agent-memory gibt Coding-Agenten ein lokales Langzeitgedächtnis
5. Oktober 2026
agent-memory speichert Wissen von Coding-Agenten in lesbaren Markdown-Dateien und baut darauf eine lokale Suche auf. Das ist transparent, verlangt aber noch technischen Eigenbetrieb.
Worum es geht
agent-memory ist ein neues Open-Source-Werkzeug von Tigerless Labs, das Claude Code, Codex CLI und andere Kommandozeilen-Agenten mit einem gemeinsamen Langzeitgedächtnis ausstattet. Das Projekt wurde am 1. September 2026 auf GitHub angelegt und steht unter der MIT-Lizenz. Statt Erinnerungen ausschließlich in einer proprietären Datenbank oder einem entfernten Dienst abzulegen, behandelt es normale Markdown-Dateien als verbindliche Quelle.
Das ist vor allem für Menschen interessant, die mehrere Agenten über längere Zeit an denselben Projekten arbeiten lassen. Entscheidungen, Korrekturen und Projektwissen sollen zwischen Sitzungen erhalten bleiben, ohne dass ein externer Speicherdienst oder ein zusätzlicher API-Schlüssel nötig ist. Am 5. Oktober 2026 war das Projekt noch jung: Im Repository wurde Version 0.1.0 genannt, eine Veröffentlichung auf PyPI gab es laut Installationsanleitung noch nicht.
Was agent-memory tatsächlich macht
Das Werkzeug legt Erinnerungen als einzelne Markdown-Dateien in einem lokalen Verzeichnis ab. Eine zentrale MEMORY.md dient als knapper Index. Daneben erstellt agent-memory einen lösch- und neu aufbaubaren SQLite-Index für die Volltextsuche. Die Suche kann zunächst kurze Treffer mit Dateipfad und Bewertung liefern; der Agent öffnet anschließend nur die Teile, die er wirklich braucht. Dadurch muss nicht bei jeder Frage der gesamte Wissensbestand in den Modellkontext kopiert werden.
Über Kommandozeilenbefehle lassen sich Erinnerungen erfassen, suchen, korrigieren, ersetzen, zusammenführen und zeitbezogen abrufen. Eine optionale MCP-Schnittstelle macht dieselben Funktionen für kompatible Agenten verfügbar. Für Claude Code, Codex CLI und Muse Code bietet das Repository Einrichtungsbefehle. Ein Hintergrundlauf soll ältere Einträge zusammenfassen und Löschungen lediglich vorschlagen, statt sie selbstständig auszuführen.
Die Architektur trennt Originaldateien und Suchindex bewusst. Wer den Index entfernt, soll ihn aus den Markdown-Dateien wiederherstellen können. Diese Trennung verbessert Portabilität und Prüfbarkeit: Die Dateien lassen sich mit üblichen Werkzeugen lesen, durchsuchen, versionieren und sichern.
Warum das wichtig ist
Agenten verlieren zwischen Sitzungen häufig den Arbeitskontext. Teams kompensieren das oft mit langen Startanweisungen, manuellen Übergaben oder immer größeren Kontextfenstern. agent-memory setzt an einer anderen Stelle an: Wissen bleibt außerhalb des Modells erhalten und wird bei Bedarf gezielt gefunden. Das kann besonders bei Architekturentscheidungen, wiederkehrenden Fehlern und länger laufenden Entwicklungsprojekten Zeit sparen.
Der Ansatz ist auch für Datenschutz und Anbieterwechsel relevant. Solange der Speicher lokal bleibt, liegt das Material nicht automatisch bei einem zusätzlichen SaaS-Anbieter. Weil Markdown die maßgebliche Quelle ist, können Nutzer den Bestand ohne Spezialsoftware prüfen oder migrieren. Das heißt allerdings nicht, dass Inhalte niemals das Gerät verlassen: Sobald ein Cloud-Agent eine gefundene Datei liest, kann deren Inhalt an dessen Modellanbieter übertragen werden.
Das Repository nennt eigene Messungen auf einer begrenzten Variante von LongMemEval-S. Diese Werte sind keine unabhängige Produktprüfung. Der LongMemEval-Datensatz selbst wurde 2024 als Benchmark für das Langzeitgedächtnis von Chat-Assistenten vorgestellt und liefert einen sinnvollen Bezugspunkt, doch die vom Projekt beschriebenen Versuchsbedingungen unterscheiden sich von veröffentlichten Standardwerten.
Einfach erklärt
Stell dir agent-memory wie einen gut geführten Werkstattordner vor. Die Erfahrungen liegen als lesbare Blätter im Regal; ein Karteikasten zeigt, auf welchem Blatt eine bestimmte Entscheidung steht. Geht der Karteikasten kaputt, bleiben die Blätter erhalten und ein neuer Index lässt sich daraus bauen.
Praktisches Beispiel
Ein Team betreibt drei Dienste und nutzt Codex CLI sowie Claude Code. In 20 Sitzungen entstehen 60 relevante Entscheidungen: verwendete Datenbankmigrationen, abgelehnte Bibliotheken und bekannte Produktionsfallen. Ohne gemeinsames Gedächtnis erklärt das Team dieselben Regeln immer wieder.
Mit agent-memory speichert es jede Entscheidung als Markdown-Datei. Fragt ein Agent später nach der Authentifizierungsstrategie, liefert die lokale Suche zunächst acht kurze Treffer. Der Agent öffnet zwei passende Dateien vollständig und erfährt, warum eine frühere Lösung verworfen wurde. Ein Mensch kann dieselben Dateien mit einem Editor prüfen, in Git versionieren und bei einer falschen Erinnerung die Änderung nachvollziehen. Der sinnvolle erste Test ist ein unkritisches Testprojekt mit wenigen künstlichen Entscheidungen, nicht sofort das produktive Wissensarchiv.
Einordnung und Grenzen
Erstens ist agent-memory am 5. Oktober 2026 ein frühes Projekt. Installation aus einem Git-Checkout, Python 3.12 oder neuer und uv setzen technische Erfahrung voraus; ein bequemes Paket oder eine breite Produktintegration fehlt noch.
Zweitens löst lokaler Speicher nicht automatisch das Qualitätsproblem. Ein Agent kann falsche, doppelte oder sensible Informationen festhalten. Menschen brauchen deshalb klare Regeln für Schreibrechte, Korrekturen, Aufbewahrung und Geheimnisse. Besonders Zugangsdaten gehören nicht in normale Markdown-Erinnerungen.
Drittens stammen die veröffentlichten Leistungsangaben vom Projekt selbst. Im README wird ein Experimentdokument erwähnt, das über den angegebenen Pfad am 5. Oktober 2026 nicht öffentlich erreichbar war. Bis unabhängige Reproduktionen vorliegen, sollten Teams die versprochenen Vorteile im eigenen Arbeitsablauf messen.
SEO- und GEO-Schlüsselbegriffe
agent-memory, Tigerless Labs, Coding-Agenten, Langzeitgedächtnis, Claude Code, Codex CLI, lokale KI, Markdown, SQLite FTS5, MCP, Open Source AI, Agent Memory
💡 Im Klartext
agent-memory speichert das Wissen von KI-Agenten in lokalen Markdown-Dateien und macht es durch eine Suchfunktion wiederauffindbar. Nutzer behalten lesbare Originale, müssen Installation, Zugriffsregeln und Qualitätskontrolle aber selbst übernehmen.
Wichtigste Erkenntnisse
- →Markdown-Dateien sind die verbindliche Quelle; der SQLite-Suchindex lässt sich neu aufbauen.
- →Claude Code, Codex CLI und weitere Kommandozeilen-Agenten können denselben Speicher nutzen.
- →Die lokale Ablage reduziert zusätzliche SaaS-Abhängigkeiten, verhindert aber nicht jede Übertragung an Cloud-Modelle.
- →Das Projekt steht unter der MIT-Lizenz und benötigt derzeit Python 3.12 oder neuer sowie uv.
- →Eigene Leistungsangaben sollten wegen des frühen Projektstands unabhängig geprüft werden.
Häufige Fragen
Ist agent-memory ein Cloud-Dienst?
Nein. Der Kern arbeitet mit lokalen Dateien und einem lokalen Suchindex. Verwendete Cloud-Agenten können gelesene Inhalte dennoch an ihren Modellanbieter übertragen.
Welche Agenten werden unterstützt?
Das Repository nennt Claude Code, Codex CLI und Muse Code. Weitere Systeme können über Kommandozeile oder MCP angebunden werden, wenn sie diese Schnittstellen unterstützen.
Braucht agent-memory einen API-Schlüssel?
Für den Speicher und die lokale Suche nicht. Der verwendete Host-Agent kann weiterhin eigene Zugangsdaten oder ein Abonnement benötigen.
Ist das Werkzeug für Produktionswissen bereit?
Ein vorsichtiger Pilot ist sinnvoll. Für sensible oder geschäftskritische Informationen fehlen derzeit breite unabhängige Prüfungen und ein ausgereiftes Distributionsmodell.