Jedes Mal, wenn Ihr OpenClaw-„Hummer“ sein Gedächtnis verliert, verschwendet das nicht nur Ihr Geld, sondern verursacht auch massive Kopfschmerzen.
Sie trauen sich nicht einmal, ihn neu zu starten.
Ich, Jiu Er,
habe über 10 wissenschaftliche Arbeiten zum Thema Agentengedächtnis geprüft,
6 Open-Source-GitHub-Projekte mit insgesamt 77.000 Sternen analysiert,
und ich werde hier jede einzelne Schicht Ihrer OpenClaw-Gedächtnisprobleme aufschlüsseln –
vom aktuellen Stand über Lösungen bis hin zu Wissenschaft und Technik.
I. Die harte Realität – Ihr Agent hat das Gedächtnis eines Goldfisches
Beginnen wir mit einer Zahl: 45 Stunden.
Der Reporter von GitHub-Issue #5429, EmpireCreator, verlor 45 Stunden angesammelten Agentenkontext: Fähigkeitskonfigurationen, Integrationsparameter und Aufgabenprioritäten. Die Ursache war eine stille Kompaktierung, die den gesamten Gesprächsverlauf ohne Vorwarnung oder Wiederherstellungsoptionen löschte.
Dies ist kein Einzelfall.
Issue #2624 berichtet, dass Agenten sich willkürlich zurücksetzen und Gespräche bereits nach zwei Nachrichten vergessen. Issue #8723 berichtet, dass eine Speicherbereinigung eine Endlosschleife auslöste, die den Agenten 72 Minuten lang blockierte.
Wie ist die aktuelle Speicherarchitektur von OpenClaw? In einem Satz: Markdown-Dateien + Vektorsuche.
Erinnerungen werden in Markdown-Dateien im Verzeichnis ~/.openclaw/workspace/ gespeichert.
Tägliche Protokolle sind kurzfristige Aufzeichnungen,
MEMORY.md ist das Langzeitgedächtnis,
SOUL.md definiert die Persönlichkeit. Der Abruf verwendet eine Mischung aus Vektoreinbettungen + BM25-Suche.
Dieses Design hat ein Merkmal, das ein Medium-Blogger treffend zusammenfasst:
„Absichtlich uncool – Gedächtnis als Markdown-Dateien und Abruf als Tool-Aufrufe behandeln."
Wo liegt das Problem? Sechs Wörter: Flach, unterschiedslos, passiv.
Alle Erinnerungen haben das gleiche Gewicht; Smalltalk von vor einem Jahr wird genauso behandelt wie eine wichtige Entscheidung von gestern.
Vergessensmechanismus? Keiner, Sie müssen manuell löschen.
Automatische Organisation? Sie ist vollständig von manueller Pflege abhängig.
Der Abruf berücksichtigt nur semantische Ähnlichkeit, nicht die Wichtigkeit, und kann keine Beziehungen wie „A ist ein Freund von B" ausdrücken.
Daten bleiben Daten; sie werden nie zu Erkenntnissen.
Community-Tweets drücken es am deutlichsten aus: „Jeder beschwert sich, dass sein OpenClaw an Amnesie leidet."
II. Was das offizielle OpenClaw tut – QMD-Backend und hybride Suche
Das offizielle Team ist nicht untätig.
Veröffentlichungszeitplan für Januar-Februar 2026:
v2026.1.12 (13. Januar): Infrastruktur für die Vektorsuche gestartet, einschließlich SQLite-Indizierung + Chunking + Lazy Sync + Dateiüberwachung, mit Unterstützung für lokale und entfernte Einbettungen. Dies ist die Grundlage des gesamten Speichersuchsystems.
v2026.1.29 (29. Januar): L2-Normalisierung behoben. Lokale Einbettungsvektoren waren nicht normalisiert, was zu verzerrten Kosinus-Ähnlichkeitsberechnungen führte; dieser Fehler bedeutete, dass die vorherige semantische Suchgenauigkeit fehlerhaft war. Unterstützung für zusätzliche Indexpfade hinzugefügt.
v2026.2.2 (4. Februar): QMD-Speicherbackend zusammengeführt (PR #3160), das bedeutendste architektonische Upgrade. 30 Commits, die QMD-Backend-Unterstützung für die hybride Drei-Wege-Suche BM25 + Vektor + Neubewertung hinzufügen.
