie man Benchmarks liest – Zahlen in "Erfahrung" übersetzen

Ich übersetze die offiziellen Zahlen in praktische Empfindungen.

Die Wahrheit hinter der "92% Token-Reduktion"

Die in Newslettern und Medium-Artikeln angepriesene "92% Reduktion" bezieht sich auf pro Sitzung.

● Herkömmlicher manueller Betrieb mit CLAUDE.md: ca. 22.000 Tokens pro Sitzung

● Über Agentmemory: ca. 1.900 Tokens pro Sitzung

● Reduktionsrate: ca. 91-92%

Die beim Start einer Sitzung injizierten Kontext-Tokens werden drastisch reduziert. Auf Jahresbasis ändern sich die Zahlen, und die Token-Savings-Tabelle in der README sagt:

● LLM-zusammenfassender Betrieb: ca. 650K Tokens / Jahr (ca. 500 $ / Jahr)

● Agentmemory: ca. 170K Tokens / Jahr (ca. 10 $ / Jahr)

In Bezug auf Tokens sind es etwa 74% Reduktion, aber in Bezug auf die Kosten sind es 98% Reduktion. Aus 500 $ werden 10 $. Der Grund für den Unterschied ist, dass Agentmemory auf lokalem SQLite + lokalen Embeddings läuft. Anders als Mem0 oder Letta, die jedes Mal eine LLM-basierte Komprimierung durchführen, sind die Betriebskosten minimal.

Was "LongMemEval-S R@5 95,2%" bedeutet

LongMemEval-S ist ein Benchmark für Langzeitspeicher, der auf der ICLR 2025 veröffentlicht wurde (500 Fragen, ca. 48 Sitzungen pro Frage, ca. 115K Tokens Kontext). Vergleich der wichtigsten Tools:

Mem0 schließt mit seinem neuen Algorithmus auf, daher ist es nicht fair, allein aufgrund der Zahlen von einem "Erdrutschsieg" zu sprechen. Da Agentmemory jedoch in Kombination mit einem auf Coding-Agenten spezialisierten automatischen Erfassungsmechanismus 95,2% erreicht, lautet die aktuelle Bewertung, dass es an einem hervorragenden Punkt für den Trade-off "Genauigkeit vs. Betriebsaufwand" liegt.

Nochmals zur Erinnerung: R@5 ist die Suchgenauigkeit, nicht die Wahrscheinlichkeit, dass Claude oder Codex letztendlich die richtige Antwort geben. Diese zu verwechseln, führt zu einer Überschätzung.

Codex 400K vs. Opus 4.7 1M: "Physisch vs. Praktisch"

Beim Betrachten der Benchmark-Zahlen fiel mir ein weiterer wichtiger Punkt auf.

Claude Opus 4.7 erweiterte seinen Kontext auf 1M Tokens. GPT-5.5 hat ebenfalls 1M Tokens über die API. Allein dadurch scheint es, als ob "wir keine Speichertools mehr brauchen".

Allerdings ist Codex CLI tatsächlich auf 400K begrenzt. Die physische Grenze und die praktische Grenze sind nicht deckungsgleich. Darüber hinaus beginnt, wie Anthropic selbst schrieb, der Kontextverfall bei 200K-400K Tokens, wenn der Kontext zunimmt.

Mit anderen Worten: Selbst wenn die physische Größe zunimmt, sinkt der Bedarf an einer Speicher-Engine nicht. Vielmehr ist "wie man ein breites Kontextfenster effizient nutzt" zu einer neuen technischen Herausforderung geworden.

7. 5 Fallstricke – Landminen, auf die ich tatsächlich getreten bin

Ich werde hier ehrlich sein. Hier sind 5 Landminen, auf die ich beim tatsächlichen Betrieb getreten bin und die weder in der offiziellen README noch in Influencer-Tweets auftauchen. Ich habe nur reproduzierbare aus GitHub Issues ausgewählt.

Fallstrick 1: iii-Engine v0.11.2 Versionskonflikt

Direkt nach der Einrichtung erhalten manche Leute diesen Fehler:

iii: command not found

Oder

Version mismatch: expected v0.11.2, got v0.11.0

Agentmemory hängt intern von einer Binärdatei namens iii-engine ab, und die Version ist auf v0.11.2 festgelegt. Wenn bereits eine andere Version installiert ist, schlägt der Start fehl. Die Abhilfe besteht darin, die festgelegte Version aus den Releases für jedes Betriebssystem zu holen.

macOS arm64

curl -fsSL https://github.com/iii-hq/iii/releases/download/iii/v0.11.2/iii-aarch64-apple-darwin.tar.gz \

chmod +x ~/.local/bin/iii

Linux x64

curl -fsSL https://github.com/iii-hq/iii/releases/download/iii/v0.11.2/iii-x86_64-unknown-linux-gnu.tar.gz \

Überprüfung

iii --version # Sollte v0.11.2 anzeigen

Wenn Sie das überspringen, wird später alles andere fehlschlagen, also machen Sie das zuerst.

