memU

Die meisten KI-Agenten vergessen. Eine Chat-Sitzung endet, ein Dokument wird einmal gelesen, und der Kontext ist verloren, sofern der Entwickler ihn nicht jedes Mal neu aufbaut, indem er dem Modell die Rohdaten erneut zuführt. Das kostet viele Token und ist in der Praxis fragil. memU von NevaMind-AI ist ein Python-orientiertes Memory-Framework, das genau das beheben will, indem es Konversationen, Dokumente, Bilder, Video, Audio, URLs und lokale Dateien in eine strukturierte, dauerhafte Gedächtnisschicht überführt. Statt die Originalquellen bei jedem Schritt erneut zu lesen, nimmt ein Agent sie einmal auf und fragt später bei memU nach passendem, eingegrenztem Kontext. Der Kernnutzen besteht darin, dass Agenten Vorlieben, Ereignisse und erlerntes Verhalten über Sitzungen hinweg behalten, sodass das Verständnis eines Nutzers oder einer Codebasis nicht jedes Mal bei null beginnt.

memU baut auf einem typisierten Memory-Graphen auf, nicht auf einem flachen Vektorspeicher. Rohdaten durchlaufen eine memorize()-Pipeline, die parst, extrahiert, organisiert und in vier Ebenen persistiert: Resources halten die Originalartefakte mit Captions und Embeddings, MemoryItems sind atomare typisierte Erinnerungen in Kategorien wie profile, event, knowledge, behavior, skill und tool, MemoryCategories fassen verwandte Items auf Themenebene zusammen, und Relation-Kanten erlauben dem Agenten die Navigation, ohne die Quelle erneut zu verarbeiten. Der Speicher ist austauschbar zwischen In-Memory, SQLite und PostgreSQL mit pgvector, und das LLM-Routing ist konfigurierbar, sodass Chat, Embedding, Vision und Transkription jeweils von einem anderen Anbieter übernommen werden können, darunter OpenAI, OpenRouter und eigene Base-URLs. Der Abruf funktioniert entweder als Vektor-orientiertes RAG oder als semantisches LLM-Ranking auf jeder Ebene.

Das Framework richtet sich klar an Python-Entwickler, die Agenten bauen und strukturiertes, durchsuchbares Gedächtnis ohne schwere Infrastruktur wollen. Die Typisierung ist das Unterscheidungsmerkmal: Wenn es darauf ankommt, ob ein gemerkter Fakt ein stabiles Nutzermerkmal, ein einmaliges Ereignis oder eine erlernte Fähigkeit ist, liefert das Kategorienmodell Ansatzpunkte, die ein reiner Embedding-Blob nicht bietet. Konkrete Einsatzfälle, die das Projekt nennt, sind Konversationsgedächtnis, das Nutzervorlieben und Beziehungskontext extrahiert, Workspace-Kontext für Coding-Agenten aus Dokumenten und Logs, multimodale Wissensschichten aus Dokumenten, Screenshots und Audio sowie Tool-Lernen aus Ausführungsspuren. Für einen einzelnen Entwickler oder ein kleines Team, das einen persönlichen Assistenten oder einen internen Agenten prototypt, machen das SQLite-Backend plus die optionale managed API es realistisch, schnell ein dauerhaftes Gedächtnis zum Laufen zu bringen.

Die Einschränkungen sind real und sollten abgewogen werden. memU ist Python-only, und das README verweist auf Python 3.13 oder neuer, was die Integration in bestehende Stacks oder in nicht-Python-Agenten erschweren kann. Die Lizenzangabe ist uneinheitlich: GitHub meldet NOASSERTION, während Apache-2.0 nur über das README-Badge bestätigt wird, wer strenge Compliance-Anforderungen hat, sollte das vor einer Abhängigkeit prüfen. Das Projekt berichtet starke Zahlen, darunter angeblich 92,09 Prozent Durchschnitt im Locomo-Benchmark und etwa 10-fache Token-Reduktion, doch unabhängige Bestätigung dieser Werte ist begrenzt, daher sind sie als Herstellerangaben zu behandeln. Die jüngste Commit-Aktivität neigt eher zu Dokumentation und Bugfixes als zu großen neuen Funktionen, es gibt keine veröffentlichten Angaben zu Latenz oder Verhalten bei sehr großen Speichern, und das Ökosystem ist kleiner als bei etablierteren Optionen.

Gegenüber der kommerziellen Alternative Mem0 punktet memU weniger mit Reife als mit seinem expliziten typisierten Graphen und der Self-Hosting-Flexibilität. Mem0 hat ein größeres Ökosystem, breitere SDK-Abdeckung und ein erprobteres managed Angebot, sodass Teams, die einen gehosteten, mehrsprachigen Memory-Dienst mit Support wollen, dort heute die sicherere Standardwahl finden. memU ist die interessantere Wahl, wenn man in Python arbeitet, Datenmodell und Speicher unter eigener Kontrolle behalten will und stark typisierte Kategorien für den Abruf schätzt. Setze es für Prototypen und interne Agenten ein, bei denen man ein bewegliches Ziel verträgt und die Lizenz selbst verifiziert. Verzichte darauf, wenn du reife Nicht-Python-SDKs, vertraglichen Support oder erprobtes multimodales Echtzeit-Gedächtnis im großen Maßstab brauchst, denn dafür ist das Projekt noch zu früh, um ein Produktivsystem darauf zu setzen.