Die besten persistenten Memory-Systeme für KI-Agenten 2026

Mem0 ist das beste standardmäßige persistente Memory-System für einen KI-Agenten, den Sie selbst entwickeln, während Perplexity Brain die beste No-Build-Wahl darstellt. Das entscheidende Marktsignal liefert Perplexitys herstellerseitig veröffentlichter Bericht: 25% höhere Korrektheit, 16% besserer Recall und 13% geringere Kosten bei Computer-Aufgaben, die historischen Kontext erforderten.

Die kurze Antwort: Welches persistente Memory-System sollten Sie wählen?

Wählen Sie Mem0, wenn Sie eine Memory-API innerhalb Ihres eigenen Produkts benötigen und einen verlässlichen Pfad von einem kostenlosen Prototyp bis zu einem verwalteten Produktivdienst suchen. Wählen Sie Perplexity Brain, wenn der Agent bereits in Perplexity Computer läuft und das Ziel darin besteht, Zusammenfassungsarbeiten ohne eigene Speicherinfrastruktur zu eliminieren. Wählen Sie Hindsight, wenn der Agent über sich verändernde Fakten und lange Historien hinweg logische Schlüsse ziehen muss, oder Zep, wenn ein verwalteter temporaler Wissensgraph das Zentrum der Architektur bildet.

Der Rest des Rankings deckt spezialisiertere Anforderungen ab. Supermemory zeigt seine Stärken, wenn Konversationen, Dokumente und Konnektoren eine gemeinsame multimodale Kontextschicht benötigen. Cognee passt zu Teams, die eine kombinierte Graph-Vektor-Relationale-Engine lokal betreiben oder in ihrer eigenen Cloud (BYOC) bereitstellen möchten. Claude Managed Agents Memory Stores sind die sauberste, auditierbare dateibasierte Option innerhalb von Anthropics verwalteter Agenten-Laufzeitumgebung. Letta ist die Wahl für Portabilität bei Programmier-Agenten, deren Identität Modellwechsel überstehen soll. LangMem ist die Library-First-Option, wenn Sie bereits mit LangGraph entwickeln und die vollständige Kontrolle über Speicher und Richtlinien behalten wollen.

Die untenstehenden Preise wurden am 28. August 2026 verifiziert. „Kostenlos“ kann einen gehosteten Free-Tier, einen selbst gehosteten Open-Source-Pfad oder eine kostenlose Anwendung mit separaten Modell- und Infrastrukturgebühren bedeuten. Da diese wirtschaftlich nicht identisch sind, benennt jeder Abschnitt die tatsächlichen Kosten.

Dieses Ranking ist bewusst keine Benchmark-Bestenliste. Ein Memory-System kann im Retrieval exzellent abschneiden und dennoch die falsche Wahl sein, wenn es Ihre Löschrichtlinien, Mandantengrenzen, Latenzvorgaben oder Betriebsmodelle nicht erfüllt. Das beste System ist jenes, dessen Persistenzgrenze exakt zu dem passt, was Sie speichern möchten.

Falls das abstrakt klingt, nutzen Sie diese Entscheidungsregel: Kaufen Sie ein verwaltetes Produkt, wenn der monatliche Aufpreis geringer ist als die Entwicklungszeit, die Sie für Extraktion, Konsolidierung, Retrieval, Korrektur und Löschung aufwenden müssten. Betreiben Sie den Stack selbst, wenn die Datengrenze oder das Speicherverhalten unverhandelbar sind. Diese Regel entscheidet in der Praxis mehr Projekte als ein minimaler Benchmark-Vorsprung.

Was Sie tatsächlich kaufen

Persistente Memory-Systeme für KI-Agenten sind nicht einfach größere Prompts. Ein Kontextfenster ist das, was das Modell während einer einzelnen Inferenz sehen kann. Ein Checkpoint ermöglicht es einem Workflow, nach einem Abbruch an einem gespeicherten Zustand fortzufahren. Dauerhaftes Gedächtnis entscheidet, was überdauert, wie es sich verändert und welcher kleine Ausschnitt in eine zukünftige Sitzung geladen werden soll. Eine verwaltete Wissensschicht ergänzt diesen Speicher um Eigentümerschaft, Herkunft (Provenance), Aufbewahrungsfristen und Löschmechanismen.

Diese Schichten lösen unterschiedliche Probleme. Wenn ein Agent nach einem Absturz exakt denselben Schritt wiederholen muss, verwenden Sie einen Checkpoint. Wenn er sich merken muss, dass ein Kunde letzten Monat die Abrechnungskontakte geändert hat, benötigen Sie dauerhaftes Gedächtnis mit temporaler Gültigkeit. Wenn belegt werden muss, warum dieser Kontakt in einer Antwort auftaucht, sind Quellenlinks oder unveränderliche Versionen erforderlich. Wenn die Daten eines Kunden niemals in den Durchlauf eines anderen geraten dürfen, ist Mandantenfähigkeit integraler Bestandteil des Speichers und kein nachträglicher Gedanke.

Die budgetäre Konsequenz ist die Rechnung für Kontext-Reloads: Modell-Input, der für das erneute Senden alter Daten aufgewendet wird, Arbeitszeit für wiederholte Zusammenfassungen und fehlerhafte Arbeitsabläufe durch veralteten oder widersprüchlichen Kontext. Perplexity beziffert dieses Problem in seinem Brain-Launch-Bericht: Computer-Aufgaben, die historischen Kontext erforderten, kosteten mit Brain in frühen Messungen 13% weniger – bei gleichzeitig 25% höherer Korrektheit und 16% besserem Recall. Dies sind vom Hersteller berichtete Zahlen auf Basis des eigenen Produkts, keine allgemeinen Benchmarks, aber sie zeigen das richtige ökonomische Ziel: weniger API-Aufrufe und weniger Kontextwiederholungen bei steigender Antwortqualität.

Die stärksten Systeme reduzieren diese Kosten über verschiedene Mechanismen:

• Selektives Retrieval lädt nur eine kleine, relevante Teilmenge statt der gesamten Historie.
• Konsolidierung führt Duplikate zusammen und verdichtet wiederkehrende Muster zu einem kompakteren Arbeitsmodell.
• Temporale Logik unterscheidet, was früher galt, von dem, was jetzt zutrifft.
• Korrekturmechanismen erlauben es Nutzern oder Host-Anwendungen, fehlerhafte Erinnerungen zu bereinigen, bevor sie Folgeschäden verursachen.
• Herkunftsnachweise (Provenance) machen gespeicherte Aussagen nachprüfbar statt nur plausibel.
• Mandantenkontrollen isolieren das Gedächtnis strikt nach Benutzer, Projekt, Agent oder Organisation.

Deshalb ist eine reine Vektordatenbank allein keine vollständige Lösung. Sie speichert Embeddings und liefert ähnliche Textstellen zurück. Sie entscheidet jedoch nicht automatisch, ob ein Fakt überholt ist, ob eine Korrektur eine frühere Beobachtung überschreiben soll, ob eine alte Quelle gelöscht werden muss oder ob eine Präferenz dem Benutzer, dem Agenten, dem Durchlauf oder dem gesamten Unternehmen zugeordnet ist. Systeme wie Hindsight, Zep, Mem0, Supermemory und Cognee ergänzen das Retrieval um Richtlinien und Strukturen. Dateibasierte Systeme wie Claude Memory Stores und Letta-Kontext-Repositories machen den Zustand auf andere Weise prüfbar.

Die Systemgrenze ist entscheidender als die Schnittstelle. Perplexity Brain erinnert sich an Arbeit, die innerhalb von Computer erledigt wurde; es ist keine neutrale API für Ihr eigenes SaaS. Claude Memory Stores verwalten kleine Dokumente innerhalb von Managed Agents; sie sind kein automatischer Wissensgraph. Mem0 und Supermemory sind Anwendungsdienste; sie verlangen von Ihnen weiterhin die Entscheidung, wann Ihr Agent schreibt, sucht und vergisst. Cognee und Graphiti bieten mehr Kontrolle, übertragen Ihnen aber auch die Verantwortung für den Infrastrukturbetrieb.

Hier trennen sich auch Memory und Agentenskills. Ein Skill ist meist eine dauerhafte Anweisung dafür, wie eine Arbeit auszuführen ist; Memory ist der erlernte Zustand darüber, was passiert ist, was sich verändert hat und was aktuell wichtig ist. Diese Unterscheidung ist zentral beim Abwägen von persistenten Agentenskills gegenüber erlerntem Kontext. Stabile Richtlinien gehören in einen Skill oder die Systemkonfiguration. Die neueste Einschränkung eines Kunden gehört ins Memory. Ein Vermischen beider Konzepte erschwert Audits erheblich.

Die Kostenmathematik vor dem Ranking

Preise für Memory-Systeme wirken vergleichbar, bis man die Abrechnungseinheit prüft. Ein Anbieter rechnet nach gespeicherten Input-Tokens ab, ein anderer nach einzigartigen eingebetteten Tokens, ein dritter nach verarbeiteten Tokens und ein weiterer nach kleinen Episodes. Ein reiner Vergleich von Kosten pro Million Tokens ohne diese Definitionen ist Scheingenauigkeit.

