Short-Term Memory – das Arbeitsgedächtnis des Agenten
Nordshop Insights · Enterprise Memory
Das Short-Term Memory enthält alles, was der Agent für die aktuelle Aufgabe unmittelbar benötigt. Technisch liegt dieses Gedächtnis meist im Kontextfenster des Sprachmodells oder in einem vorgeschalteten Session-Speicher.
Beispiel aus einem Maschinenbauunternehmen:
Ein Mitarbeiter fragt:
„Kann Maschine XL-6020 den Auftrag 4711 für Mercedes Bremen fertigen?“
Im Short-Term Memory könnte dann stehen:
Der Agent muss sich während des Gesprächs also nicht bei jedem Satz erneut erklären lassen, worüber gesprochen wird. Der entscheidende Punkt: Dieses Gedächtnis ist temporär. Nach Abschluss der Aufgabe sollte nicht automatisch der komplette Gesprächsverlauf dauerhaft gespeichert werden. Sonst entsteht mit der Zeit ein riesiger, unstrukturierter Datenbestand. Das Short-Term Memory beantwortet also:
Was muss ich für die aktuelle Aufgabe gerade wissen?
- Long-Term Memory – das episodische Gedächtnis
Hier wird es interessanter. Das Long-Term Memory speichert nicht unbedingt allgemeine Unternehmensfakten, sondern vor allem Erfahrungen und frühere Ereignisse.
Man könnte sagen:
Short-Term Memory = „Was passiert gerade?“ Long-Term Memory = „Was ist früher passiert?“
Beispielsweise könnte ein Agent gespeichert haben:
„Am 14. August trat bei Maschine XL-6020 beim Schneiden von 10-mm-Edelstahl Fehler E471 auf. Ursache war eine verschmutzte Schutzscheibe. Nach Austausch der Schutzscheibe lief die Maschine wieder stabil.“
Wenn drei Monate später erneut Fehler E471 auftritt, kann der Agent diese frühere Episode finden. Technisch geschieht das häufig über Embeddings und eine Vektordatenbank. Ein früherer Vorgang wird dabei beispielsweise als Text gespeichert:
Maschine XL-6020 Fehler E471 Material Edelstahl Problem: instabile Schnittqualität Ursache: Schutzglas verschmutzt Lösung: Schutzglas gewechselt Ergebnis: Maschine wieder betriebsbereit
Dieser Inhalt wird in einen mathematischen Vektor umgewandelt.
Fragt später jemand:
„Warum hat die XL-6020 wieder Probleme mit der Schnittqualität?“
kann die Vektordatenbank semantisch ähnliche frühere Fälle finden – selbst wenn die Formulierung völlig anders ist. Das ist ein wesentlicher Unterschied zu einer klassischen Datenbank. Der Agent findet nicht nur: Fehlercode = E471 sondern auch inhaltlich ähnliche Situationen.
Noch besser: Episoden strukturiert speichern
In einem professionellen Unternehmenssystem würde sollten allerdings nicht einfach komplette Chats gespeichert werden. Sinnvoller wären strukturierte „Memory Objects“, etwa:
Damit entsteht mit der Zeit etwas ausgesprochen Wertvolles:
ein Erfahrungswissen des Unternehmens. Das Long-Term Memory beantwortet: Haben wir so etwas schon einmal erlebt – und was haben wir damals gemacht?
- Semantic Memory – das Unternehmenswissen
Das Semantic Memory unterscheidet sich grundsätzlich vom episodischen Gedächtnis.
Es speichert keine einzelnen Erlebnisse, sondern die Bedeutung und Zusammenhänge der Unternehmenswelt.
Genau hier kommt der Wissensgraph ins Spiel.
Ein Wissensgraph könnte beispielsweise enthalten:
Eine Maschine wiederum:
XL-6020
Und ein Auftrag:
Auftrag 4711
Jetzt entsteht etwas Entscheidendes. Der Agent kennt nicht einfach einzelne Datenpunkte. Er versteht deren Beziehungen.
