Neue Ansätze zur Verbesserung der Wissenspersistenz bei KI-Codierungsagenten

In der heutigen schnelllebigen Entwicklungsumgebung, in der KI-gestützte Codierungsagenten zunehmend zum Einsatz kommen, stellt die Persistenz des Wissens eine zentrale Herausforderung dar. Entwickler arbeiten oft mit verschiedenen Agenten und auf unterschiedlichen Systemen, wobei jeder Agent ein Projekt bei jedem neuen Start als "Fremden" wahrnimmt. Die Begründungen und Entscheidungen aus früheren Sitzungen gehen verloren, und jeder neue Agent beginnt bei Null. Dieses Problem der "vergesslichen" Softwareagenten adressieren innovative Ansätze durch die Implementierung eines dauerhaften, eigenen Speichers für KI-Codierungsagenten.

Die Herausforderung des vergesslichen Agenten

KI-Codierungsagenten generieren während ihrer Arbeit eine Fülle von Informationen. Sie durchsuchen Codebasen, testen Ansätze, stoßen auf Fehler, lesen Dokumentationen und passen ihre Strategien an. Diese Aktivitäten hinterlassen detaillierte Spuren, die nicht nur dokumentieren, was geändert wurde, sondern auch, warum. Bislang blieben diese Spuren jedoch oft ungenutzt. Sie existierten als isolierte Sitzungsprotokolle – ein Archiv, das zwar Informationen enthielt, diese aber nicht aktiv für zukünftige Aufgaben bereitstellen konnte. Das manuelle Durchsuchen Tausender von Einträgen, um eine spezifische Begründung oder Entscheidung zu finden, ist ineffizient und zeitraubend.

Damit Agenten diese Spuren effektiv nutzen können, bedarf es einer systematischen Aufbereitung. Dies umfasst:

• Indizierung: Strukturierte Erfassung der Informationen.
• Abruf: Effiziente Suche nach relevanten Daten.
• Ranking: Bewertung der Relevanz abgerufener Informationen.
• Exakte Herkunft: Nachvollziehbarkeit der Quelle jeder Information.

Funes: Ein dauerhafter Speicher für Codierungsagenten

Ein Beispiel für eine solche Lösung ist das System "funes", welches eine dauerhafte Speicherschicht für verschiedene Codierungsagenten wie Claude Code, Codex, pi und Hermes bereitstellt. Funes wird aus den bereits auf dem System vorhandenen Sitzungsdaten erstellt und funktioniert lokal. Es integriert sich in den normalen Arbeitsablauf eines Agenten und kann bei Bedarf auch mit einem privaten Datensatz auf Plattformen wie Hugging Face synchronisiert werden.

Integration und Funktionsweise

Die Integration von funes in bestehende Agenten ist in der Regel unkompliziert. Mit einem einzigen Befehl kann funes einem Agenten hinzugefügt werden. Dieser Befehl erstellt einen ersten Index, stattet den Agenten mit "recall"- und "get"-Werkzeugen aus und automatisiert die Indizierung jeder abgeschlossenen Aktion. Die Indizierung erfolgt inkrementell, sodass neue Ausführungen lediglich neue Aktionen hinzufügen, anstatt die gesamte Historie neu zu indizieren. Ältere und tiefergehende Inhalte können schrittweise nachgetragen werden.

Sobald funes integriert ist, kann der Agent bei Aufgaben, die frühere Entscheidungen, Begründungen oder Erkenntnisse betreffen, selbstständig auf "recall" zugreifen. Der Benutzer muss sich nicht an alte Sitzungen erinnern oder deren Kontext manuell in neue Sitzungen einfügen. "Recall" liefert den Originaltext und zeigt genau an, woher die Information stammt (Agent, Zeitstempel, Sitzung und Aktion). Jedes Ergebnis enthält einen "get"-Befehl, der die vollständige Aktion und ihren Kontext öffnet.