Betrachten wir einen Ingestion-Job mit 10 Millionen Tokens:

• Hindsight berechnet $100 für das Behalten (Retain) von 10 Millionen Input-Tokens bei $10 pro Million. Bleiben alle 10 Millionen über die 30-tägige Frist hinaus gespeichert, kostet die Aufbewahrung $2.50 pro Monat. Das Abrufen (Recall) von 10 Millionen Output-Tokens würde $7.50 kosten, wobei eine gut konzipierte Anwendung deutlich weniger abrufen sollte, als sie speichert.
• Supermemory berechnet $50 für 10 Millionen einfache, eindeutige SM-Tokens in seinem Memory-Graphen bei $0.005 pro 1,000. Rich-Content läge bei $100. Der entscheidende Faktor ist die Eindeutigkeit: Wiederholungen und unveränderte Inhalte werden nicht erneut abgerechnet.
• Cognee Standard berechnet $25 für die Verarbeitung von 10 Millionen Tokens bei $2.50 pro Million. Drei zusätzliche Workspaces kosten $15, was für dieses Volumen und diese Workspace-Anzahl rechnerisch $40 pro Monat ergibt.

Diese Zahlen belegen nicht, dass Cognee viermal günstiger ist als Hindsight. Hindsights Retain-Operation führt eine spezifische Extraktion und strukturierte Speicherung durch; Supermemory berechnet deduplizierte Tokens nach eigener Definition; Cognee misst die Tokens, die seine Engine verarbeitet. Es handelt sich um drei Messwerte für drei völlig unterschiedliche Workloads.

Zep macht Tarifgrenzen ungewöhnlich transparent. Flex kostet $125 und enthält 50,000 Credits; jede weiteren 10,000 Credits kosten $25. Zehn Zukäufe erhöhen die Rechnung auf $375 und die Gesamtkapazität auf 150,000 Credits. Flex Plus kostet regulär $375 und enthält bereits 200,000 Credits. Ab einer Monatsprognose von 150,000 Credits ist Flex Plus die günstigere Option – noch bevor man die höheren Limits und längeren Übertragsfristen berücksichtigt. Bei 160,000 Credits würde Flex $400 kosten, während Flex Plus bei $375 bleibt.

Perplexitys Modell basiert auf Arbeitsplätzen (Seats) statt APIs. Consumer Max kostet $200 monatlich oder $2,000 jährlich. Zehn Plätze kosten bei monatlicher Zahlung $24,000 pro Jahr gegenüber $20,000 bei jährlicher Zahlung – ein Unterschied von $4,000 pro Jahr. Enterprise Max liegt bei $325 pro Platz und Monat bzw. $3,250 jährlich, wodurch zehn Plätze bei jährlicher Abrechnung $6,500 pro Jahr einsparen. Eine jährliche Bindung lohnt sich erst, wenn der Workflow belegt hat, dass Brain ausreichend Vorbereitungs- und Nacharbeitszeit einspart.

Claude zeigt einen weiteren Kostenhebel. Sonnet 5 kostet $2 pro Million Input-Tokens und $10 pro Million Output-Tokens. Ein Nutzungsmix aus 10 Millionen Input-Tokens und 1 Million Output-Tokens kostet $30 vor sonstigen Laufzeitgebühren. Das wiederholte Senden eines Briefings mit 100,000 Tokens über 100 Sitzungen hinweg erzeugt 10 Millionen Input-Tokens bzw. $20 zum regulären Tarif (vor Caching-Effekten). Ein Memory Store macht Lesezugriffe nicht kostenlos, erlaubt dem Agenten aber, gezielt die relevante Datei abzurufen, anstatt das gesamte Dokument in jeden Prompt zu laden.

Die entscheidende Budgetfrage lautet daher nicht: „Welcher Anbieter hat den niedrigsten Einstiegspreis?“, sondern: „Was bedeutet eine gespeicherte Einheit in diesem System, wie oft wird sie geschrieben und gelesen, und wer trägt die Kosten bei Fehlern?“ Kalkulieren Sie Schreibpfade, Retrieval-Pfade, Speicherfristen, Modellinferenz und manuellen Korrekturaufwand separat. Rechnen Sie anschließend den Aufpreis für Managed Services oder die Entwicklerstunden für den Eigenbetrieb gegen.

Wie diese Systeme ausgewählt wurden

Neun Systeme wurden aufgenommen, da jedes einen konkreten Persistenzmechanismus und ein klares Einsatzszenario bietet. Die Auswahl erfolgte anhand von sechs Kriterien:

1. Persistenzgrenze: Übersteht der Zustand Prozessneustarts, neue Sitzungen, Modellwechsel oder Anwendungs-Redeployments? Wer besitzt diese Daten?
2. Retrieval-Qualität: Kann das System semantische, lexikalische, graphbasierte und temporale Signale kombinieren oder handelt es sich um eine reine Vektorsuche?
3. Korrektur und Herkunft: Lässt sich nachvollziehen, warum eine Erinnerung existiert, kann sie sicher aktualisiert, versioniert und gelöscht werden?
4. Mandantenfähigkeit und Kontrolle: Können Benutzer, Projekte, Agenten und Organisationen isoliert werden? Gibt es Self-Hosting, BYOC oder Nur-Lese-Zugriffe?
5. Betriebsaufwand: Was muss Ihr Team bei Extraktion, Konsolidierung, Evaluierung, Monitoring, Aufbewahrung und Sicherheit noch selbst entwickeln?
6. Abrechnungsmodell: Berechnet der Anbieter nach Seats, Anfragen, Tokens, Episodes, Speicherdauer, Operationen oder Infrastruktur?

Jeder Preis, Tarif, jedes Limit und jedes genannte Feature wurde am 28. August 2026 direkt auf den offiziellen Preisseiten, Dokumentationen, Repositories oder Produktankündigungen überprüft. Die Produkte wurden für diesen Artikel nicht persönlich getestet, weshalb der Titel bewusst nicht den Begriff „Getestet“ verwendet. Hersteller-Benchmarks sind als solche gekennzeichnet und stellen keine unabhängigen Testergebnisse dar.

Auch die Ausschlüsse sind relevant. Reine Vektordatenbanken wurden als eigenständige Memory-Systeme ausgeschlossen, da Speicherung und Ähnlichkeitssuche keinen vollständigen Memory-Lebenszyklus abbilden. Allgemeine Agenten-Frameworks ohne dauerhafte Speicherschicht wurden nicht berücksichtigt. Chat-Gedächtnisse für Endverbraucher, die nicht auditierbar, abgrenzbar oder integrierbar sind, blieben außen vor – es sei denn, sie bildeten einen substanziellen Agenten-Workflow ab, weshalb Perplexity Brain qualifiziert ist, einfache Personalisierungs-Schalter jedoch nicht.

Das Ranking stellt den praktischen Nutzen über theoretische Kategoriereinheit. Perplexity Brain und Letta sind nicht direkt mit der API von Mem0 austauschbar, aber sie beantworten dieselbe Frage: Bauen Sie eine eigene Speicherschicht, nutzen Sie eine integrierte Arbeitsumgebung oder wählen Sie eine Agenten-Laufzeitumgebung, die dies übernimmt?

1. Mem0: Beste Standard-Memory-API für Produktteams

Mem0 ist die beste Standardlösung, wenn ein Produktteam sitzungsübergreifendes Gedächtnis benötigt, ohne sich sofort auf temporale Graphen, dateibasierte Runtimes oder den Workspace eines einzelnen Anbieters festzulegen. Ein Support-Agent kann Erinnerungen nach Kunde und Durchlauf trennen, vor der Antwort gezielt relevante Präferenzen abrufen und diese später korrigieren oder verfallen lassen. Die verwaltete Plattform bietet Konsolidierung und temporales Ranking, die in der Open-Source-Version fehlen. Die größte Hürde ist der Tarifwechsel: Der $19-Starter-Plan bleibt limitiert, während Kernfunktionen für Produktivumgebungen erst im $249-Pro-Tarif liegen.

Die gehostete und die Open-Source-Version von Mem0 teilen die grundlegenden Operationen: Hinzufügen, Suchen, Abrufen, Auflisten, Aktualisieren, Löschen, Komplettlösung und Historie. Beide unterstützen Scoping nach user_id, agent_id und run_id, entitätsbasiertes Ranking, multimodale Inputs, Verfallsdaten, Reranking, benutzerdefinierte Extraktionsregeln sowie SDKs für Python und JavaScript und REST-APIs. Dieser gemeinsame Kern macht den Open-Source-Pfad praxistauglich und bietet einen Ausweg aus gehosteten Infrastrukturen.

Der offizielle Vergleich zwischen Plattform und OSS benennt die Unterschiede exakt. Die Plattform bietet app_id-Mandantenfähigkeit, Organisationen, Projekte, einen projektweiten Event-Feed, natives Graph Memory, Memory Decay, Temporal Reasoning und Dream-Hintergrundkonsolidierung. Hinzu kommen Webhooks, Kategorien, schemabasierter Export, Feedback, Zusammenfassungen sowie Batch-Operationen für bis zu 1,000 Erinnerungen.

