KI-Agenten mit dynamischem Gedächtnis: MRAgent spart 96% Token ein

Künstliche Intelligenz stößt an ihre Grenzen, wenn es um langfristige Aufgaben geht. Der Grund: Klassische Methoden zur Gedächtnisverwaltung füllen schnell den Kontextspeicher von Sprachmodellen – und liefern oft nur irrelevante Daten statt präziser Antworten.

Ein Forscherteam der National University of Singapore hat mit MRAgent eine Lösung entwickelt, die diesen Engpass überwindet. Das Framework verzichtet auf das statische Schema „Abfrage dann Analyse“ und setzt stattdessen auf ein dynamisches Gedächtnismodell, das sich während des Denkprozesses kontinuierlich anpasst. Dadurch sinken nicht nur der Token-Verbrauch, sondern auch die Rechenkosten im Vergleich zu anderen agentischen Speichersystemen deutlich.

Warum passive Abfragen bei komplexen Aufgaben versagen

Bisherige Systeme verlassen sich auf Vektorähnlichkeitsvergleiche oder Graphdurchquerungen, um Dokumente an ein Sprachmodell zu übergeben. Doch dieser Prozess ist passiv – und damit ineffizient für langfristige Interaktionen. Drei zentrale Probleme entstehen regelmäßig:

• Keine Anpassung während der Analyse: Erkennt ein Agent, dass eine entscheidende Information fehlt – etwa ein Datum oder ein Name –, kann er keine neue gezielte Abfrage starten. Die einmalige Suche bleibt statisch.

• Überflutung mit irrelevanten Daten: Feste Ähnlichkeitsmaße und vordefinierte Graphverknüpfungen liefern oberflächliche Treffer. Diese füllen den Kontextspeicher mit unnötigem Ballast und verschlechtern die Antwortqualität.

• Starre Strukturen: Top-k-Ergebnisse und unveränderliche Relevanzfunktionen limitieren die Flexibilität. Sie sind nicht auf unvorhersehbare Nutzeranfragen ausgelegt und skalieren schlecht.

Die Forscher argumentieren, dass ein Paradigmenwechsel nötig ist: weg von der passiven Datenbankabfrage hin zu einem aktiven, assoziativen Rekonstruktionsprozess. Inspiriert von kognitionswissenschaftlichen Modellen der Gedächtnisbildung, soll das System Hinweise nicht als starre Blöcke, sondern als schrittweise verknüpfte Fragmente verarbeiten.

So funktioniert MRAgent: Gedächtnis als interaktives Netzwerk

MRAgent (Memory Reasoning Architecture for LLM Agents) behandelt Gedächtnis nicht als statische Sammlung, sondern als dynamisches Netzwerk. Bei einer komplexen Frage nutzt das System die Fähigkeiten des zugrundeliegenden Sprachmodells, um mehrere mögliche Pfade durch einen strukturierten Gedächtnisgraphen zu erkunden.

In jeder Iteration bewertet das Modell die bisher gesammelten Informationen und passt seine Suchstrategie an:

• Es leitet neue Suchkriterien aus den Zwischenergebnissen ab.
• Es priorisiert Pfade mit hohem Informationsgehalt.
• Es verwirft irrelevante Verzweigungen frühzeitig – noch bevor kostbare Tokens und Rechenleistung für detaillierte Inhalte aufgewendet werden.

Um diesen Prozess effizient zu gestalten, organisiert MRAgent seine Datenbank nach dem Cue-Tag-Content-Prinzip. Dieses dreistufige System besteht aus:

• Cues: Feingranulare Schlüsselbegriffe, die aus Nutzerinteraktionen extrahiert werden. Dazu zählen etwa Entitäten (Personen, Orte) oder kontextuelle Attribute wie „Turniersieg“ oder „Ausgabe für Möbel“.

• Content: Die eigentlichen Gedächtniseinheiten. Diese sind in verschiedenen Granularitätsstufen abgelegt – von episodischen Erinnerungen (konkrete Ereignisse) bis hin zu semantischem Wissen (stabile Fakten und Präferenzen).

• Tags: Semantische Brücken, die die Beziehungen zwischen Cues und Content explizit machen. Sie fungieren als Wegweiser und ermöglichen eine zielgerichtete Navigation.