Architektur und Eigenschaften

Technisch basiert funes auf einer deterministischen Pipeline, die alle unterstützten Spuren in ein einheitliches Format zerlegt, in Blöcke aufteilt, mit einem lokalen Modell einbettet und in einem lokalen Lance-Datensatz speichert. Eine Abfrage kombiniert Vektor- und BM25-Suche, fusioniert deren Rankings, ordnet die Kandidaten mit einem Cross-Encoder neu, gewichtet sie nach Aktualität und fügt benachbarte Blöcke hinzu.

Diese Architektur verleiht funes drei wesentliche Eigenschaften:

• Ein Speicher über Agenten hinweg: Verschiedene Agenten schreiben in das gleiche Format, wodurch "recall" ihre Historien umfassen kann und bei jedem Treffer der erzeugende Agent identifiziert wird.
• Rohdaten bleiben intakt: Informationen werden beim Schreiben nicht zu "Fakten" destilliert. Ein Ergebnis kann immer auf die ursprüngliche Aktion zurückgeführt werden.
• Standardmäßig lokaler "recall": Es ist kein Konto oder Hub-Repository erforderlich. Die Verarbeitung für Indizierung, Einbettung und Neuanordnung erfolgt auf der eigenen Maschine, und der Codierungsagent führt die Argumentation durch.

Speicher als Datensatz, nicht als Dienst

Die Speicherung von Agenteninformationen kann über lokale Grenzen hinaus erweitert werden. Durch die Bindung an einen Datensatz kann der Speicher über mehrere Maschinen hinweg verfolgt werden. Funes hält diesen Speicher aktuell, indem es jede Aktion lokal indiziert und an Sitzungsgrenzen veröffentlicht. Der Agent ruft kontinuierlich aus diesem Speicher ab. Wird derselbe Befehl auf einer anderen Maschine ausgeführt, folgt der Speicher dem Benutzer.

Der lokale Speicher ist ein Lance-Datensatz, während der gemeinsam genutzte Speicher ein Hugging Face Datensatz ist, der standardmäßig privat ist. Vor der Veröffentlichung werden sensible Daten während der Indizierung redigiert. Eine weitere Überprüfung scannt jeden Block erneut, um sicherzustellen, dass keine Geheimnisse offengelegt werden.

Beim Lesen eines entfernten Speichers speichert funes die Datensatzdateien lokal zwischen, was die Abfragegeschwindigkeit nach dem ersten Zugriff auf lokales Niveau bringt. Die Plattform stellt dabei Eigentum, Zugriffskontrolle, Versionierung und Verteilung bereit, wie sie es auch für andere Datensätze tut. Der Speicher wird somit nicht zu einem Konto in einem separaten Speicherdienst, dessen Nutzung über eine API gemietet werden muss.

Direkte Abfragen des Speichers

Neben dem automatischen "recall" durch Agenten können Nutzer den Speicher auch direkt abfragen. Der Befehl "funes ask" ermöglicht es, Fragen an den lokalen oder einen gemeinsam genutzten Speicher zu stellen. Dies ist nützlich, um spezifische Informationen zu erhalten, ohne eine vollständige Integration vornehmen zu müssen. Wenn die Passagen eine Antwort nicht unterstützen, teilt der Agent dies mit, was dem Nutzer die Möglichkeit gibt, die Frage neu zu formulieren oder den Agenten für eine iterative Suche einzurichten.

Nahtloser Agentenwechsel und Teamkollaboration

Ein entscheidender Vorteil dieser Speicherlösungen ist die Möglichkeit, den Agenten zu wechseln, ohne den Kontext zu verlieren. Ein gemeinsamer Speicher ist nicht an den Agenten oder das Modell gebunden, das ihn erstellt hat. Eine Aufgabe, die mit einem Agenten begonnen wurde, kann von einem anderen Agenten fortgesetzt werden, der auf die Begründungen des ersten Agenten zugreifen kann. Dies ist in verschiedenen Szenarien von Bedeutung:

• Maschinenübergreifend: Der Verlauf kann von jedem Host abgerufen werden.
• Teamübergreifend: Neue Teammitglieder können von Anfang an auf Entscheidungen und Begründungen zugreifen, einschließlich verworfener Ansätze.
• Open-Source-Projekte: Projektbetreuer können die Sitzungen hinter einer Veröffentlichung öffentlich zugänglich machen, was als durchsuchbares "CLAUDE.md" dienen kann, das die Historie und die Gründe für die Projektentwicklung enthält.

