Das KI-Agentengedächtnis bezieht sich auf die Fähigkeit eines Systems künstlicher Intelligenz (KI), vergangene Erfahrungen zu speichern und abzurufen, um die Entscheidungsfindung, Wahrnehmung und Gesamtleistung zu verbessern.
Im Gegensatz zu herkömmlichen KI-Modellen, die jede Aufgabe unabhängig bearbeiten, können KI-Agenten mit Gedächtnis den Kontext behalten, im Laufe der Zeit Muster erkennen und sich auf der Grundlage früherer Interaktionen anpassen. Diese Funktion ist für zielorientierte KI-Anwendungen, die Feedback, Wissensdatenbanken und adaptives Lernen erfordern, unerlässlich.
Das Gedächtnis ist ein System, das sich an etwas über frühere Interaktionen erinnert. KI-Agenten benötigen nicht unbedingt Speichersysteme. Einfache Reflexagenten nehmen zum Beispiel Echtzeitinformationen über ihre Umgebung wahr und handeln darauf oder geben diese Informationen weiter.
Ein einfaches Thermostat muss sich nicht merken, welche Temperatur gestern herrschte. Aber ein fortschrittlicheres „intelligentes“ Thermostat mit Speicher kann über die einfache Ein- oder Ausschaltung der Temperatur hinausgehen, indem es Muster lernt, sich an das Benutzerverhalten anpasst und die Energieeffizienz optimiert. Anstatt nur auf die aktuelle Temperatur zu reagieren, kann es vergangene Daten speichern und analysieren, um intelligentere Entscheidungen zu treffen.
Large Language Models (LLMs) können sich allein nicht an Dinge erinnern. Die Speicherkomponente muss hinzugefügt werden. Eine der größten Herausforderungen beim Design von KI-Speichern ist jedoch die Optimierung der Abrufeffizienz, da das Speichern übermäßiger Daten zu langsameren Reaktionszeiten führen kann.
Eine optimierte Speicherverwaltung stellt sicher, dass KI-Systeme nur die relevantesten Informationen speichern und gleichzeitig eine Verarbeitung mit geringerLatenz für Echtzeitanwendungen sicherstellt.
Branchen-Newsletter
Erhalten Sie kuratierte Einblicke in die wichtigsten – und faszinierendsten – KI-Neuheiten. Abonnieren Sie unseren wöchentlichen Think-Newsletter. Weitere Informationen in der IBM Datenschutzerklärung.
Ihr Abonnement wird auf Englisch geliefert. In jedem Newsletter finden Sie einen Abmeldelink. Hier können Sie Ihre Abonnements verwalten oder sich abmelden. Weitere Informationen finden Sie in unserer IBM Datenschutzerklärung.
Forscher kategorisieren das Agentengedächtnis auf ähnliche Weise wie Psychologen das menschliche Gedächtnis kategorisieren. Der einflussreiche Artikel Cognitive Architectures for Language Agents (Coala)1 eines Teams der informierten Universität beschreibt verschiedene Arten von Gedächtnis als:
Das Kurzzeitgedächtnis (STM) ermöglicht es einem KI-Agenten, sich die letzten Eingaben zu merken, um sofortige Entscheidungsfindung zu ermöglichen. Diese Art von Speicher ist in der dialogorientierten KI nützlich, wo die Aufrechterhaltung des Kontexts über mehrere Austausche hinweg erforderlich ist.
Zum Beispiel kann ein Chatbot, der sich an frühere Nachrichten innerhalb einer Sitzung erinnert, kohärente Antworten liefern, anstatt jede Benutzereingabe isoliert zu behandeln, was die Benutzererfahrung verbessert. ChatGPT von OpenAI speichert beispielsweise den Chatverlauf innerhalb einer einzigen Sitzung und trägt so zu reibungsloseren und kontextsensitiveren Gesprächen bei.
STM wird in der Regel mithilfe eines rollierenden Puffers oder eines Kontextfensters implementiert, das eine begrenzte Menge aktueller Daten enthält, bevor es überschrieben wird. Dieser Ansatz verbessert zwar die Kontinuität bei kurzen Interaktionen, speichert aber keine Informationen über die Sitzung hinaus, was sie für eine langfristige Personalisierung oder das Lernen ungeeignet macht.
Das Langzeitgedächtnis (Long Term Memory, LTM) ermöglicht es KI-Agenten, Informationen über verschiedene Sitzungen hinweg zu speichern und abzurufen, wodurch diese im Laufe der Zeit immer persönlicher und intelligenter werden.
Im Gegensatz zum Kurzzeitgedächtnis ist LTM für die dauerhafte Speicherung konzipiert, die häufig mithilfe von Datenbanken, Wissensgrafen oder Vektoreinbettungen implementiert wird. Diese Art von Speicher ist entscheidend für KI-Anwendungen, die historisches Wissen erfordern, wie personalisierte Assistenten und Empfehlungssysteme.
So kann sich beispielsweise ein KI-gestützter Kundensupport an frühere Interaktionen mit einem Benutzer erinnern und die Antworten entsprechend anpassen, wodurch die Customer Experience insgesamt verbessert wird.
Eine der effektivsten Techniken zur Implementierung von LTM ist die Retrieval-Augmented Generation (RAG), bei der der Agent relevante Informationen aus einer gespeicherten Wissensdatenbank abruft, um seine Antworten zu verbessern.
