CraniMem: Gehirn‑inspirierte, begrenzte Speicherlösung für LLM‑Agenten

In der Welt der großen Sprachmodelle (LLM) werden Agenten zunehmend in langwierigen Arbeitsabläufen eingesetzt, bei denen sie den Zustand von Nutzer und Aufgabe über viele Interaktionen hinweg behalten müssen. Traditionelle Speicherlösungen wirken wie externe Datenbanken mit willkürlichen Lese‑ und Schreibregeln, was zu instabiler Beibehaltung, eingeschränkter Konsolidierung und Anfälligkeit für Ablenkungsinhalte führt.

CraniMem präsentiert einen neurokognitiven Ansatz, der Speicher in mehrere Stufen unterteilt und dabei gezielt gesteuert und begrenzt wird. Durch zielorientiertes Gate‑Management und Nutzen‑Tagging wird ein begrenzter episodischer Puffer für die kurzfristige Kontinuität mit einem strukturierten Langzeit‑Wissensgraphen für dauerhafte semantische Abrufbarkeit kombiniert.

Ein geplanter Konsolidierungszyklus wiederholt hochwertige Spurensätze im Graphen und entfernt gleichzeitig weniger nützliche Einträge. So bleibt das Speicherwachstum im Zaum und Interferenzen werden reduziert.

Auf Langzeit‑Benchmarks, die sowohl saubere Eingaben als auch gezielt eingesetzte Störungen testen, übertrifft CraniMem die Standard‑RAG‑ und Mem0‑Baselines. Die Leistungseinbußen bei Ablenkungen sind deutlich geringer.

Der Quellcode ist auf GitHub verfügbar, und das zugehörige PyPI‑Paket kann direkt installiert werden.