Was hat QMD getan?
Es ersetzt den integrierten SQLite-Indexer durch einen lokalen Such-Seitenprozess. Jede Agenten-/Konfigurationskombination hat einen zwischengespeicherten Seitenprozess, der mehrere benannte Sammlungen unterstützt. Sitzungsaufzeichnungen können exportiert und in dedizierten Sammlungen indiziert werden. Aus Datenschutzgründen werden Sitzungsdaten vor der Indizierung anonymisiert. Es fällt automatisch auf SQLite zurück, wenn QMD nicht verfügbar ist.
Bekannte Probleme:
Die Abfragezeit auf CPU-only-Systemen beträgt etwa 3 Minuten 40 Sekunden und überschreitet damit das 12-Sekunden-Timeout (Issue #8786). Die Konfiguration paths wird nicht wirksam (Issue #8750).
Darüber hinaus erfolgt der Rückfall stillschweigend; Benutzer wissen nicht, dass QMD nicht funktioniert.
In der Zwischenzeit versucht PR #6060, das Problem der „Auffindbarkeit" zu lösen: Das Speichersystem von OpenClaw hat leistungsstarke Funktionen, die Benutzer nicht finden können. Der Vorschlag fügt dem Einrichtungsassistenten einen Schritt „Speicheroptimierung" hinzu, der vier versteckte Funktionen freigibt, die standardmäßig deaktiviert sind: Speicherbereinigung vor der Kompaktierung, hybride Suche, Einbettungscache und Sitzungsaufzeichnungssuche.
Das Kernproblem der offiziellen Richtung: Dies sind alles Optimierungen der „Abrufschicht". Die Suche ist genauer, schneller und auffindbarer.
Aber die sechs grundlegenden fehlenden Teile der Speicherarchitektur:
Vergessen, Wichtigkeit, Graphen, Reflexion, Chronologie, Beförderung
Keines wurde angegangen.
III. Wie die Community sich selbst hilft – DIY-Lösungen
Die Community hat nicht auf das offizielle Team gewartet. Mindestens 7 Drittanbieter-Gedächtnisprojekte entstanden im Januar-Februar 2026.
- Mem0: Das bekannteste Memory-Layer-SDK. Auto-Recall durchsucht relevante Erinnerungen, um sie vor jeder Antwort in den Kontext einzufügen; Auto-Capture extrahiert Fakten zur Speicherung danach. Es verfügt über ein zweischichtiges Gedächtnis für Sitzung und Benutzer und behauptet eine 91%ige Reduzierung der Latenz und 90%ige Tokeneinsparungen.
- Hindsight: Lokales Langzeitgedächtnis. Kerneinsicht: Herkömmliche Systeme geben dem Agenten ein
search_memory-Tool, aber das Modell könnte es nicht verwenden. Die automatische Einfügung durch Auto-Recall löst dies. Es ist vollständig lokal, basiert auf PostgreSQL und unterstützt die gemeinsame Nutzung mehrerer Instanzen.
- MoltBrain (365 Sterne): SQLite + ChromaDB semantische Suche, Lifecycle-Hooks zum automatischen Erfassen des Kontexts und eine Weboberfläche zur Anzeige der Zeitachse.
- NOVA Memory System: PostgreSQL-strukturiertes Gedächtnis. Verwendet die Claude-API, um natürliche Sprache in JSON zu parsen, das auf 8 Datenbanktabellen verteilt ist (Entitäten, Beziehungen, Orte, Projekte, Ereignisse, Lektionen, Präferenzen).
- Penfield Skill: Hybride Suche mit BM25 + Vektor + Graph – jemand in der Community macht bereits eine hybride Drei-Wege-Suche.
- Andere umfassen Memory Template (Git-gestützt), SuperMemory (sehr frühes Stadium) und MemoryPlugin (Chrome-Erweiterung für plattformübergreifende Synchronisation).
Welche Richtung bestätigen die „Best Practices" der Community?
- Tägliches Protokoll → MEMORY.md-Beförderungsmodell.
- Verwendung von Heartbeats als Auslöser für die Gedächtniskonsolidierung.