Fallstrick 2: Issue #181 – Geister-Sitzungen in Massenproduktion durch Endlosschleife

Das ist ernsthaft gefährlich. Ein schwerwiegender Fehler, der in v0.9.1 gemeldet wurde: Wenn /summarize vom Stop-Hook aufgerufen wird, ohne dass ein API-Key gesetzt ist, führt dies zu einer endlosen Erzeugung von Kind-Sitzungen.

Stop-Hook → /summarize → Kind-Sitzung erzeugt

↓

Stop-Hook der Kind-Sitzung wird ebenfalls ausgelöst → /summarize → Weitere Kind-Sitzungen

↓

(Endlosschleife)

In GitHub Issue #181 gibt es einen Bericht, dass in wenigen Minuten etwa 579 Geister-Sitzungen erzeugt wurden. Es gibt drei Abhilfen:

Option 1: Agent-SDK-Modus deaktivieren (Empfohlen)

export AGENTMEMORY_ALLOW_AGENT_SDK=false

Option 2: Fehler mit einem falschen API-Key erzwingen

export AGENTMEMORY_ANTHROPIC_API_KEY="fake-key"

Option 3: Einen echten API-Key setzen

export AGENTMEMORY_ANTHROPIC_API_KEY="sk-ant-..."

Für den Produktionseinsatz ist Option 1 oder 3 sicher. Option 2 ist nur für den ersten Tag gedacht, an dem Sie "es einfach zum Laufen bringen wollen".

Fallstrick 3: Issue #159 – MCP und REST-API laufen auf getrennten KVs

Dies ist ein weiteres Phänomen, bei dem man sich den Kopf kratzt, wenn man es nicht kennt. Der Aufruf eines MCP-Tools (wie memory_search) gibt jedes Mal leere Ergebnisse zurück, während die REST-API (POST /agentmemory/search) mit denselben Daten Treffer findet.

REST-API: GET /agentmemory/sessions → 69 Beobachtungen

MCP-Tool: memory_sessions → [] (leer)

Die Ursache ist, dass das Paket @agentmemory/mcp und der Agentmemory-Server so konzipiert sind, dass sie völlig getrennte KV-Stores haben (Issue #159). MCP ist "lokales KV" und der Server ist "ein anderes KV", ohne Kommunikationspfad zwischen ihnen. Stand Mai 2026 bleibt das Issue offen. Abhilfen sind:

● Option 1: Direkte Nutzung der REST-API (über curl oder fetch anstelle von MCP-Tools)

● Option 2: Vorübergehend den /mcp-Hook deaktivieren und nur den Server laufen lassen

Es gibt Pläne, dies in Zukunft zu beheben, aber vorerst müssen Sie sich mit dieser Spezifikation arrangieren.

Fallstrick 4: MCP wird in Cursor / VSCode nicht übernommen

Sie haben ~/.cursor/mcp.json bearbeitet und Cursor neu gestartet, aber Agentmemory erscheint nicht in /mcp list. Dies passiert nicht nur mit Cursor, sondern allgemein mit Windows-Store-Apps.

Das Schließen mit der GUI "X"-Schaltfläche belässt standardmäßig den WindowsApps-Hintergrundprozess am Laufen. Der alte Prozess läuft weiterhin mit den alten Einstellungen im Speicher. Ein Ritual zur vollständigen Beendigung ist erforderlich.

macOS

pkill -9 Cursor

open /Applications/Cursor.app

Windows (PowerShell)

→ Neustart

Wenn Sie es sich zur Gewohnheit machen, vor dem Anzweifeln der Konfigurationsdatei zuerst nach „prüfe auf verbleibende Prozesse“ zu suchen, sparen Sie hier Zeit.

Fallstrick 5: Observations werden stillschweigend durch den Datenschutzfilter verworfen

Das Phänomen, dass „der Server läuft, aber Observations nicht im Viewer erscheinen“, tritt in der ersten Woche ebenfalls häufig auf. In den Logs sehen Sie dann Warnungen wie diese:

[warn] observation dropped: private_tag detected

[warn] observation dropped: private_email detected

Das ist absichtlich so, kein Bug. Der Datenschutzfilter von Agentmemory erkennt automatisch API-Keys, Passwörter, E-Mail-Adressen und personenbezogene Daten und verwirft diese Observations, ohne sie aufzuzeichnen. Eine großartige Funktion für die Sicherheit, aber wenn Sie nichts davon wissen, denken Sie, es „funktioniert nicht“. Die Koexistenzstrategie lautet:

Ausschluss nach Datei mit .agentmemoryignore

echo ".env" >> .agentmemoryignore

echo ".env.local" >> .agentmemoryignore

echo "*/.key" >> .agentmemoryignore

echo "*/password*" >> .agentmemoryignore

Besonders beim Ausführen von experimentellem Code, der API-Keys in Observations enthält, ist es sicher, diese Datei vorab zu platzieren.