Diese Struktur ermöglicht ein zweistufiges Abrufverfahren:

1. Das Sprachmodell folgt den Cues zu relevanten Tags. Da diese die semantischen Verknüpfungen aufzeigen, kann das System die Relevanz von Pfaden bewerten, ohne sofort auf die ressourcenintensiven Content-Einheiten zugreifen zu müssen.
2. Erst nach dieser Vorselektion werden die detaillierten Inhalte abgerufen – und nur dann, wenn sie tatsächlich benötigt werden.

Ein praktisches Beispiel: Wie MRAgent eine Nutzerfrage löst

Stellen wir uns vor, ein Nutzer fragt einen KI-Agenten: „Wie hat Nate das Preisgeld verwendet, nachdem er seinen dritten E-Sport-Turniersieg errungen hatte?“ MRAgent geht wie folgt vor:

• Schritt 1: Extraktion der Cues

Das System identifiziert aus der Frage die Schlüsselbegriffe „Nate“, „E-Sport-Turnier“ und „Turniersieg“.

• Schritt 2: Navigation über Tags

Der Agent durchsucht den Gedächtnisgraphen nach verknüpften Tags wie „Turniersieg“ oder „Titelgewinn“. Da die Frage explizit nach der Verwendung des Preisgelds fragt, werden irrelevante Tags wie „Turnierteilnahme“ ignoriert.

• Schritt 3: Abruf episodischer Inhalte

MRAgent holt nun die episodischen Erinnerungen ab, die mit dem ausgewählten Tag verknüpft sind. Dabei findet es drei Einträge: Nate gewann Turniere in den Jahren 2022, 2023 und 2024.

• Schritt 4: Selektion und Aktualisierung

Der Agent analysiert die drei Erinnerungen und erkennt, dass die Episode von 2024 am relevantesten ist (Nate nutzte das Preisgeld für einen Urlaub). Die anderen beiden Einträge werden verworfen.

• Schritt 5: Iterative Vertiefung

Aus der gewählten Erinnerung extrahiert MRAgent neue Cues wie „Turniergewinngeld“ und „Urlaubsausgaben“. Mit diesen sucht es nach weiteren Tags, etwa „Finanzplan“ oder „Sparverhalten“, um die Antwort zu verfeinern.

Am Ende liefert das System die präzise Antwort: „Nate verwendete das Preisgeld für einen zweiwöchigen Urlaub in Bali.“

MRAgent im Benchmark: Effizienz ohne Qualitätsverlust

MRAgent steht in Konkurrenz zu anderen agentischen Gedächtnisframeworks wie A-MEM (einem graphbasierten Ansatz) oder MemoryOS (einem hierarchischen System). Auch LangMem und Mem0 gehören zu den etablierten Lösungen. Doch MRAgent sticht durch zwei entscheidende Vorteile hervor:

• Deutliche Token-Einsparung: Bei komplexen Abfragen verbraucht das System im Schnitt nur etwa 4% der Tokens, die klassische Retrieval-Pipelines benötigen. Bei extrem langen Anfragen (z. B. 118.000 Tokens pro Abfrage) reduziert MRAgent den Verbrauch auf rund 3.260 Tokens.

• Schnellere Antwortzeiten: Durch die frühe Filterung irrelevanter Pfade sinkt die Latenz, da weniger Daten in den Kontextspeicher des Sprachmodells geladen werden müssen.

Laut den Forschern skaliert MRAgent besonders gut in Szenarien mit unvorhersehbaren Nutzeranfragen – etwa in Kundenservice-Chatbots oder persönlichen Assistenten, die über Wochen oder Monate hinweg konsistente Erinnerungen aufbauen müssen.

Ausblick: Dynamische Gedächtnisse als Standard für KI-Agenten?

Die Entwicklung von MRAgent unterstreicht einen wachsenden Trend: Statische Gedächtnissysteme gehören der Vergangenheit an. Stattdessen setzen immer mehr Frameworks auf aktive, kontextsensitive Ansätze, die sich an die Anforderungen des Nutzers anpassen.

Für Unternehmen, die KI-Agenten mit langfristiger Gedächtnisfähigkeit einsetzen möchten, könnte MRAgent zum Game-Changer werden. Die Technologie ermöglicht nicht nur Kosteneinsparungen, sondern auch präzisere Antworten – selbst bei mehrdeutigen oder mehrstufigen Anfragen. Die Zukunft der agentischen KI liegt möglicherweise in der Fähigkeit, Gedächtnis nicht nur zu speichern, sondern es dynamisch zu rekonstruieren.