Die Grenzen von OSS v3 sind klar definiert: Es gibt kein abfragbares Graph Memory, kein Memory Decay, kein Temporal Reasoning, kein Dream, keine Webhooks, keinen Event-Feed, keinen Memory-Export, kein Feedback-System und keine Batch-Operationen. Sie können damit ein leistungsfähiges System bauen, müssen Vektorspeicher, Modelle, Embeddings, Betrieb und Richtlinienfunktionen jedoch selbst bereitstellen. Open Source bietet Kontrolle, ist aber kein kostenloser Ersatz für die vollwertige Plattform.

Ideal für: Produktteams, die Benutzer-, Agenten- und Durchlauf-Memory in ein SaaS oder interne Tools einbetten wollen.
Herausragendes Merkmal: Eine einheitliche Kern-API für Cloud und Self-Hosting mit verwalteten Graphen, Verfallslogik und Konsolidierung bei Bedarf.
Preise: Hobby ist kostenlos mit monatlich 10,000 Adds, 1,000 Retrievals und 1 Projekt. Starter kostet $19/Monat für 50,000 Adds, 5,000 Retrievals und 1 Projekt. Pro kostet $249/Monat für 500,000 Adds, 50,000 Retrievals, unbegrenzte Projekte, Graph Memory, Dream, Analytics und privaten Slack-Support. Enterprise bietet individuelle Konditionen mit unbegrenzten Requests, SLA, On-Premises-Option, Audit-Logs, SSO und Integrationen. Preise verifiziert am 28. August 2026 auf der Mem0-Preisseite.
Kostenlose Testphase: Der gehostete Hobby-Tarif ist kostenlos und erfordert keine Kreditkarte; die Open-Source-Version steht zum Self-Hosting bereit.

Ein praxistaugliches Muster für den Einstieg mit Mem0

Die sicherste Implementierung beginnt nicht mit „alles merken“. Wählen Sie eine konkrete Kategorie dauerhafter Fakten, speichern Sie Quelltexte samt Zeitstempeln und messen Sie, ob das Retrieval wiederkehrende Workflows verbessert.

1. 1

   Einen klaren Datenvertrag wählen

   Beginnen Sie mit einem einzigen Objekttyp, etwa freigegebenen Kundenpräferenzen, verbindlichen Account-Vorgaben oder Coding-Standards. Legen Sie fest, was gespeichert werden darf, wer Eigentümer ist, wann Daten verfallen und was niemals im Memory landen darf.

2. 2

   Jeden Schreibvorgang abgrenzen

   Hinterlegen Sie vor dem Speichern die korrekten User-, Agent- und Run-IDs. Nutzen Sie die app_id der Plattform nur, wenn die Mandantengrenze dies zwingend erfordert. Fehlendes Scoping ist ein Datenisolationsfehler, keine spätere Aufräumaufgabe.

3. 3

   Vor kostenintensiven Schritten abfragen

   Suchen Sie unmittelbar vor der Entscheidung im Memory und übergeben Sie nur die relevanten Treffer an das Modell. Laden Sie nicht die gesamte Historie in jeden Prompt.

4. 4

   Korrektur und Löschung implementieren

   Geben Sie der Anwendung eine direkte Möglichkeit, fehlerhafte Fakten zu aktualisieren oder zu löschen. Nutzen Sie auf der Plattform Feedback-Tools und Event-Feeds; im OSS-Betrieb bauen Sie dieses Monitoring in Ihre Dienste ein.

5. 5

   Nur nach messbarem Bedarf upgraden

   Bleiben Sie bei Hobby oder Starter, bis Limits, Projektisolierung oder Graphen-Features einen Wechsel erfordern. Gehen Sie auf Pro, weil ein konkreter Workload den Aufpreis von $230 rechtfertigt – nicht, weil ein Prototyp den Status „Produktion“ erhält.

Das Fazit: Mem0 ist die verlässlichste Standard-API, aber die stärksten Managed-Features machen aus einem $19-Experiment schnell eine $249-Plattformentscheidung. Für einfache Präferenzen genügen Starter oder OSS. Wer temporale Gültigkeit, Konsolidierung und Graph-Ranking benötigt, sollte Pro vorab mit Hindsight und Zep vergleichen.

2. Perplexity Brain: Bestes No-Build-Arbeitsgedächtnis

Perplexity Brain ist die beste Wahl, wenn Arbeitsabläufe ohnehin in Perplexity Computer stattfinden und persistenter Kontext ohne Softwareentwicklung benötigt wird. Ein Stratege kann ein Kundenprojekt Wochen später öffnen, woraufhin Computer frühere Entscheidungen, Dateien, beteiligte Personen, Korrekturen und offene Punkte abruft. Brain aktualisiert dieses Arbeitsmodell im Hintergrund und verlinkt Einträge mit ihren Quellen. Der Nachteil ist die fehlende Portabilität: Es handelt sich um eine Research Preview innerhalb kostenpflichtiger Max-Tarife, nicht um eine Memory-API für eigene Produkte.

Brain startete am 18. Juni 2026 als selbstlernendes Memory-System für Computer. Laut Ankündigung baut es aus den Aktivitäten in Computer einen Kontextgraphen auf und aktualisiert in Intervallen (z. B. über Nacht) ein LLM-Wiki. Als Quellen dienen Sitzungen, Konnektor-Ergebnisse, Artefakte, Dokumentenänderungen und Nutzerkorrekturen. Dies entspricht eher einem operativen Arbeitsgedächtnis als einfachen Chatbot-Präferenzen.

Die Brain-Dokumentation enthält praxisnahe Kontrollmechanismen. Jeder Eintrag verweist auf eine Quelle. Konzepte, Entitäten und Arbeitsströme werden in einem Wiki und Graphen visualisiert. Nutzer können Einträge bearbeiten oder löschen; Korrekturen fließen in den nächsten Hintergrundlauf ein. Brain bestätigt bestehende Fakten, aktualisiert Änderungen und markiert Veraltetes.

Datenschutz wird über Produktgrenzen durchgesetzt. Brain lernt ausschließlich aus den Aktivitäten des jeweiligen Abonnenten und schließt Inkognito-Sitzungen aus. Es lässt sich deaktivieren; Enterprise-Administratoren können es für Mitglieder sperren. Perplexity nutzt nach eigenen Angaben KI-Filter, um sensible Daten wie Zugangsdaten fernzuhalten; Enterprise-Daten werden nicht für Modelltrainings verwendet. Filter minimieren Risiken, ersetzen aber kein sorgfältiges Datenmanagement an der Quelle.

Die Kennzahlen erfordern eine differenzierte Betrachtung. Perplexity berichtet von 25% höherer Antwortkorrektheit, 16% besserem Recall und 13% geringeren Kosten bei Aufgaben mit historischem Kontext. Da Testdesign und Datensätze nicht öffentlich einsehbar sind, belegen diese Zahlen ein überzeugendes Produktergebnis, aber keinen pauschalen Sieg über API-basierte Systeme.

Ideal für: Führungskräfte, Analysten und Projektteams, die wiederkehrende Wissensarbeit in Perplexity Computer durchführen.
Herausragendes Merkmal: Hintergrund-Arbeitsgedächtnis, das Sitzungen, Dateien, Konnektoren, Artefakte und Korrekturen mit Quellenverweisen verknüpft.
Preise: Brain ist als Research Preview in Consumer Max für $200/Monat oder $2,000/Jahr und Enterprise Max für $325/Platz/Monat oder $3,250/Platz/Jahr verfügbar. Enterprise Pro liegt bei $40/Platz/Monat bzw. $400/Jahr, enthält Brain jedoch nicht. Consumer Max bietet monatlich 10,000 Computer-Credits; Enterprise Max 15,000; ungenutzte Credits verfallen am Monatsende. Preise verifiziert am 28. August 2026 über Perplexitys Tarif-, Enterprise- und Credit-Seiten.
Kostenlose Testphase: Keine Testphasen für Enterprise Pro oder Enterprise Max; Brain erfordert ein kostenpflichtiges Max-Abonnement.

Ein wichtiger Budgetposten: Perplexity rechnet projektbezogene Brain-Läufe dem Ersteller des Projekts zu – selbst wenn andere darin arbeiten. Weisen Sie geteilten Workflows feste Verantwortliche zu und prüfen Sie den Credit-Verbrauch, bevor Sie Teams einbinden.

Der Jahresrabatt rechnet sich nur bei kontinuierlicher Nutzung. Zehn Consumer-Max-Plätze sparen bei jährlicher Zahlung $4,000 gegenüber monatlicher Abrechnung, bei Enterprise Max sind es $6,500. Ein 30-tägiger Test sollte klären, ob alte Arbeitsstände tatsächlich wiederaufgenommen, Korrekturen reduziert und Credits eingespart werden, bevor ein Jahresvertrag gezeichnet wird.

Das Fazit: Perplexity Brain ist der schnellste Weg zu einem quellenbasierten Arbeitsgedächtnis ohne Entwicklungsaufwand – doch Sie kaufen einen Arbeitsbereich, keine portable Infrastruktur. Ideal, wenn Computer die Arbeitsumgebung ist. Ungeeignet, wenn Ihre eigene Anwendung die Datenhoheit behalten muss.

