Wann man dazu greift
- Der Agent domänenspezifisches Wissen langfristig nutzen muss.
- Fakten und Präferenzen wiederverwendet werden.
- Beziehungen zwischen Entitäten entscheidend sind.
Semantic / Vector / Graph Memory.
Was der Agent weiß, indiziert für den Abruf.
Langfristiges Wissen wird strukturell, als Embeddings oder als Entitäten und Relationen gespeichert – unabhängig von einzelnen Gesprächen. Den Speicher passend zum Zugriffsmuster wählen und einfach beginnen: Vektor-DBs für Ähnlichkeitsabfragen, Key-Value (Redis) für schnelle exakte Suche, relational für strukturierte/auditierbare Abfragen und Graph-DBs erst dann, wenn Vektor plus relational zum Engpass wird.
In der PraxisEin Support-Assistent speichert, dass ein Kunde den Enterprise-Plan nutzt, und ruft diese Information in einem Gespräch Wochen später ab, ohne dass der Nutzer sie wiederholen muss.
Wann es nach hinten losgeht
- Wissen sich zu schnell aktualisiert.
- Governance für den Speicherinhalt fehlt.
- Einfacher Prompt-Kontext genügt.
Die Abwägung
Wiederverwendbares, hochstrukturiertes Wissen wird auf Kosten erheblicher Aktualisierungs-, Modellierungs- und Ranking-Herausforderungen gewonnen.
Was es tatsächlich tut.
Dauerhafte Fakten überdauern jeden einzelnen Lauf.
Zwei Wege, wie dieses Pattern Probleme verursachen kann.
Retrieval liefert relevant wirkende, aber veraltete Fakten
Embeddings bewerten nach Oberflächenähnlichkeit. Ein hoch ähnlicher Treffer kann eine jahrealte Antwort auf eine Frage sein, deren Wahrheit sich inzwischen geändert hat.
Lösung · Ein Frischheitssignal ins Ranking einbeziehen und Dokumente ablehnen, die einen Aktualitäts-Cutoff überschreiten. Embeddings neu erstellen, wenn die Quelle aktualisiert wird – nicht nach Zeitplan.
Doppelte und widersprüchliche Fakten häufen sich an
Jeder Schreibvorgang hängt an. Der Speicher hält am Ende sowohl 'der Kunde ist auf Free' als auch 'der Kunde ist auf Enterprise', und der Abruf kann beides liefern, sodass der Agent sich zwischen Sitzungen selbst widerspricht.
Lösung · Fakten per Upsert über einen stabilen Entitätsschlüssel aktualisieren statt anzuhängen, und Konflikte beim Schreiben lösen (Latest-Wins oder expliziter Abgleich) statt beim Lesen.
Wo Semantic / Vector / Graph Memory nativ ist.
OpenAI Vector Storesverwaltete Vektor-StoresNativ
Microsoft Agent FrameworkWissensspeicherNativ
CogneeOpen-Source-Knowledge-Graph-Memory aus unstrukturierten Daten.Nativ
Weitermachen