KI-Agenten mit Gedächtnis: Was MemCurrent verändert

Ein KI-Agent kennt nach einer Korrektur die richtige Umsatzdefinition – und verwendet beim nächsten Gespräch trotzdem wieder die falsche. Solche Brüche erschweren den produktiven Einsatz. KI-Agenten mit Gedächtnis sollen relevantes Wissen über einzelne Sitzungen hinaus nutzen. Databricks stellt dafür MemCurrent vor: eine Architektur, die gespeicherte Erfahrungen mit einer Hintergrundverarbeitung verbindet. Für Unternehmen mit Azure und Databricks wird damit nicht nur die Antwortqualität interessant, sondern auch die Frage, wer dieses Gedächtnis kontrolliert.

Kurz gesagt: MemCurrent speichert sowohl vollständige Sitzungsverläufe als auch daraus abgeleitetes Wissen und bereinigt dieses Wissen über eine Offline-Pipeline. Laut Databricks bildet die Architektur die Grundlage für Agent Bricks Memory und Genie. Ein interner Benchmark zeigt bessere Aufgabenergebnisse bei geringerem Tokenverbrauch und kürzerer Laufzeit; eine Garantie für vergleichbare Verbesserungen im eigenen Betrieb ist das nicht.

Was ist neu an KI-Agenten mit Gedächtnis durch MemCurrent?

MemCurrent verbindet den unmittelbaren Lese- und Schreibzugriff eines Agenten mit einer separaten Pipeline, die gespeicherte Informationen nachträglich verdichtet, aktualisiert und auf Widersprüche prüft. Entscheidend ist diese Arbeitsteilung: Der Agent muss nicht sämtliche Pflegearbeiten während einer Nutzeranfrage erledigen.

Ein bloßes Gesprächsarchiv löst das Problem nicht. Alte Anweisungen können inzwischen falsch sein, dieselbe Information kann mehrfach vorliegen, und wichtige Korrekturen gehen zwischen nebensächlichen Details unter. MemCurrent behandelt Erinnerung deshalb als gepflegten Wissensbestand statt als stetig wachsenden Anhang an jede Anfrage.

Die Architektur kombiniert drei Zugriffswege:

• Plugins protokollieren den Sitzungsverlauf automatisch und stellen zum Sitzungsstart einen Wissensindex bereit.
• Agent Tools erlauben dem Agenten, Informationen gezielt zu suchen, abzurufen, hinzuzufügen, zu ändern oder zu löschen.
• Eine Offline-Pipeline verarbeitet neue Sitzungen im Hintergrund und konsolidiert den Bestand.

Die redaktionelle Einordnung: Dauerhafter Speicher allein ist nicht der entscheidende Fortschritt. Relevant ist ein Verfahren, das zwischen schneller Nutzung und systematischer Pflege unterscheidet.

Wie hält MemCurrent gespeichertes Wissen aktuell?

MemCurrent hält abgeleitetes Wissen durch direkte Änderungen während einer Sitzung und durch eine nachgelagerte, von Databricks als „dreaming“ bezeichnete Offline-Pipeline aktuell. Diese Pipeline übernimmt auch Aufräumarbeiten im gesamten Wissensbestand.

Zwei Speicherarten mit unterschiedlichen Aufgaben

Das episodic memory enthält die ursprünglichen Sitzungsverläufe. Neue Schritte werden angehängt; dieser Verlauf bewahrt Details, die bei einer Zusammenfassung verloren gehen könnten.

Das derived memory enthält verdichtete Erkenntnisse, etwa fachliche Definitionen, Präferenzen oder wiederverwendbare Arbeitsschritte. Technisch liegt es in einer veränderbaren Datenbanktabelle, die ein hierarchisches Dateisystem nachbildet. Ein automatisch erzeugter Index namens memory.md beschreibt die Struktur und Inhalte.

Beide Speicherarten liegen laut Databricks in einer für den produktiven Betrieb ausgelegten Datenbank. Zum Sitzungsbeginn erhält der Agent zunächst den Index, nicht die gesamte Historie. Anschließend kann er passende Fundstellen suchen und vollständige Einträge nachladen.

Hintergrundpflege statt vollständiger Historie im Prompt

Die Offline-Pipeline extrahiert implizite Erkenntnisse aus neuen Sitzungen. Zusätzlich teilt sie übergroße Dateien auf, führt Dubletten zusammen und bearbeitet widersprüche im gespeicherten Wissen. Explizite Nutzeranweisungen können dagegen unmittelbar über die Agent Tools übernommen werden.

Diese Trennung hat eine betriebliche Konsequenz: Nicht jede neue Erkenntnis steht sofort konsolidiert bereit. Für zeitkritische Änderungen brauchst du deshalb klare Regeln, welcher Aktualisierungsweg gilt und wann eine Änderung wirksam sein muss.

Was belegen die veröffentlichten Testergebnisse?