3. Hindsight: Das beste System für tiefes temporales Recall und Reflection

Hindsight ist die stärkste Option, wenn Memory mehr leisten muss als das Heraussuchen ähnlicher Textstellen. Ein Recherche-Agent kann datierte Erkenntnisse speichern, Entitäten verknüpfen, Beobachtungen synthetisieren und analysieren, was sich zwischen zwei Zeiträumen verändert hat. Das TEMPR-Retrieval kombiniert vier Signalquellen statt nur auf Embeddings zu setzen. Der Nachteil liegt in der komplexeren Abrechnung und einem anspruchsvolleren Datenmodell.

Hindsight unterteilt den Ablauf in drei Operationen: Retain extrahiert Fakten, Entitäten und temporale Daten in eine Memory-Bank. Recall ruft relevante Daten über parallele Suchstrategien ab. Reflect erlaubt es dem Agenten, über diese Inhalte anhand definierter Richtlinien und Ziele logische Schlüsse zu ziehen. Diese Trennung ist sinnvoll, da Speicherung, Abruf und Schlussfolgerungen unterschiedliche Kosten- und Latenzprofile aufweisen.

Die Datenhierarchie ist strukturiert aufgebaut: Rohe Fakten und Ereignisse bilden die Basis. Beobachtungen fassen Muster mit Belegen zusammen. Mentale Modelle liefern strukturierte Zusammenfassungen für häufige Fragen. Hindsight prüft zuerst Mentale Modelle, dann Beobachtungen und erst zuletzt Rohfakten, wodurch wiederkehrende Analysen nicht jedes Mal neu berechnet werden müssen.

TEMPR vereint vier Abrufpfade: semantische Ähnlichkeit, BM25-Schlüsselwortsuche, Graphverbindungen und temporale Logik. Exakte Bezeichner profitieren von Schlüsselwörtern, verknüpfte Personen von Graphen und Fragen nach zeitlichen Änderungen vom temporalen Retrieval. Diese Kombination hebt Hindsight von reinen Vektordatenbank-Wrappern ab.

Der Hersteller-Benchmark ist beachtlich, muss jedoch eingeordnet werden. Hindsights veröffentlichte BEAM-Ergebnisse zeigen einen Score von 64.1% auf der 10-Millionen-Token-Stufe gegenüber dem zweitplatzierten Ergebnis von 40.6% (73.9% bei 1 Million und 71.1% bei 500,000). Hindsight beziffert den Vorsprung bei 10 Millionen Tokens auf 58%. Die Bestenliste ist öffentlich, die Ergebnisse wurden für diesen Artikel jedoch nicht reproduziert; prüfen Sie dies anhand eigener Tests.

Ideal für: Recherche, Account-Intelligence und komplexe Workflows, bei denen zeitliche Abläufe, Widersprüche und logische Schlüsse zentral sind.
Herausragendes Merkmal: TEMPR-Retrieval kombiniert mit einer Hierarchie, die Rohdaten in belegte Beobachtungen und wiederverwendbare mentale Modelle überführt.
Preise: Self-Hosting ist ohne Lizenzgebühren möglich. Hindsight Cloud Pay-As-You-Go berechnet Retain mit $10/MTok Input, Recall mit $0.75/MTok Output, Reflect mit $0.05/Aufruf, Retrieve Model mit $0.25/MTok Output, Refresh Model mit $0.05/Aufruf, Iris-Dateikonvertierung mit $7.50/MTok Output und Speicherdaten älter als 30 Tage mit $0.25/MTok/Monat. Credit-Pakete gibt es für $10, $25, $50 oder $100 (1 Credit = $1). Enterprise bietet individuelle Volumenrabatte. Preise verifiziert am 28. August 2026 auf der Hindsight-Abrechnungsseite.
Kostenlose Testphase: Open-Source-Self-Hosting ist kostenfrei; die Cloud-Abrechnung nutzt Pay-As-You-Go ohne zeitlich befristeten Gratistest.

Die Preisänderung vom 6. Juli 2026 macht ältere Vergleiche ungültig: Retain sank von $15 auf $10 pro Million Input-Tokens. Reflect und Refresh Model wurden von Token-Abrechnung auf $0.05 pro Aufruf umgestellt. Zudem greift nach 30 Tagen eine Speichergebühr von $0.25 pro Million Tokens und Monat. Vergleiche aus dem Frühjahr bilden diese Konditionen nicht mehr korrekt ab.

Bei 10 Millionen Tokens Altdaten kostet die Ersterfassung (Retain) $100 und der Speicher nach 30 Tagen $2.50 monatlich. 100 Reflect-Aufrufe kosten $5. Die Analyse ist damit im Verhältnis zur Ersterfassung günstig, wiederholte Re-Ingestion jedoch teuer. Bereinigen und versionieren Sie Quelldaten daher vor dem Retain-Schritt.

Das Fazit: Hindsight rechtfertigt seine Komplexität, wenn Antworten von zeitlichen Verläufen und logischer Synthese abhängen – für einfache Chatbots, die nur Namen und Tonalität behalten sollen, ist es überdimensioniert. Entscheiden Sie sich dafür, wenn eigene Tests belegen, dass temporales Retrieval konkrete Ergebnisvorteile bringt.

4. Zep und Graphiti: Bester verwalteter temporaler Knowledge Graph

Zep ist die verwaltete Plattform für Teams, die temporale Wissensgraphen mit Governance im Unternehmensumfeld benötigen; Graphiti bildet die Open-Source-Basis für Teams, die den Betrieb selbst übernehmen. Ein Kundenbetreuungs-Agent kann Account-Änderungen als datierte Fakten vorhalten, überholte Angaben entwerten und Zusammenhänge abrufen, ohne die Historie zu verlieren. Zep ergänzt diesen Graphen um Benutzerverwaltung, Threads, Protokollierung, Zugriffsregeln und automatische Skalierung. Nachteile sind die Credit-Abrechnung bei der Erfassung und die Einstiegshürde von $125 für den ersten verwalteten Tarif.

Der Zep-vs.-Graphiti-Leitfaden grenzt die Systeme ab: Graphiti baut einen Kontextgraphen pro Entität auf und unterstützt Neo4j, FalkorDB oder Amazon Neptune. Es modelliert Fakten bi-temporal, entwertet überholte Daten und verbindet Vektor-, Volltext- und Graphsuchen. Dies ist eine solide Basis, erfordert jedoch Eigenleistung bei Deployment, Mandantenverwaltung, Monitoring, Sicherheit und Performance-Tuning.

Zep betreibt Graphiti innerhalb eines verwalteten Context Lake und ergänzt proprietäre Extraktion, Beobachtungen, Ranking, Embeddings, Thread-Speicherung, Visualisierungen und API-Logs. Die Governance umfasst RBAC für Teams, ABAC für Agenten, Audits, Aufbewahrungsregeln, Mandantenisolation und kundeneigene Schlüssel. Bei Enterprise sind Cloud-, BYOK- oder BYOC-Deployments möglich. Zep gibt Latenzen von unter 200 ms für Abfragen an; prüfen Sie diese Werte innerhalb Ihrer Netzwerkregion.

Abgerechnet wird nach „Episodes“ (Chat-Nachrichten, JSON-Payloads oder Textblöcke). Eine Episode bis zu 350 Bytes verbraucht 1 Credit; jede weiteren 350 Bytes kosten einen weiteren Credit. Webhooks kosten 0.125 Credits. Retrieval, Speicherung, Threads und Graphen verbrauchen keine Credits. Das variable Kostenrisiko liegt somit primär auf der Datenerfassung.

Ideal für: Enterprise-Agenten, die veränderliche Fakten, Beziehungsstrukturen und klare Governance erfordern.
Herausragendes Merkmal: Temporaler Graphenkern mit klarem Pfad von Open Source zu Managed Services sowie detaillierten Mandantenkontrollen.
Preise: Free umfasst monatlich 10,000 Credits, 2 Projekte, 1 Memory MCP Server Seat und 5 Entitäts-/Edge-Typen (ohne Übertrag ungenutzter Credits). Flex kostet $125/Monat für 50,000 Credits ($25 je weitere 10,000), 30 Tage Übertrag und 5 Projekte. Flex Plus liegt bei $375/Monat für 200,000 Credits ($75 je weitere 40,000), 60 Tage Übertrag und 10 Projekte. Enterprise bietet individuelle Credits, SLA, unbegrenzte Projekte, 1 Jahr Log-Vorhaltung sowie Cloud, BYOK oder BYOC. Preise verifiziert am 28. August 2026 auf der Zep-Preisseite.
Kostenlose Testphase: Der Free-Tarif enthält 10,000 monatliche Credits bei variablen Rate-Limits und reduzierter Verarbeitungspriorität.

Die Budgetierung sollte auf Byte-Ebene ansetzen: Zeps Beispielrechnung nutzt 15,000 Episodes mit durchschnittlich 700 Bytes (30,000 Credits) plus 20,000 Webhooks (2,500 Credits) – insgesamt 32,500 Credits, passend für Flex. Wer ungefilterte Chatverläufe statt komprimierter Events einspeist, verdoppelt oder verdreifacht die Kosten ohne Qualitätsgewinn.

Der rechnerische Tarifwechsel greift ab 150,000 Credits: Flex inklusive zehn Nachkäufen kostet mit $375 exakt so viel wie Flex Plus, deckt aber nur 150,000 Credits ab. Bei 160,000 Credits kostet Flex bereits $400, während Flex Plus bei $375 bleibt und zusätzliche Reserven bietet.

