Graph Memory speichert Wissen als Netz aus Dingen und Beziehungen statt als lose Textstücke. Dadurch erkennt ein KI-Gedächtnis, was zusammengehört, auch wenn es nicht ähnlich klingt. Hebby nutzt einen selbst entwickelten Graph Memory, der mit jeder Sitzung dazulernt.
Das Problem: Ähnlich ist nicht gleich relevant
Die meisten KI-Gedächtnisse arbeiten mit einer Vektordatenbank. Jede Erinnerung wird in eine Zahlenreihe übersetzt, die ihre Bedeutung beschreibt. Bei einer Anfrage sucht das System die Erinnerungen, die am ähnlichsten klingen. Das funktioniert gut, wenn die Antwort ähnlich formuliert ist wie die Frage.
Oft ist sie das aber nicht. Fragt Ihr Agent nach dem Export in Projekt Atlas, ist die wichtigste Erinnerung vielleicht, dass der Server dahinter bei großen Datenmengen streikt. Sprachlich hat das wenig mit „Export“ zu tun. Eine reine Ähnlichkeitssuche lässt es liegen.
Was ist Graph Memory?
Graph Memory speichert Wissen nicht als lose Textstücke, sondern als Graph: ein Netz aus Knoten und Verbindungen. Knoten sind die Dinge Ihrer Arbeitswelt, etwa Projekte, Personen, Kunden oder Systeme. Verbindungen beschreiben, wie sie zusammenhängen. Erinnerungen hängen an den Dingen, auf die sie sich beziehen.
Fragt Ihr Agent nach Projekt Atlas, kennt ein Graph Memory sofort das Umfeld: den Server, die Kundin, das Team und die Entscheidungen dazu. Zusammenhänge statt Zufallstreffer.
Wissensgraph und Gehirn
Die Idee ist nicht neu. Suchmaschinen arbeiten seit Jahren mit Wissensgraphen. Und die Gedächtnispsychologie beschreibt das menschliche Gedächtnis schon seit den 1970er-Jahren als Netz, in dem ein Gedanke seine Nachbarn mitaktiviert (Collins & Loftus, 1975). Darum fällt Ihnen beim Stichwort „Urlaub“ sofort ein Ort, ein Mensch, ein Gefühl ein.
Ein Graph Memory überträgt dieses Prinzip auf KI-Agenten. Es erinnert nicht nur an das Gesuchte, sondern auch an das, was dazugehört.
Graph Memory für LLM-Agenten
Für KI-Agenten, die programmieren, recherchieren und Projekte begleiten, ist Graph Memory besonders wertvoll:
- Treffsicherer: Relevante Erinnerungen werden auch gefunden, wenn sie anders formuliert sind.
- Schlanker Kontext: Statt vieler ähnlicher Textstücke kommt das Wesentliche in den Kontext.
- Ordnung von selbst: Wissen hat einen Platz, nichts fliegt lose herum.
- Vorausschauend: Über die Verbindungen lässt sich abschätzen, was als Nächstes gebraucht wird.
Hebby: ein Graph Memory, der lernt
Hebby setzt auf einen selbst entwickelten Graph Memory, maßgeschneidert für KI-Agenten. Er kombiniert die Stärken der Vektorsuche mit der Kraft der Zusammenhänge. Und seine Verbindungen sind nicht starr: Nach dem Hebbschen Prinzip werden sie mit jeder Sitzung stärker, wenn sie sich bewähren. So entsteht ein Netz, das Ihre Arbeitswelt immer genauer abbildet.
Andere Gedächtnisse finden, was ähnlich klingt. Hebby findet, was zusammengehört.
Hebby Memories: das Second Brain für Claude Code, Codex & Co. Lernt mit, denkt voraus, vergisst nichts Wichtiges. Early Access sichern →
Häufige Fragen
Was ist Graph Memory?
Graph Memory ist ein Gedächtnis, das Wissen als Graph speichert: Dinge wie Projekte, Personen oder Systeme sind Knoten, ihre Beziehungen sind Verbindungen. So lassen sich Zusammenhänge abrufen, nicht nur einzelne Fakten.
Was ist ein Wissensgraph?
Ein Wissensgraph, englisch Knowledge Graph, ist eine Darstellung von Wissen als Netz aus Entitäten und Beziehungen. Suchmaschinen nutzen Wissensgraphen seit Jahren, KI-Gedächtnisse übertragen das Prinzip auf persönliches Wissen.
Ist Graph Memory besser als eine Vektordatenbank?
Beides ergänzt sich. Vektorsuche findet Ähnliches nach Bedeutung, ein Graph liefert Zusammenhänge. Die stärksten KI-Gedächtnisse kombinieren beides, so wie Hebby.