Die veröffentlichten Tests belegen Verbesserungen in den untersuchten Aufgaben, aber keine allgemeingültige Leistungssteigerung für beliebige Unternehmensagenten. Im internen Benchmark von Databricks stieg die Erfolgsquote gegenüber einem Agenten ohne Gedächtnis von 22,3 auf 68,4 Prozent.

Gleichzeitig berichtet Databricks von 31 Prozent weniger Tokens und 26 Prozent kürzerer Laufzeit. Der interne Test umfasst 114 Testfälle mit 2.233 historischen Sitzungen von 29 Nutzern. Er prüft nicht nur das Wiederfinden einer Information, sondern deren Anwendung bei mehrstufigen Aufgaben.

Für deine Entscheidung sind drei Einschränkungen wichtig:

• Es handelt sich um einen internen Benchmark. Aufgaben, Modelle und Bewertung beeinflussen das Ergebnis.
• Tokenverbrauch ist nicht gleich Gesamtkosten. Speicher, Hintergrundverarbeitung, Betrieb und Überwachung gehören in die Wirtschaftlichkeitsrechnung.
• Auch mit Gedächtnis bleiben Fehler möglich. Die gemessene Erfolgsquote ersetzt weder fachliche Prüfungen noch Schutzmaßnahmen für folgenreiche Aktionen.

Ein eigener Vergleich sollte deshalb dieselben Aufgaben mit und ohne Gedächtnis prüfen – einschließlich veralteter Informationen, widersprüchlicher Korrekturen und Fragen, die überhaupt keine Erinnerung benötigen.

Was bedeutet das für Unternehmen mit Azure und Databricks?

Für Unternehmen mit Azure und Databricks bedeutet MemCurrent vor allem, dass Agentenwissen als eigener, zu steuernder Datenbestand geplant werden sollte. Ein Gedächtnis ersetzt weder aktuelle Geschäftsdaten noch verbindliche Definitionen in deiner Datenplattform.

Ein mögliches Einsatzfeld ist ein Analyseassistent, der freigegebene Kennzahlendefinitionen oder Hinweise zur Tabellenauswahl über mehrere Sitzungen hinweg berücksichtigt. Dabei muss er weiterhin aktuelle Daten abfragen. Ein erinnerter Umsatzwert darf nicht unbemerkt zur vermeintlich aktuellen Geschäftszahl werden.

Fachliche Verbindlichkeit und persönliche Präferenzen trennen

Nicht jede gespeicherte Aussage hat denselben Rang. „Antworte mir knapp“ ist eine persönliche Präferenz. „Retouren zählen nicht zum Nettoumsatz“ kann eine fachliche Regel sein, die zunächst bestätigt werden muss.

Für deine Architektur empfiehlt sich daher eine Trennung zwischen:

• persönlichen Einstellungen einzelner Nutzer,
• Wissen eines Teams oder Projekts,
• unternehmensweit freigegebenen Definitionen,
• vorläufigen Erkenntnissen, die noch geprüft werden müssen.

Diese Einteilung ist eine Umsetzungsempfehlung, keine durch den Beitrag belegte MemCurrent-Funktion. Eine tragfähige Datenplattform liefert dafür verlässliche Quellen und klare Zuständigkeiten.

Berechtigungen, Löschung und Verfügbarkeit prüfen

Ein Agent darf gespeicherte Informationen nicht allein deshalb verwenden, weil sie technisch auffindbar sind. Insbesondere bei personenbezogenen oder vertraulichen Inhalten brauchst du Regeln für Zugriff, Zweckbindung, Aufbewahrung und Löschung. Wird eine Quellinformation gelöscht oder gesperrt, muss auch ihr abgeleitetes Wissen berücksichtigt werden.

Für Azure Databricks solltest du außerdem den konkreten Verfügbarkeitsstatus, unterstützte Regionen und Integrationsbedingungen von Agent Bricks Memory beziehungsweise Genie prüfen. Aus der beschriebenen Architektur folgt keine pauschale Verfügbarkeitszusage für jeden Workspace.

Was das für dich bedeutet

MemCurrent zeigt, warum produktive Agenten mehr benötigen als ein leistungsfähiges Modell: Sie brauchen kontrolliert nutzbare Erfahrungen und einen Prozess, der diese Erfahrungen aktuell hält. Für deinen Einstieg eignet sich ein begrenzter Anwendungsfall mit wiederkehrenden Korrekturen und messbarer fachlicher Qualität.

Lege zuerst fest, was gespeichert werden darf, wer Änderungen bestätigt und wie du falsche Erinnerungen erkennst. Miss anschließend Aufgabenerfolg, Laufzeit und Gesamtkosten – nicht nur die Qualität einzelner Antworten.

Du möchtest prüfen, wie sich persistentes Agentengedächtnis in deine Azure-/Databricks-Architektur einfügt? Mit unserer Databricks Beratung kannst du Anforderungen, Datenzugriffe und einen überprüfbaren Pilotansatz strukturieren.

Redaktionelle Aufbereitung und Einordnung auf Basis des Beitrags zu MemCurrent im Databricks-Blog.