Ein Beispiel zeigt den Unterschied
Ein Mitarbeiter fragt:
„Kann Maschine XL-6020 Auftrag 4711 fertigen?“
Ein normales LLM könnte diese Frage ohne Unternehmensdaten überhaupt nicht zuverlässig beantworten.
Ein Unternehmensagent arbeitet dagegen in mehreren Schritten.
Short-Term Memory
Er versteht aus dem aktuellen Gespräch:
Maschine = XL-6020 Auftrag = 4711
Semantic Memory / Wissensgraph
Er fragt den Wissensgraphen:
Auftrag 4711 → Material: Edelstahl → Stärke: 8 mm
XL-6020
→ Materialfähigkeit: Edelstahl → maximale Stärke: 20 mm
Damit weiß der Agent:
Technisch kann die Maschine das Material bearbeiten. Aber das reicht noch nicht. Er könnte weitere Beziehungen abfragen:
XL-6020
→ aktueller Status: verfügbar
XL-6020
→ Wartung: Mittwoch 14:00–17:00 Uhr
Auftrag 4711
→ Liefertermin: Freitag
Jetzt kommt das episodische Gedächtnis hinzu
Der Agent könnte zusätzlich im Long-Term Memory suchen: Haben wir auf dieser Maschine schon einmal vergleichbare Aufträge gefertigt?
Er findet beispielsweise:
Auftrag 4382 Material: Edelstahl Stärke: 8 mm Maschine: XL-6020 Bearbeitungszeit: 2,7 Minuten/Stück Ausschussquote: 0,8 %
Jetzt kann der Agent eine deutlich bessere Entscheidung vorbereiten.
Er weiß:
Fakten + Unternehmensbeziehunge + Erfahrungswissen
Genau hier liegt der Sinn der Hierarchie
Man könnte die Architektur vereinfacht so darstellen:
In einem echten System sollte man diese Ebenen allerdings nicht streng nacheinander verstehen. Der Agent greift je nach Problem parallel auf die verschiedenen Speicher zu.
Warum der Wissensgraph besonders wichtig ist
Eine Vektordatenbank beantwortet hervorragend die Frage:
Was ist dieser Anfrage semantisch ähnlich?
Ein Wissensgraph beantwortet dagegen:
Wie hängen diese Dinge tatsächlich miteinander zusammen?
Das ist ein fundamentaler Unterschied.
Nehmen wir an, ein Agent soll herausfinden:
„Welche Kunden könnten betroffen sein, wenn Maschine XL-6020 für drei Tage ausfällt?“
Eine Vektordatenbank müsste passende Dokumente finden und daraus die Zusammenhänge rekonstruieren.
Der Wissensgraph könnte dagegen Beziehungen verfolgen:
Damit kann der Agent systematisch Auswirkungen analysieren.
Unternehmensgedächtnis statt persönlichem Agentengedächtnis
Der Begriff „kollaboratives Unternehmensgedächtnis“ ist deshalb passend. Der Wissensgraph gehört nicht einem einzelnen Mitarbeiter. Er repräsentiert gemeinsames Wissen.
Wenn beispielsweise der Produktionsleiter weiß:
Maschine 12 kann Sonderprofil X herstellen
und der Vertrieb weiß:
Kunde A benötigt Sonderprofil X
und das ERP weiß:
Material dafür ist verfügbar
kann der Wissensgraph diese Informationen miteinander verbinden.
Dann entsteht aus drei getrennten Informationssilos:
Produktion > ERP > Wissensgraph > Vertrieb > Service
ein gemeinsames Unternehmenswissen.
Procedural Memory – „Wie machen wir Dinge?“
Hier liegt Prozesswissen.
Beispielsweise:
Wenn Kunde Reklamation meldet:
Dieses Gedächtnis enthält also nicht:
„Was wissen wir?“ sondern: „Wie handeln wir?“
Bei autonomen Unternehmensagenten ist diese Ebene extrem wichtig.
Dann hätten wir vier Gedächtnisebenen
Das LLM selbst wird damit zunehmend weniger zum eigentlichen „Wissensspeicher“. Es wird vielmehr zur intelligenten Steuerungsschicht. Die eigentliche Unternehmensintelligenz entsteht aus der Kombination: