Wie Memora Claude-Code-Assistenten Langzeitgedächtnis und einen Wissensgraphen verleiht

Jeder, der versucht hat, langwierige Aufgaben an Agents wie Claude Code oder Codex CLI zu delegieren, kennt dieses Gefühl. Gestern hat man einen halben Tag damit verbracht, einen nicht offensichtlichen Autorisierungsfehler zu finden, architektonische Einschränkungen diskutiert und einen Refactoring-Plan skizziert. Heute öffnet man eine neue Sitzung, und das Modell schlägt genau die Lösung vor, die man gestern verworfen hat.

Normale Text-Gedächtnisdateien wie MEMORY.md werden innerhalb weniger Wochen unhandlich. Der Kontext wird mit Duplikaten, widersprüchlichen Fakten und veralteten Plänen verstopft. Das Projekt Memora löst dies durch das Model Context Protocol (MCP) und transformiert verstreute Agent-Notizen in einen strukturierten Wissensgraphen.

Was steckt unter der Haube und warum ist das wichtig

Memora fungiert als Python MCP-Server und speichert Daten in einer lokalen SQLite-Datenbank oder Cloud-Speicher (Cloudflare D1, S3, R2). Der entscheidende Punkt liegt nicht nur im Speichern von Strings, sondern darin, wie das System neue Fakten verarbeitet.

Wenn ein Agent eine Aufgabe abschließt und Kontext speichern möchte, ruft er den Datenaufnahmebefehl (absorb) auf. Ein eingebautes Sprachmodell gleicht die neuen Fakten mit bestehenden Datensätzen ab und klassifiziert sie: Duplikat, Aktualisierung, Widerspruch, Verbindung oder grundlegend neues Wissen.

Falls Informationen einen alten Eintrag aktualisieren, erstellt Memora eine Versionskette. Der alte Datensatz wird nicht spurlos gelöscht – er wird als veraltet markiert, wobei die Änderungshistorie erhalten bleibt. Bei normalen Suchen sieht der Agent nur den aktuellen Schnappschuss, kann aber bei Bedarf die vollständige Rückschau abrufen.

Was dieses Projekt in der Praxis auszeichnet

Das Repository vereint mehrere technische Lösungen, die dem Standard-RAG-Gedächtnis für Agents stark fehlen.

1. Intelligente Deduplizierung und thematische Zusammenfassungen

Statt dem Modell Dutzende ähnlicher Textabschnitte zu füttern, konsolidiert das Tool Fakten nach Thema. Die Methode memory_digest(topic) sammelt alle relevanten Erinnerungen, offenen TODOs, entdeckte Bugs und ihre Verbindungen in einem einzigen Aufruf.

Duplikate werden automatisch verfolgt:

# Поиск похожих записей через векторную близость и LLM-анализ
memory_find_duplicates(min_similarity=0.7, max_similarity=0.95, limit=10, use_llm=True)

# Объединение записей с нужной стратегией
memory_merge(source_id=123, target_id=456, merge_strategy="append")

Beim Vergleich liefert das LLM ein klares Urteil: Duplikat, ähnlicher Gedanke oder verschiedene Dinge – und ergänzt die Bewertung mit Begründung und Empfehlung.

2. Strukturierte Dokumente und atomare Fragmente

Oft muss sich ein Agent nicht nur eine kurze Phrase merken, sondern einen ganzen Forschungsbericht oder eine architektonische Entscheidung (ADR). Wenn man Markdown als einzelnen Block speichert, wird eine granulare semantische Suche darüber schlecht funktionieren.

Memora parst Markdown in einen Fragmentbaum:

• Tabellen werden zu separaten Aussagen;
• nummerierte Listen werden zu Planpunkten;
• Referenzlisten werden zu Referenzen;
• Risikoabschnitte werden als Risiken geparst.

Jedes Fragment ist unabhängig für Vektorsuche verfügbar, und das Originaldokument kann jederzeit vollständig abgerufen werden. Fragmente sind durch Systemprüfungen vor versehentlichem Löschen oder Zusammenführen geschützt.

3. Interaktiver Graph und Web-Panel

Neben dem MCP-Server wird eine lokale Weboberfläche auf Port 8765 gestartet. Man kann den Wissensgraphen anzeigen, Verbindungen nach Tags filtern, Aktionszeitlinien verfolgen und über einen integrierten RAG-Chat mit der Datenbank interagieren.

Der Web-Interface-Chat unterstützt Funktionsaufrufe. Man kann dem Modell direkt aus dem Browser heraus Fragen: „Lösche Notiz #42