Veröffentlichte Speicher können mit Metadaten versehen werden, um ihre Auffindbarkeit zu verbessern. Sie stellen eine offene Arbeitsgedächtnis dar, das Entscheidungen, gescheiterte Ansätze und Begründungen hinter einem Projekt speichert, von anderen Agenten abfragbar ist und auf die erzeugenden Sitzungen zurückgeführt werden kann.

Effizienzgewinne durch Speicherung

Lange Untersuchungssitzungen können dazu führen, dass der Kontext so umfangreich wird, dass jede Aktion mehr Kosten für die Kontextpflege verursacht als für die eigentliche Arbeit. Übliche Lösungen sind die Kontextkomprimierung durch den Agenten oder die manuelle Übergabe und ein Neustart. Der "recall"-Ansatz bietet hier eine dritte Option, die sich als kostengünstiger erweisen kann.

Vergleiche zeigen, dass der Abruf von Informationen aus einem persistenten Speicher deutlich effizienter sein kann als manuelle Übergaben oder die Komprimierung des Kontexts. Während die Komprimierung in einigen Fällen zu unvollständigen oder verzerrten Ergebnissen führen kann, liefert der "recall"-Ansatz die relevanten Passagen direkt, wodurch wichtige Erkenntnisse nicht durch Zusammenfassungen verloren gehen.

Fazit

Die Implementierung eines dauerhaften, eigenen Speichers für KI-Codierungsagenten stellt einen signifikanten Fortschritt in der Softwareentwicklung dar. Sie ermöglicht es Agenten, aus früheren Erfahrungen zu lernen, den Kontext über Sitzungen und Maschinen hinweg zu bewahren und die Zusammenarbeit in Teams zu verbessern. Durch die Nutzung von Open-Source-Technologien und lokalen Verarbeitungsmodellen wird eine hohe Kontrolle über die Daten und eine effiziente Nutzung der Ressourcen gewährleistet. Dieses Paradigma, das den Agenten nicht mehr bei Null beginnen lässt, sondern auf einem wachsenden Wissensschatz aufbaut, transformiert die Arbeitsweise mit KI-Codierungsassistenten.

Bibliographie

• Hugging Face Blog. (2026, September 3). Give Your Coding Agents a Memory You Own. Verfügbar unter: https://huggingface.co/blog/funes
• grpcer/ownmem. (n.d.). Open-source, Git-native memory for AI coding agents. Verfügbar unter: https://github.com/grpcer/ownmem
• agentmemory: persistent memory for AI coding agents. (n.d.). Verfügbar unter: https://agent-memory.dev/
• Lolaplex/agents-memory. (n.d.). Local markdown memory & cross-agent context engine for AI coding assistants. Verfügbar unter: https://github.com/Lolaplex/agents-memory
• Agent Brain - Self-Hosted Shared Memory for AI Coding Agents. (n.d.). Verfügbar unter: https://agentbrain.agentsoftware.dev/
• ozankasikci/global-agent-memory. (n.d.). Local-first, project-aware memory MCP server for Claude Code, Codex, and other AI agents. Verfügbar unter: https://github.com/ozankasikci/global-agent-memory
• vib795/agent-memory. (n.d.). Durable cross-repo memory for GitHub Copilot and Claude Code. Verfügbar unter: https://github.com/vib795/agent-memory
• rohitg00/agentmemory: #1 Persistent memory for AI coding agents. (n.d.). Verfügbar unter: https://github.com/rohitg00/agentmemory
• RecursiveIntell/agent-memory-kits. (n.d.). Persistent local-first semantic memory for any agent. Verfügbar unter: http://github.com/recursiveintell/agent-memory-kits
• LangChain. (2026, June 24). How to Build Memory into AI Agents. Verfügbar unter: https://www.langchain.com/blog/how-to-give-your-agent-memory