- 70/30-Gewichtung der hybriden Suche (70% Vektor + 30% Schlüsselwort).
- Indizierung von Sitzungstranskripten.
Aber die Community hat die sechs blinden Flecken immer noch nicht berührt: Vergessens-/Verfallsmechanismen, Wichtigkeitsbewertung, Wissensgraphen, automatische Reflexion/Konsolidierung, zeitliches Denken und Gedächtnisbeförderung.
Kurz gesagt: Die Community verwendet manuelle Operationen, um architektonische Mängel auszugleichen. Die Richtung ist richtig, aber alles befindet sich noch auf der manuellen Ebene.
IV. Akademische Explosion – Über 10 Arbeiten im Februar 2026
Im Februar 2026 wurde das Agentengedächtnis plötzlich zu einem primären akademischen Schlachtfeld. Über 10 Arbeiten wurden auf arXiv veröffentlicht, darunter xMemory [1] (ICML 2026) und A-MEM [2] (NeurIPS 2025). Eine Übersichtsarbeit von 59 Autoren [3] hat das Feld systematisch geordnet.
Was lehren uns diese Arbeiten?
xMemory [1] (ICML 2026, King's College London): Entkoppelt das Gedächtnis in semantische Komponenten, die hierarchisch organisiert sind. Verwendet ein Sparsity-Semantik-Ziel, um die Speicheraufteilung und -zusammenführung zu steuern. Dies inspirierte das Design der „Themen-Clustering-Schicht", die eine Themenschicht über dem Gedächtnis aufbaut, um einen Top-Down-Abruf zu unterstützen.
A-MEM [2] (NeurIPS 2025): Verwaltet das Agentengedächtnis mit der Zettelkasten-Methode. Wenn neue Erinnerungen hinzugefügt werden, generiert es strukturierte Notizen mit Kontextbeschreibungen, Schlüsselwörtern und Tags und erstellt so ein miteinander verbundenes Wissensnetzwerk durch dynamische Indizierung und Verknüpfung.
InfMem [4]: Löst das Problem des langen Dokumentenverständnisses. Implementiert eine System-2-artige aktive Speichersteuerung über ein PreThink-Retrieve-Write-Protokoll. Die Genauigkeit verbesserte sich um 10-12% bei QA-Benchmarks mit 32K bis 1M Token, bei einer 3,9-fachen Reduzierung der Inferenzzeit.
TAME [5]: Identifizierte eine kritische Gefahr: „Agent Memory Misevolution." Erinnerungen können während normaler Aufgabeniterationen „giftige Abkürzungen" ansammeln – effiziente, aber sicherheitsverletzende Strategien. Schlug ein duales Executor/Evaluator-Speicherframework vor.
ALMA [6]: Ein Meta-Learning-Framework, das es KI ermöglicht, automatisch Speicherdesigns zu entdecken. Erlernte Designs übertrafen manuelle Baselines um 6-13%. Bemerkenswerterweise fehlen ihm jedoch Gedächtnisverfall, Vergessen oder Räumungsmechanismen.
MemSkill [7]: Formuliert Speicheroperationen als erlernbare „Gedächtnisfähigkeiten." Ein Controller lernt, Fähigkeiten auszuwählen, und ein Designer überprüft regelmäßig schwierige Fälle, um den Fähigkeitssatz weiterzuentwickeln.
BudgetMem [8]: Ein Laufzeitspeicher-Framework, das die Speicherverarbeitung in drei Budgetstufen strukturiert und Reinforcement Learning verwendet, um einen leichten Router zu trainieren.
Die Übersichtsarbeit von 59 Autoren [3] bietet eine klare dreidimensionale Taxonomie:
- Substrat: Wie wird das Gedächtnis gespeichert? Vektoren, Graphen, Dokumente?
- Mechanismus: Wie wird gelesen/geschrieben? Passive Aufzeichnung oder aktives Denken?
- Subjekt: Wessen Gedächtnis? Das des Benutzers, des Agenten oder geteilt?
Zwei kritische Warnungen aus der Industrie:
- Serial Collapse [9] (von Moonshot AI Kimi K2.5): Agenten verfallen darin, das Gedächtnis nicht zu nutzen. Selbst wenn das System existiert, kann der Agent allmählich „vergessen", es abzufragen.
- Memory Misevolution [5] (von TAME): Ansammlung giftiger Abkürzungen während normaler Iterationen.
Diese Risiken erinnern uns daran: Die Schwierigkeit von Speichersystemen liegt nicht im Aufbau, sondern in der kontinuierlichen Qualitätsüberwachung.
V. Open-Source-Speicher-Ökosystem – Ein Scan von 6 Projekten
Die Wissenschaft definiert die Richtung; die Open-Source-Community validiert die Implementierung.
Wir haben 6 Agentengedächtnisprojekte mit insgesamt über 77.000 Sternen eingehend analysiert.
Eine wichtige Entdeckung: Diese 6 Projekte repräsentieren drei völlig unterschiedliche Gedächtnisphilosophien.
- State-Layer-Priorität (mem0, Memori): Gedächtnis = Zustandsverwaltung. Gibt Agenten schnell eine „ChatGPT Memory"-ähnliche Erfahrung.
- Knowledge-Layer-Priorität (cognee, MemOS): Gedächtnis = Strukturiertes Wissen. Verwandelt Daten in Graphen und Multi-Wissensdatenbanken.
- Learning-Layer-Priorität (Hindsight): Gedächtnis = Lernprozess. Ein geschlossener Kreislauf von Behalten/Abrufen/Reflektieren.
Ihre Wahl bestimmt, wo Sie die Systemkomplexität platzieren: Datenbankschemata (Memori), SDK/Produktebene (mem0), Graphen und Pipelines (cognee), Systemplanung (MemOS) oder die Verschmelzung von Lernen und Abrufen (Hindsight).
Kein einziges Projekt deckt jedoch alle drei Ebenen ab.
VI. Lehren aus über 200 Issues – Fallstricke, auf die andere gestoßen sind
Wir haben über 200 Issues aus diesen 6 Projekten analysiert, um eine hochwertige Checkliste für den Aufbau von Speichersystemen zu erstellen.
Fünf häufig übergreifende Probleme:
- Stiller Fehler (6/6 Projekte): Das häufigste Problem. Benutzer beschweren sich, dass „es nicht funktioniert und mir nicht sagt, warum." (z. B. mem0 #2443, Memori #238).
- Speicherdeduplizierung: Ein Schmerzpunkt für alle. LLMs beurteilen doppelte Inhalte oft als „widersprüchlich", was zu fehlerhaften Löschungen führt (z. B. mem0 #1674).
- Unzuverlässiges LLM-Urteil: LLMs verlieren während der Umformulierung Ich-Perspektive oder geben kein stabiles JSON aus (z. B. MemOS #931, #934).
- Datenbankverbindung/Migration: SQLite-Verbindungslecks und fehlgeschlagene Docker-Bereitstellungsmigrationen (z. B. Memori #189, cognee #2022).
- Suchranking-Verzerrung: Normalisierungsprobleme, die dazu führen, dass Distanz 0,1 und 0,5 beide als 0 behandelt werden, und der Abruf keine zeitliche Dimension hat (z. B. cognee #2030, MemOS #939).
VII. Erkenntnisse aus der Spiel-KI – Dwarf Fortress, Die Sims, Nemesis-System
Die am meisten unterschätzte Referenz sind nicht wissenschaftliche Arbeiten, sondern Spiel-KI. Spieleentwickler haben jahrzehntelang gelöst, wie man virtuellen Charakteren kohärente Erinnerungen und stabile Persönlichkeiten gibt.
Die Dreischicht-Gedächtnisarchitektur von Dwarf Fortress:
- Kurzzeitgedächtnis (STM): Eine zirkuläre Pufferwarteschlange mit 8 Plätzen. Neue Erinnerungen konkurrieren basierend auf emotionaler Intensität (z. B. Zeuge eines Todes vs. leichter Hunger).
- Langzeitgedächtnis (LTM): Wenn eine Erinnerung lange genug im STM bleibt und nicht verdrängt wird, versucht sie, befördert zu werden. Wenn ein NPC „sich erinnert", besteht eine Chance von 1:3, dass es zu einer Kern-Erinnerung wird.