8. Zusammenfassung – „Unendlicher Speicher“ ist mehr als nur eine Kontexterweiterung

Nach einer intensiven Woche mit Agentmemory ist mir vor allem eines klar geworden: Der Ausdruck „unendlicher Speicher“ bezieht sich nicht auf die physische Erweiterung des Kontextfensters.

Selbst wenn es auf 1 M Token erhöht wird, ist es letztlich bedeutungslos, wenn die Genauigkeit bereits bei 200 K nachlässt. Ich habe das Gefühl, dass das Wettrennen um die physische Größe bereits vorbei ist. Stattdessen ermöglicht Agentmemory, ein semantisches externes Gehirn zu erhalten.

Behalten Sie strukturierten Speicher außerhalb der Sitzung, nicht darin. Rufen Sie nur das ab, was Sie brauchen, wenn Sie es brauchen, und schließen Sie es, wenn Sie fertig sind. Dinge, die es wert sind, erinnert zu werden, wachsen mit der Zeit, während Dinge, die vergessen werden können, leise verfallen. Es ist die gleiche Struktur, wie Menschen ihr Gedächtnis nutzen.

Die Veränderung im Kopf eines Entwicklers lässt sich in einem Satz beschreiben: ein Übergang von „es endet, wenn die Sitzung abgebrochen wird“ zu „Erinnerungen wachsen zwischen den Sitzungen“.

Die gesamte Branche bewegt sich in diese Richtung. Der Agent-Memory-Kurs von DeepLearning.AI, Mem0s Botschaft „stateless Agents stateful machen“, das MemGPT-Papier „LLMs as Operating Systems“ – letztlich geht es bei alledem um externen Speicher, und Agentmemory ist eine Lösung im Kontext von Coding-Agenten.

Ob Mem0, Letta oder eine eigene Implementierung – für diejenigen, die Codex / Claude Code ernsthaft nutzen, ist es derzeit das schnellste Werkzeug, um das „Gefühl von unendlichem Speicher“ auszuprobieren. Ehrlich gesagt lohnt sich die Installation.

9. Über diesen Account

Für diejenigen, die bis hierher gelesen haben: Dieser Account @Codestudiopjbk wird von drei hartgesottenen Codex-Nutzern betrieben.

● Teilnahme an Entwicklungsprogrammen für Doktoranden und Postdocs

● 300.000 Yen Preisgeld gewonnen

● Aktuell Co-Entwicklung von KI-Agenten mit börsennotierten Unternehmen

Unsere üblichen Inhalte umfassen:

● Implementierungsbeispiele mit GPT-5.5 / OpenAI Codex

● Codex-Nutzung, CLI-Automation und Entwicklungstrends

● Übersetzung und Verifikation der neuesten GPT-5.5 / Codex-Infos aus dem Ausland

● Praxisvergleiche mit Claude Code (basierend auf Hunderten von Nutzungsstunden)

● Erkenntnisse aus der gemeinsamen Entwicklung mit börsennotierten Unternehmen

Wir posten täglich über den gesamten Prozess, ein funktionierendes Produkt in die Welt zu bringen – von der Entwicklungsphilosophie über Design, Implementierung und Verbesserung. Wenn Sie interessiert sind, folgen Sie uns und schauen Sie vorbei. Es wird sich lohnen.

Für entwicklungsbezogene Beratungen schreiben Sie uns bitte eine DM. Melden Sie sich gerne für Codex-Einführung, Automatisierungsdesign oder KI-Agenten-Implementierung.

Referenzen & Zitationen

● [Rohit Ghumare (rohitg00/agentmemory)] (2026-05-13) Agentmemory v0.9.12 — Speicher-Engine für Coding-Agenten — Offizielles Repo, Apache-2.0, 8,8k Sterne, TypeScript

● [Rohit Ghumare] (2026-04) „Habe das vor 6 Monaten mit agentmemory gebaut: persistenter Speicher für KI-Coding-Agenten“ — Entwicklerphilosophie

● [GitHub Issue #181] Stop-Hook → /summarize → agent-sdk unendliche Rekursion — Primärquelle für Fallstrick 2

● [GitHub Issue #159] Standalone MCP-Tools leiten nicht an laufenden agentmemory-Server weiter — Primärquelle für Fallstrick 3

● [Anthropic Engineering] Effektives Kontext-Engineering für KI-Agenten — Offizielle Anleitung zum Kontext-Engineering

● [Anthropic] (2026-04-23) Postmortem vom 23. April — Sozialer Beweis des Zusammenbruchs der Denklänge von Claude Code

● [Mem0] Einführung von Mem0 — Mem0-Philosophie und Zitat von Taranjeet Singh

● [Letta] Benchmarking von KI-Agenten-Speicher — Quelle für Letta-Benchmark-Zahlen

● [Charles Packer et al.] (2023-10) MemGPT: Auf dem Weg zu LLMs als Betriebssysteme — Papier zum virtuellen Kontextmanagement, theoretischer Vorläufer von Agentmemory

● [DeepLearning.AI] Agent Memory: Aufbau speicherbewusster Agenten — Kurs von Andrew Ng / Oracle