Das Fazit: Graphiti richtet sich an Entwickler, die den temporalen Graphen selbst betreiben wollen; Zep an Organisationen, die klare Governance benötigen. Für einfache Präferenzlisten ist dieser Stack überdimensioniert. Hängen Antworten jedoch von sich wandelnden Beziehungen ab, rechtfertigt Zep seinen Preis.

5. Supermemory: Bester Speicher für multimodalen Kontext und Konnektoren

Supermemory ist die beste Wahl, wenn ein Agent eine zentrale Kontextschicht über Gespräche, Dokumente, Profile und SaaS-Konnektoren hinweg benötigt. Ein Assistent kann Unterhaltungen erfassen, mit Richtliniendokumenten verknüpfen und später Textstellen sowie das Nutzerprofil abrufen. Dank Deduplizierung werden unveränderte Inhalte bei der SM-Token-Abrechnung nicht doppelt berechnet. Nachteilig ist, dass schnelle Verfügbarkeit, Konnektoren und Zugriffskontrollen über verschiedene Gebührenmodelle verteilt sind.

Der Supermemory-Quickstart beschreibt drei Abfrageformen unter einem containerTag: Die Dokumentsuche liefert Chunks für RAG. Die Memory-Suche navigiert durch Fakten und Kanten. Das Profil liefert eine konsolidierte Zusammenfassung, die ohne Durchsuchen des gesamten Datenbestands genutzt werden kann. So lässt sich situationsabhängig steuern, welche Informationstiefe geladen wird.

Die Datenerfassung erfolgt asynchron. Der standardmäßige „Dynamic Dreaming“-Modus bündelt Dokumente, um zusammenhängende Erinnerungen zu bilden. Der „Instant“-Modus verarbeitet Daten direkt nach der Indexierung, kostet jedoch eine zusätzliche Operation pro Dokument. Er eignet sich für Setup- und Debugging-Phasen, kann im Dauerbetrieb jedoch die Operationskosten in die Höhe treiben.

Mandantensicherheit basiert auf Tags und Schlüsseln: Der containerTag muss einem Nutzer über alle Lese- und Schreibvorgänge hinweg konsistent zugeordnet sein. Über eingeschränkte API-Keys lässt sich der Zugriff auf einzelne Container begrenzen. Das Schlüsselmanagement verbleibt jedoch in der Verantwortung des Host-Systems.

Das Abrechnungsmodell begünstigt synchronisierte Daten: SM-Tokens messen ausschließlich neu erfasste, eindeutige Tokens. Das erneute Hochladen identischer Dokumente bleibt kostenfrei. Die Standard-Ingestion in den Memory-Graphen kostet $0.005 pro 1,000 SM-Tokens; Rich-Content liegt bei $0.010. SuperRAG kostet $0.001 bzw. $0.002 pro 1,000 Tokens. Suchen inklusive Graphzugriff kosten $0.005 pro 1,000 Abfragen; Memory-Operationen $0.10 pro 1,000.

Ideal für: Agenten, die Konversationen, Dateien, Medien, Nutzerprofile und SaaS-Konnektoren vereinen müssen.
Herausragendes Merkmal: Drei Abrufarten über einen Mandantenbereich hinweg mit Token-Deduplizierung und breiter Konnektorenauswahl.
Preise: Free kostet $0/Monat inklusive ca. $5 Guthaben. Pro kostet $19/Monat mit ca. $20 Guthaben, unbegrenztem Speicher, 2 Teammitgliedern sowie Konnektoren für Google Drive, Notion und OneDrive. Max kostet $100/Monat mit ca. $130 Nutzung sowie Gmail und Granola. Scale liegt bei $399/Monat mit ca. $600 Nutzung, bis zu 10 Mitgliedern, allen Konnektoren (u. a. GitHub, S3, Web Crawler), Ausgabenlimits, SOC 2, HIPAA BAA und Self-Hosting. Enterprise bietet individuelle Preise und Air-Gapped-Installationen. Preise verifiziert am 28. August 2026 auf der Supermemory-Preisseite.
Kostenlose Testphase: Free enthält ca. $5 Startguthaben ohne Kreditkarte; Startups und Forscher können sich für 3 kostenlose Monate des Scale-Tarifs bewerben.

Bei aktuellen Tarifen kosten 10 Millionen Standard-SM-Tokens im Memory-Graphen $50; Rich-Content liegt bei $100. Das ist im Vergleich zu Inferenzkosten günstig, doch viele Kleinstdateien mit Instant Dreaming verschieben die Kosten in den Operationsbereich. Analysieren Sie Tokenvolumen und Dokumentenanzahl getrennt.

Abonnementguthaben verfällt monatlich, manuell gekaufte Top-ups bleiben erhalten. Der Free-Tier pausiert bei Aufbrauchen, Bezahlpläne können automatisch nachladen; Scale bietet feste Budgetgrenzen. Die empfohlene Konfiguration nutzt feste customId-Werte für Updates, Dynamic Dreaming im Normalbetrieb und Instant-Modi nur für zeitkritische Aktionen.

Das Fazit: Supermemory ist eine vielseitige Kontext-Plattform, keine minimalistische Memory-API. Wählen Sie es, wenn Dateien, Konnektoren und Profilzusammenfassungen benötigt werden. Für reine Textdatenbanken gibt es schlankere Alternativen.

6. Cognee: Die offene Knowledge-Engine für BYOC-Teams

Cognee ist die beste Open-Source-Engine für Teams, die Memory über Graph-, Vektor- und relationale Datenbanken hinweg abbilden möchten. Ein wissenschaftlicher oder interner Recherche-Agent kann Dokumente erfassen, Ontologien extrahieren, Beziehungen pflegen und über Graphen oder Volltextsuchen recherchieren. Dank dateibasierter Standardtreiber gelingt der lokale Start unkompliziert. Die Hürde ist die architektonische Tiefe: Eine Knowledge-Engine verlangt Entscheidungen zu Schemas, Modellen und Datenbankbetrieb.

Cogness Memory-Pipeline gliedert sich in vier Phasen: add erfasst Quellen. cognify klassifiziert Dokumente, prüft Berechtigungen, erstellt Chunks, extrahiert Entitäten sowie Relationen per Modell, generiert Zusammenfassungen und speichert Graphkanten. memify entfernt veraltete Knoten, stärkt relevante Verbindungen und leitet neue Fakten ab. search durchsucht die resultierende Struktur.

Der Speicher-Stack erklärt die Einordnung als Engine: Cognee verbindet Graph-, Vektor- und relationale Datenbanken. Standardmäßig laufen Kuzu, LanceDB und SQLite lokal als Dateien. Im Produktivbetrieb werden Neo4j, FalkorDB, Neptune, Qdrant, pgvector, Redis, DuckDB, Pinecone, ChromaDB und PostgreSQL unterstützt.

Vierzehn Abfragemodi stehen zur Verfügung – von Graphvervollständigung über Chunks, Zusammenfassungen, temporale Suchen und Cypher bis hin zu regelbasierten Suchen und automatischer Moduswahl. Das bietet Flexibilität, erfordert aber Tests, um festzustellen, welcher Modus für spezifische Fragestellungen die präzisesten Resultate liefert.

Mandantenfähigkeit wird für pgvector, Neo4j, Kuzu und LanceDB unterstützt. Dies ist essenziell, da Isolation unterhalb der Agentenschicht greifen muss: Eine User-ID im Prompt schützt nicht vor Datenlecks, wenn die Suche auf einem gemeinsamen, ungetrennten Graphen aufsetzt.

Ideal für: Teams, die Domänen-Wissensdatenbanken entwickeln, BYOC nutzen oder Ontologien mit Memory verknüpfen wollen.
Herausragendes Merkmal: Strukturierter Zyklus aus add, cognify, memify und search über Graph-, Vektor- und relationale Speicher hinweg.
Preise: Free kostet $0/Monat für 1 Million Tokens, 1 Workspace, unbegrenzte Nutzer und API-Zugriff (keine Kreditkarte). Standard berechnet $2.50 pro 1 Million Tokens plus $5 pro weiterem Workspace, inklusive Konnektoren für Slack, Notion, Linear und Google Drive. Enterprise bietet BYOC-Modelle (Startup, 6, 12 und 24 Monate) in eigener Cloud-Infrastruktur mit dediziertem Support und SLA. Open Source ist lizenzkostenfrei. Preise verifiziert am 28. August 2026 auf der Cognee-Preisseite.
Kostenlose Testphase: Free ist dauerhaft kostenfrei ohne Kreditkarte; die Open-Source-Engine steht zur lokalen Nutzung bereit.

Rechnerisch bleibt die Cloud bei moderatem Volumen günstig: 10 Millionen Tokens kosten im Standard-Tarif $25. Mit drei zusätzlichen Workspaces ($15) liegt die Monatsrechnung bei $40. Hinzu kommen externe Modellkosten und die Infrastruktur bei Self-Hosting. Der Tokenpreis deckt nicht die Gesambetriebskosten (TCO) ab.

Cognee lohnt sich bei ontologiebasierten Problemstellungen: Wenn Agenten mehrstufige Abhängigkeiten analysieren müssen (etwa welcher Zulieferer welche Produktlinie betrifft), spielt die Plattform ihre Stärken aus. Für einfache Key-Value-Präferenzen nach User-ID sind schlankere APIs wirtschaftlicher.

Das Fazit: Cognee ist die richtige Engine, um Wissen strukturiert aufzubauen, statt nur Chatverläufe mitzuschreiben. Empfehlenswert, wenn Graphstrukturen und BYOC zwingend gefordert sind. Ungeeignet, wenn Open Source lediglich als Vorwand dient, Lizenzkosten zu vermeiden, ohne dass jemand den Betrieb verantwortet.

7. Claude Managed Agents Memory Stores: Auditierbares, dateibasiertes Memory

Claude Managed Agents Memory Stores sind die beste Wahl, wenn ein Agent bereits in Anthropics verwalteter Laufzeitumgebung arbeitet und der Zustand in Form kompakter, versionierter Textdateien vorliegen soll. Ein Finanz-Agent kann Richtlinien als Nur-Lese-Speicher einbinden, Projektnotizen in einem Schreib-Lese-Speicher aktualisieren und eine lückenlose Historie führen. Das Dateisystem-Modell erlaubt dem Agenten die Nutzung gewohnter Werkzeuge und ermöglicht einfache externe Audits. Der Nachteil liegt im Public-Beta-Status, festen Dateilimits und dem Fehlen separater Speicherpreise.

Managed-Agents-Sitzungen sind standardmäßig flüchtig. Ein Memory Store ist eine auf Workspace-Ebene verwaltete Sammlung von Textdokumenten, die sitzungsübergreifend erhalten bleibt. Bei Einbindung erscheint er unter /mnt/memory/<store-name>/. Der Agent nutzt Standardbefehle zum Lesen, Schreiben, Suchen und Editieren statt proprietärer APIs.

Dieses Modell ähnelt persistenten Arbeitsdateien. Der Host kann Standards hinterlegen; Sitzungen binden den Speicher lesend oder schreibend ein. Jede Änderung erzeugt eine unveränderliche Version mit Operationsprotokoll, was Audits, Rollbacks und Schwärzungen ermöglicht. Optimistisches Locking verhindert, dass parallele Schreibzugriffe Daten überschreiben.

Die Limits beeinflussen das Design: Dokumente dürfen maximal 100KB groß sein. Eine Sitzung kann höchstens 8 Stores einbinden, und zwar ausschließlich bei Sitzungserstellung. Die Archivierung ist endgültig: Archivierte Stores werden schreibgeschützt, können keinen neuen Sitzungen zugewiesen und nicht reaktiviert werden (bestehende Sitzungen behalten den Zugriff). Dies erfordert eine Aufteilung in kleine, zweckgebundene Dokumente.

Sicherheitshinweise müssen strikt beachtet werden: API-Schlüssel, Passwörter oder Tokens gehören nicht in Memory Stores, da Inhalte ungefiltert in Folgesitzungen geladen werden können. Anthropic empfiehlt Umgebungsvariablen für Zugangsdaten. Gelangt ein Geheimnis in den Speicher, reicht das Löschen der aktuellen Datei nicht aus; betroffene unveränderliche Versionen müssen explizit geschwärzt werden.

Ideal für: Anthropic Managed Agents, die auditierbare Projekt-, Richtlinien- oder Benutzerdokumente über Sitzungen hinweg benötigen.
Herausragendes Merkmal: Dateisystem-Einbindung mit unveränderlichen Versionen, Rollback-Möglichkeit, Schwärzung und getrennten Lese-/Schreibberechtigungen.
Preise: Anthropic weist in der Beta-Dokumentation keine separaten Speicherpreise aus. Es fallen reguläre Modell- und Laufzeitkosten an. Claude Sonnet 5 kostet $2/MTok Input und $10/MTok Output; Claude Opus 4.8 liegt bei $5/MTok Input und $25/MTok Output. Preise verifiziert am 28. August 2026 über die Sonnet-5-Ankündigung.
Kostenlose Testphase: Memory Stores befinden sich in der Public Beta unter dem Header managed-agents-2026-04-01; separate Free-Tiers gibt es nicht.

Kosteneinsparungen entstehen durch selektiven Dateizugriff: Ein Briefing mit 100,000 Tokens erzeugt bei 100 Wiederholungen 10 Millionen Input-Tokens ($20 mit Sonnet 5 vor Cache-Effekten). Ein Store erlaubt das gezielte Laden einzelner Notizen. Fehlkonfigurierte Agenten-Prompts können jedoch dazu führen, dass stets alle Dateien geöffnet werden, was Einsparungen zunichtemacht.

Agenten-Konfiguration und Memory Store sollten getrennt bleiben: Laut Anthropics Übersicht wird die Agenten-Konfiguration einmalig definiert und sitzungsübergreifend genutzt. Der Memory Store hält variable Arbeitsstände. Änderungen an Prompts erzeugen neue Agenten-Versionen; korrigierte Kundendaten aktualisieren das Memory.

Das Fazit: Claude Memory Stores sind exzellente Werkzeuge für versionierte Arbeitsdateien, aber kein kognitives Gedächtnissystem. Ideal, wenn Dateistrukturen und Nachvollziehbarkeit im Fokus stehen. Bei wachsenden Datenbeständen sind vorgeschaltete Retrieval-Schichten erforderlich.

8. Letta: Portables Memory für Coding-Agenten

Letta ist die beste Wahl, wenn Identität und Speicher eines Programmier-Agenten unabhängig vom genutzten Basismodell erhalten bleiben sollen. Ein Entwickler-Agent kann aus Codebasis-Kontexten oder früheren Claude-Code- und Codex-Sitzungen initialisiert werden, sein Gedächtnis während der Arbeit verfeinern und Modelle wechseln, ohne sein Vorwissen zu verlieren. Die Architektur ist offen und dateibasiert. Das Risiko liegt im aktuellen Technologiewechsel: Letta ersetzt ältere serverseitige Mechanismen, wodurch Dokumentationen und Anleitungen schnell veralten.

Die Letta Code Anwendung kann leer starten oder per /init initialisiert werden, wobei Daten aus der Codebasis sowie früheren Sitzungen einfließen. Subagenten analysieren Sitzungen in Intervallen, bereinigen Kontexte und strukturieren das Gedächtnis neu; /doctor reorganisiert aufgelaufene Einträge. Diese Wartungsschritte sind entscheidend, da ungepflegte Speicher langfristig zu überladenen, unzuverlässigen Kontexten führen.

Das Kernversprechen ist Unabhängigkeit: Letta entkoppelt Speicher und Identität vom Modellhersteller, sodass Modelle selbst innerhalb einer Sitzung gewechselt werden können, während Kontext und Arbeitsstil erhalten bleiben. Die App nutzt eigene API-Keys oder bestehende Modell-Abos und läuft lokal auf macOS, Windows und Linux.

Wichtiger als alte Konzepte ist die neue Architektur: Laut Lettas Ankündigung wandert der Speicher von Datenbank-Tools in Git-basierte Kontext-Repositories namens MemFS. Standard-Dateisystembefehle ersetzen ältere Servertools; clientseitige Skills und Subagenten lösen starre Serverroutinen ab. Dies erhöht Transparenz und Portabilität, erfordert aber Anpassungsaufwand.

Letta entfernt veraltete Server-Memory-Tools schrittweise; frühere Templates und Dateisysteme sollten planmäßig bis Mitte April 2026 auslaufen. Evaluierungen müssen auf der aktuellen Code- und MemFS-Architektur aufsetzen; Beispiele mit core_memory_replace sind veraltet.

Ideal für: Coding-Agenten und Entwickler-Assistenten, die modellunabhängigen Speicher, Identitäten und Historien benötigen.
Herausragendes Merkmal: Git-basierte Kontext-Repositories kombiniert mit Subagenten, /init und /doctor in einer anbieterneutralen Umgebung.
Preise: Letta Code ist für den Einstieg kostenlos (BYO-API-Keys oder eigene Modell-Abos); Modellnutzung und Self-Hosting verursachen separate Kosten. Die offizielle Preisseite lieferte am 28. August 2026 einen 404-Fehler, weshalb keine Preise für verwaltete Cloud-Tarife genannt werden können. Lettas Dokumentation führt Letta Cloud und den selbst betriebenen App Server auf.
Kostenlose Testphase: Kostenlose Desktop-App und Open-Source-Laufzeitumgebung verfügbar; keine Angaben zu Cloud-Testphasen.

Der wirtschaftliche Vorteil greift bei wechselnden Modellstrategien: Wer Modelle quartalsweise anpasst, spart mit einem persistenten Agenten wiederholte Konfigurationsarbeiten. Hat sich ein Unternehmen auf eine Plattform festgelegt, bieten Mem0 oder Claudes Workspace-Tools oft geradlinigere Integrationspfade.

Kontext-Repositories sollten wie Quellcode behandelt werden: Diffs prüfen, Zugangsdaten ausschließen, Korrekturberechtigte benennen und Schreibrechte des Agenten einschränken. Eine Git-Historie liefert Transparenz, ersetzt aber keine verbindlichen Aufbewahrungs- und Löschrichtlinien.