- Kern-Erinnerung: Eine qualitative Veränderung. Einmal befördert, verändert sie dauerhaft die Charakterparameter (z. B. „Tod eines Verwandten bezeugen" → Angst +10).
Stanfords Generative Agents [10] Dreidimensionaler Abruf:
Abrufwert = Aktualität x Wichtigkeit x Relevanz. Aktualität verwendet exponentiellen Verfall, Wichtigkeit wird von einem LLM bewertet und Relevanz verwendet Kosinus-Ähnlichkeit. Ihr Reflexionsmechanismus verbesserte den Faktenabruf von 41% auf 87%.
Die Sims 4 Emotionale Verfestigung:
Kurzzeitige Emotionen, die häufig wiederkehren, verwandeln sich in dauerhafte Eigenschaften. Längere Einsamkeit wird zur Eigenschaft „Einsiedler", die die Berechnung der Nutzenfunktion dauerhaft verändert.
Ereignisgesteuerte Evolution des Nemesis-Systems:
Ereignis-Tags lösen Parametermutationen aus, die sich durch soziale Netzwerke ausbreiten. Ein Ork, der durch Feuer getötet wurde, könnte mit der Eigenschaft „Angst vor Feuer" oder „Feurige Wut" zurückkehren.
Diese Mechanismen lassen sich direkt auf das Gedächtnis von KI-Agenten übertragen: zirkuläre Puffer für die Kontextverwaltung, emotionale Intensität für die Wichtigkeitsbewertung und Gedächtnisbeförderung für die Entwicklung von trivialen Fakten zu Persönlichkeitsmerkmalen.
VIII. Zwei Arten von Gedächtnis – Benutzergedächtnis vs. Agentengedächtnis
Eine häufig übersehene Unterscheidung: Benutzergedächtnis und Agentengedächtnis sind zwei verschiedene Probleme.
Das OpenViking-Projekt von ByteDance bietet eine praktische Klassifizierung:
- 6 Kategorien (Profil, Präferenz, Entität, Ereignis, Fall, Muster).
- L0/L1/L2-Inhaltsmodelle: L0 Zusammenfassung (~100 Token) für die Indizierung, L1 Übersicht (~500 Token) für die Struktur und L2 Volltext für den vollständigen Inhalt. Dies reduziert den Tokenverbrauch drastisch.
IX. Vom Individuum zum KI-Ökosystem – Warum Gedächtnis Kerninfrastruktur ist
Wer das Gedächtnisproblem zuerst löst, gewinnt den 24/7-Agentenkrieg. Der Kernwert von OpenClaw liegt nicht darin, dass die KI „schlauer" ist, sondern darin, dass sie endlich „Hände und Füße" hat.
Aber eine KI mit Händen und Füßen, aber ohne Gedächtnis, ist wie ein Mitarbeiter, der jeden Tag alles vergisst, ständig neu geschult werden muss und dieselben Fehler wiederholt.
Wie in früheren Berichten festgestellt, haben alle LLM-basierten Agenten Gedächtnisprobleme. Dies ist kein OpenClaw-Fehler, sondern eine strukturelle Einschränkung des Technologie-Stacks. Das Kontextfenster ist im Wesentlichen das „Kurzzeitgedächtnis": Überlauf führt zu Kürzung, ein Neustart führt zu Nullsetzung.
https://x.com/li9292/status/2023355272542998796
Die Konvergenz von akademischer Dichte, Open-Source-Explosion und offiziellen Upgrades im Februar 2026 signalisiert, dass sich KI-Gedächtnis von einem „nice-to-have" zu einer Kerninfrastruktur entwickelt.
X. Was wir bauen – Die memX- und ePro-Roadmap
Basierend auf dieser Forschung bauen wir zwei Systeme: memX (Benutzergedächtnis) und ePro (Agentengedächtnis). Sie sind live und befinden sich in der Iteration; wir freuen uns auf Ihr Feedback!
Referenzen aus Gründen der Kürze in dieser Zusammenfassung weggelassen, aber im vollständigen Bericht enthalten.
Dieser Bericht basiert auf einem Daten-Snapshot vom 23. Februar 2026. Erstellt von Li Jiu Er in Zusammenarbeit mit Claude Max, Manus und Google Gemini.