Das Fazit: Letta ist die überzeugendste Lösung für Coding-Agenten, die Modellwechsel überdauern müssen – die laufende Architekturumstellung erfordert jedoch strikte Versionsdisziplin. Setzen Sie auf die dateibasierte MemFS-Architektur und meiden Sie veraltete Server-Tools.

9. LangMem: Library-First-Memory für LangGraph-Entwickler

LangMem ist die beste Library-First-Option für Teams, die mit LangGraph arbeiten und eigene Memory-Richtlinien implementieren wollen, statt fertige Cloud-Dienste zu kaufen. Ein Agent kann während eines Dialogs Erinnerungen abrufen und speichern, während ein Hintergrundprozess Daten nach dem Turn extrahiert und konsolidiert. Die Bibliothek unterstützt beliebige Speicher-Backends und integriert sich in LangGraphs Store-Layer. Wichtig: Der im Quickstart genutzte In-Process-Speicher verliert beim Neustart alle Daten – für den Produktivbetrieb ist eine echte Datenbank zwingend erforderlich.

Das LangMem-Repository stellt modulare Bausteine bereit: Hot-Path-Tools erlauben es dem Agenten, während der Konversation gezielt Erinnerungen zu sichern oder zu durchsuchen. Ein Hintergrundmanager verarbeitet Fakten asynchron, dedupliziert Einträge und optimiert Prompts. Die Bibliothek nutzt den nativen LangGraph-Store oder externe Speichersysteme.

Diese Flexibilität ist der Hauptgrund für den Einsatz: Entwickler können semantisches Gedächtnis für Nutzerfakten, episodisches Gedächtnis für Aktionen und prozedurales Gedächtnis für Richtlinienanpassungen frei definieren, ohne an starre Schemas gebunden zu sein. Die rechenintensive Extraktion lässt sich aus dem zeitkritischen Dialogpfad auslagern. Im Gegenzug verantwortet das Team Datenbankschemata, Modellaufrufe, Retrieval-Strategien, Konsolidierungsintervalle und Löschprozesse vollständig selbst.

Ein kritischer Punkt aus den offiziellen Beispielen: InMemoryStore speichert Daten ausschließlich im flüchtigen Arbeitsspeicher. Für Persistenz empfiehlt die Dokumentation AsyncPostgresStore oder vergleichbare Datenbanklösungen. Ein lokaler Prototyp belegt noch keine sitzungsübergreifende Stabilität – testen Sie Neustarts systematisch.

Ideal für: LangGraph-Entwickler, die maßgeschneiderte Memory-Logik benötigen und den Datenbankbetrieb selbst beherrschen.
Herausragendes Merkmal: Getrennte Hot-Path- und Hintergrund-Operationen, die mit beliebigen LangGraph-kompatiblen Speichern funktionieren.
Preise: LangMem ist MIT-lizenziert und kostenlos. Das optionale LangSmith Developer kostet $0/Platz/Monat (1 Platz, 5,000 Traces/Monat, danach verbrauchsabhängig). Plus kostet $39/Platz/Monat (10,000 Traces/Monat, 1 Serverless Deployment, danach nutzungsbasiert). Enterprise bietet individuelle Konditionen mit Hybrid- und Self-Hosting-Optionen. LangSmith-Nutzung wird mit $1.50 pro LCU und $1.00 pro LSU abgerechnet. Preise verifiziert am 28. August 2026 auf der LangChain-Preisseite.
Kostenlose Testphase: Die Bibliothek ist Open Source; LangSmith bietet einen dauerhaften $0-Developer-Plan.

LangMem ist nur dann kostengünstig, wenn die nötige Infrastruktur bereits vorhanden ist. Das Softwarepaket ist gratis, aber Betrieb, Postgres-Instanzen, Hintergrund-Worker, Modellaufrufe und Tracing verursachen laufende Kosten. Vergleichen Sie diese Aufwände mit den Kosten von Mem0 Starter oder Pro.

Die Bibliothek lässt sich gut mit Systemen für Echtzeitrecherchen kombinieren: LangMem sichert historische Entscheidungen, während aktuelle Marktdaten, Gesetze und Ereignisse über spezialisierte Schnittstellen bezogen werden – wie in diesem Leitfaden zu KI-Such-APIs für autonome Agenten beschrieben. Memory liefert die Entscheidungsgrundlage der Vergangenheit; Suchen prüfen die Aktualität.

Das Fazit: LangMem liefert präzise Programmierbausteine, nimmt Ihnen aber den operativen Betrieb nicht ab. Ideal bei spezifischen Architekturanforderungen innerhalb von LangGraph. Unpassend, wenn schlüsselfertige Managed Services gesucht werden.

Wer sollte was wählen?

Die Auswahl sollte sich am Anwendungskontext orientieren, nicht an abstrakten Punktwerten.

Perplexity Brain: Für schlüsselfertige Arbeitsplätze in der Wissensarbeit

Wählen Sie Brain, wenn Teams bereits in Perplexity Computer arbeiten und wiederkehrende Projekte betreuen. Es spart Recherche- und Strukturierungsaufwand ohne eigenen Code. Wechseln Sie zu Alternativen, wenn das Gedächtnis eigene Softwareprodukte antreiben oder als neutrale API dienen soll.

Mem0: Der universelle Standard für Anwendungsentwickler

Wählen Sie Mem0, wenn ein SaaS-Produkt Memory pro Nutzer und Agent benötigt und ein flexibler Pfad von der Cloud zum Self-Hosting gewünscht ist. Es bleibt die Standardempfehlung, solange nicht temporale Graphen, tiefe Dateisystem-Audits oder breite Konnektoren dominieren. Prüfen Sie den Preissprung von $19 auf $249 sorgfältig.

Hindsight: Wenn Fakten sich wandeln und logische Schlüsse erfordern

Wählen Sie Hindsight bei umfangreichen Datenhistorien, in denen Fachbegriffe, Beziehungen, Zeitverläufe und Schlussfolgerungen zusammenspielen müssen. Es ist die richtige Wahl, wenn einfache Ähnlichkeitssuchen an veränderten Fakten scheitern. Für statische Präferenzen reichen einfachere Speicher aus.

Zep: Für verwaltete temporale Wissensgraphen im Enterprise-Umfeld

Wählen Sie Graphiti für den Eigenbetrieb von temporalen Graphen und Zep, wenn Rollenmodelle, Audits, Mandantenisolation und SLAs gefordert sind. Zep rechnet sich ab 150,000 monatlichen Credits gegenüber wiederholten Flex-Nachkäufen. Für unverbundene Textnotizen ist der Graphenansatz unnötig komplex.

Supermemory: Für multimodale Daten und Konnektoren

Wählen Sie Supermemory, wenn Konversationen, Dokumente, Mediendateien und SaaS-Quellen in einer Kontextschicht zusammenlaufen sollen. Die Token-Deduplizierung schont Budgets bei synchronisierten Datenbeständen. Weichen Sie auf schlankere APIs aus, wenn reine Textdaten dominieren.

Cognee: Wenn die Wissens-Ontologie im Mittelpunkt steht

Wählen Sie Cognee, wenn komplexe Beziehungsnetze, Herkunftsnachweise, BYOC und vielfältige Abfragemodi gefordert sind. Es setzt ein Team voraus, das Graph- und Vektordatenbanken sicher betreiben kann. Fehlen diese Ressourcen, sind verwaltete APIs vorzuziehen.

Claude Memory Stores: Für auditierbare Arbeitsdateien

Wählen Sie Claude Managed Agents Memory Stores, wenn der Speicher aus lesbaren, versionierten Textdateien mit Rollback- und Schwärzungsmöglichkeiten bestehen soll. Bei stark anwachsenden, relationalen Datenbeständen stoßen reine Dateistrukturen an ihre Grenzen.

Letta: Für entwicklungsbezogene Agenten mit Modellunabhängigkeit

Wählen Sie Letta, wenn Code-Verständnis, Projektstrukturen und Agentenidentitäten Modellwechsel überstehen müssen. Beachten Sie bei der Planung die laufende Architekturumstellung auf MemFS.

LangMem: Für maßgeschneiderte Logik in LangGraph

Wählen Sie LangMem, wenn Sie Schemas, Extraktionsregeln und Datenbanken innerhalb von LangGraph eigenständig steuern wollen. Greifen Sie zu Managed Services, wenn dieser Eigenbau keinen strategischen Mehrwert für Ihr Produkt liefert.

Die Grundregel lautet: Managed Services lohnen sich, wenn die Monatsgebühr geringer ist als die Entwicklungs- und Betriebsrisiken; Open Source oder Self-Hosting gewinnen, wenn Datenhoheit und spezielle Speicherlogiken unverhandelbar sind. Berücksichtigen Sie manuelle Korrekturaufwände: Ein System mit günstigen Abfragen, das wöchentliche Datenbereinigungen nach sich zieht, wird schnell zur teuersten Option.

Was Sie vermeiden sollten

Vermeiden Sie es, ein Produkt allein wegen des Begriffs „Memory“ zu kaufen, ohne die Persistenzmechanismen zu prüfen. Ein verlässliches System muss Neustarts überstehen, selektiv abfragen, Korrekturen erlauben und Mandantengrenzen wahren. Achten Sie auf diese typischen Fehlentscheidungen:

LangGraph InMemoryStore im Produktivbetrieb

InMemoryStore eignet sich für Tests und lokale Demos. Laut Dokumentation gehen alle Inhalte bei einem Prozessneustart verloren. Nutzen Sie in der Produktion Datenbank-Stores wie AsyncPostgresStore und testen Sie Systemneustarts explizit im Abnahmeprozess.

Vektordatenbanken als vollständiges Memory-System betrachten

Pinecone, Qdrant und ähnliche Systeme sind exzellente Werkzeuge für Ähnlichkeitssuchen. Sie allein lösen jedoch nicht die Anforderungen an ein kognitives Gedächtnis: Extraktion, temporale Logik, Widerspruchsbehandlung, Mandantentrennung, Herkunftsnachweise und gezielte Löschroutinen müssen darüber hinaus implementiert werden.

Perplexity Brain für portable Multi-Tenant-Anwendungen nutzen

Brain ist innerhalb von Computer stark, eignet sich jedoch nicht als Backend für eigene SaaS-Produkte, die dedizierte API-Keys, Mandantentrennung und flexibles Modell-Routing verlangen. Nutzen Sie No-Build-Workspaces nicht für Plattform-Entwicklungsaufgaben.

Graphiti ohne Betriebskapazitäten einführen

Graphiti stellt einen leistungsfähigen temporalen Graphenkern bereit, nimmt Ihnen jedoch weder Datenbank-Hosting, Monitoring noch Skalierung oder Security ab. Ein Self-Hosting lediglich zur Vermeidung der $125 für Zep Flex führt ohne personelle Zuständigkeiten zu Betriebsrisiken.

Veraltete Letta-Server-Tutorials verwenden

Meiden Sie Tutorials, die auf veralteten Serverfunktionen wie core_memory_replace oder früheren Dateisystemen aufsetzen. Letta hat deren Ablösung angekündigt. Nutzen Sie ausschließlich aktuelle MemFS- und Letta-Code-Dokumentationen.

Memory-Systeme ohne definierte Korrektur- und Löschverantwortung betreiben

Selbst ausgereifte Systeme bergen Risiken, wenn niemand für fehlerhafte Speicherstände zuständig ist. Automatische Verdichtungen können Falschinformationen verfestigen. Klären Sie vor dem Rollout, wer Quellen prüft, Fakten korrigiert, Geheimnisse schwärzt und Datenbestände mandantensicher löscht.

Der Fahrplan für den Start

Migrieren Sie zu Beginn nicht Ihre gesamte Wissensbasis. Wählen Sie einen einzelnen, wiederkehrenden Workflow, bei dem Kontext entscheidend ist – etwa das Erstellen wöchentlicher Account-Briefings oder das Weiterführen komplexer Programmieraufgaben.

1. Den Datenvertrag definieren: Legen Sie die Faktenklasse fest, die gespeichert werden darf (inklusive Mandantenschlüssel, Quelle, Ablaufdatum und Sperrlisten für sensible Daten).
2. Einen Shadow-Pfad aufsetzen: Lassen Sie den bestehenden Agenten weiterarbeiten, während das neue Memory-System parallel Daten erfasst und abruft, ohne Produktiventscheidungen direkt zu beeinflussen.
3. 20 historische Testfragen formulieren: Decken Sie veränderte Fakten, exakte Bezeichner, frühere Entscheidungen, Löschanfragen und bewusst fehlerhafte Einträge ab. Standard-Benchmarks ersetzen diesen organisationsspezifischen Test nicht.
4. Vier Kernmetriken messen: Erfassen Sie Antwortqualität, Token- oder Credit-Verbrauch, Arbeitszeit für manuelle Zusammenfassungen und die Korrekturquote. Achten Sie auf Latenzen, priorisieren Sie aber inhaltliche Korrektheit.
5. Den Lebenszyklus testen: Starten Sie den Prozess neu, öffnen Sie neue Sitzungen, ändern Sie Quellfakten, entziehen Sie Mandantenrechte und prüfen Sie, ob gelöschte Daten zuverlässig verschwinden.
6. Reale Betriebskosten kalkulieren: Berechnen Sie die Monatskosten für Lese-, Schreib- und Speicherzugriffe unter realen Bedingungen. Rechnen Sie bei Open-Source-Lösungen die Arbeitszeit für den Eigenbetrieb hinzu.
7. Kriterien für Upgrades festlegen: Definieren Sie quantitative Schwellenwerte für Nutzung, Datenvolumen oder Governance-Anforderungen, ab denen ein Tarifwechsel oder Systemumstieg erfolgen muss.

Bei Mem0 kann dies der Wechsel von Starter auf Pro ($249) sein, sobald Graph Memory oder Abfragelimits dies rechtfertigen. Bei Zep markieren 150,000 Credits den Punkt, ab dem Flex Plus wirtschaftlicher wird. Bei Perplexity entscheidet das Arbeitsvolumen in Computer über die Rentabilität von Max-Lizenzen. Bei LangMem muss das Team bereit sein, Datenbank und Logik eigenständig zu betreuen.

Überführen Sie am Ende nur den Workflow in die Produktion, der die Kriterien erfüllt. Ein erfolgreicher Memory-Rollout zeichnet sich nicht durch die größte Datenmenge aus, sondern durch reproduzierbare Aufgaben, die dank historischem Kontext fehlerfreier und mit weniger Prompt-Overhead ausgeführt werden – und sich bei Bedarf restlos bereinigen lassen.

Häufig gestellte Fragen

Welche Memory-Systeme für KI-Agenten sind auf GitHub verfügbar?

Mem0, Hindsight, Graphiti, Cognee, Letta Code und LangMem bieten Open-Source-Varianten. Open Source bedeutet jedoch nicht immer Funktionsgleichheit: Mem0 hält wesentliche Ranking- und Betriebsfunktionen auf seiner Plattform zurück, Graphiti erfordert eigene Governance-Strukturen und LangMem setzt eine separat betriebene Datenbank voraus.

Was ist ein Agent-Memory-Framework?

Ein Agent-Memory-Framework steuert, welche Informationen ein KI-Agent speichert, wie diese Daten strukturiert und korrigiert werden und welcher Ausschnitt in künftige Sitzungen geladen wird. Es umfasst Persistenz, Extraktion, Retrieval und Lebenszyklus-Richtlinien und geht weit über das bloße Mitschreiben von Chat-Transkripten hinaus.

Reicht eine Vektordatenbank als Gedächtnis für KI-Agenten aus?

Nein, nicht als Gesamtsystem. Eine Vektordatenbank speichert Embeddings und liefert ähnliche Textstellen zurück. Für ein verlässliches Gedächtnis fehlen ihr jedoch Mandantentrennung, temporale Gültigkeit, Mechanismen zur Widerspruchsbereinigung, Herkunftsnachweise sowie differenzierte Aufbewahrungs- und Löschfunktionen.

Ersetzt ein größeres Kontextfenster persistentes Gedächtnis?

Nein. Ein großes Kontextfenster nimmt mehr Daten innerhalb einer einzelnen Inferenz auf, entscheidet aber nicht darüber, was über Sitzungsgrenzen hinweg relevant bleibt, welche Daten veraltet sind, wem Fakten zuzuordnen sind oder wie diese gelöscht werden. Zudem vermeidet selektives Retrieval das kostspielige Neuladen der gesamten Historie bei jedem Aufruf.

Wann sollte man Mem0 statt Hindsight oder Zep wählen?

Wählen Sie Mem0 als verlässliche Standard-API für eigene Anwendungen. Greifen Sie zu Hindsight, wenn zeitliche Abläufe, parallele Suchstrategien und logische Schlussfolgerungen (Reflection) im Vordergrund stehen. Zep empfiehlt sich, wenn ein temporaler Wissensgraph mit RBAC, ABAC, Audits und strikter Mandantenisolation gefordert ist.

Was ist das kostengünstigste persistente Memory-System für KI-Agenten?

Viele Werkzeuge bieten kostenlose Einstiege; die tatsächlichen Kosten hängen jedoch von der Abrechnungsmetrik und dem Betriebsmodell ab. Cognee Standard verarbeitet 10 Millionen Tokens für $25 (vor Workspaces), Supermemory berechnet $50 für 10 Millionen eindeutige SM-Tokens im Graphen und Hindsight verlangt $100 für das Behalten (Retain) von 10 Millionen Input-Tokens. Bei Self-Hosting müssen Entwicklungs-, Datenbank- und Infrastrukturkosten gegengerechnet werden.

Wie sollte ein KI-Agent Daten vergessen oder löschen?

Über explizite, anwendungsgesteuerte Schnittstellen für Korrektur, Verfall, Löschung und Schwärzung, die dieselben Mandantenschlüssel wie beim Schreibvorgang nutzen. Anschließend muss überprüft werden, ob gelöschte Daten tatsächlich aus Versionen, Zusammenfassungen, Graphenkanten und Caches entfernt wurden.

Möchten Sie Persistenz-, Lösch- und Kostenfragen strukturiert prüfen? Laden Sie die Checkliste für KI-Business-Workflow-Audits herunter und bewerten Sie Ihren ersten Memory-Workflow systematisch.