Das episodische Gedächtnis ermöglicht es KI-Agenten, sich an bestimmte vergangene Erfahrungen zu erinnern, ähnlich wie Menschen sich an einzelne Ereignisse erinnern. Diese Art von Gedächtnis ist nützlich für das fallbasierte Denken, bei dem eine KI aus vergangenen Ereignissen lernt, um in Zukunft bessere Entscheidungen zu treffen.
Das episodische Gedächtnis wird häufig durch die Protokollierung von Schlüsselereignissen, Aktionen und deren Ergebnissen in einem strukturierten Format implementiert, auf das der Agent bei seinen Entscheidungen zugreifen kann.
Ein KI-gestützter Finanzberater könnte sich beispielsweise an die früheren Anlageentscheidungen eines Benutzers erinnern und diese Entwicklung nutzen, um bessere Empfehlungen abzugeben. Dieser Speichertyp ist auch in Robotertechnik und autonomen Systemen unverzichtbar, wo sich ein Agent an vergangene Aktionen erinnern muss, um effizient zu navigieren.
Das semantische Gedächtnis ist verantwortlich für das Speichern von strukturiertem Faktenwissen, das ein KI-Agent abrufen und für seine Argumentation verwenden kann. Im Gegensatz zum episodischen Gedächtnis, das sich mit bestimmten Ereignissen befasst, enthält das semantische Gedächtnis verallgemeinerte Informationen wie Fakten, Definitionen und Regeln.
KI-Agenten implementieren in der Regel das semantische Gedächtnis mithilfe von Wissensdatenbanken, symbolischer KI oder Vektoreinbettungen, sodass sie relevante Informationen effizient verarbeiten und abrufen können. Diese Art von Speicher wird in realen Anwendungen verwendet, die Fachwissen erfordern, wie z. B. juristische KI-Assistenten, medizinische Diagnosetools und Wissensmanagementsysteme in Unternehmen.
Ein KI-Rechtsassistent kann zum Beispiel seine Wissensdatenbank nutzen, um Präzedenzfälle abzurufen und genaue Rechtsberatung zu leisten.
Das prozedurale Gedächtnis von KI-Agenten bezeichnet die Fähigkeit, Fähigkeiten, Regeln und erlernte Verhaltensweisen zu speichern und abzurufen, die es einem Agenten ermöglichen, Aufgaben automatisch auszuführen, ohne jedes Mal eine explizite Begründung zu geben.
Sie ist vom menschlichen prozeduralen Gedächtnis inspiriert, das es Menschen ermöglicht, Aktionen wie Fahrradfahren oder Tippen auszuführen, ohne bewusst über jeden Schritt nachzudenken. In der KI hilft das prozedurale Gedächtnis den Agenten, ihre Effizienz zu verbessern, indem komplexe Aktionsabläufe auf der Grundlage früherer Erfahrungen automatisiert werden.
KI-Agenten lernen durch Training Abläufe von Aktionen, wobei sie häufig verstärkendes Lernen einsetzen, um die Leistung im Laufe der Zeit zu optimieren. Durch die Speicherung von aufgabenbezogenen Prozeduren können KI-Agenten die Rechenzeit verkürzen und schneller auf bestimmte Aufgaben reagieren, ohne die Daten von Grund auf neu zu speichern und zu verarbeiten.
Entwickler implementieren Speicher mit externem Speicher, spezialisierten Architekturen und Feedback-Mechanismen. Da KI-Agenten in ihrer Komplexität variieren – von einfachen Reflexagenten bis hin zu fortgeschrittenen Lernagenten – hängt die Speicherimplementierung von der Architektur des Agenten, dem Anwendungsfall und der erforderlichen Anpassungsfähigkeit ab.
Ein wichtiges Agenten-Framework für den Aufbau speicherfähiger KI-Agenten ist LangChain, das die Integration von Speicher, APIs und Reasoning-Workflows erleichtert. Durch die Kombination von LangChain mit Vektordatenbanken können KI-Agenten große Mengen vergangener Interaktionen effizient speichern und abrufen, was im Laufe der Zeit kohärentere Antworten ermöglicht.
LangGraph ermöglicht es Entwicklern, hierarchische Speicherdiagramme für KI-Agenten zu erstellen und so deren Fähigkeit zu verbessern, Abhängigkeiten zu verfolgen und im Laufe der Zeit zu lernen.
Durch die Integration von Vektordatenbanken können agentische Systeme Einbetten früherer Interaktionen effizient speichern und so einen kontextuellen Abruf ermöglichen. Dies ist bei der KI-gestützten Erstellung von Dokumenten nützlich, bei der sich ein Bearbeiter die Präferenzen des Benutzers und vergangene Änderungen merken muss.
Der Aufstieg von Open-Source-Frameworks hat die Entwicklung von speichergestützten KI-Agenten beschleunigt Plattformen wie GitHub hosten zahlreiche Repositories, die Tools und Vorlagen für die Integration von Speicher in KI-Workflows bereitstellen.
Darüber hinaus bietet Hugging Face vortrainierte Modelle, die mit Gedächtniskomponenten feinabgestimmt werden können, um die KI-Abruffähigkeiten zu verbessern. Python, eine dominante Sprache in der KI-Entwicklung, bietet Bibliotheken für die Handhabung von Orchestrierungs-, Speicherspeicher- und Abrufmechanismen und ist damit die erste Wahl für die Implementierung von KI-Speichersystemen.
1 „Cognitive Architectures for Language Agents“, Princeton University, Februar, 2024.
Entwickeln, implementieren und verwalten Sie leistungsstarke KI-Assistenten und -Agenten, die Workflows und Prozesse mit generativer KI automatisieren.
Gestalten Sie die Zukunft Ihres Unternehmens mit KI-Lösungen, denen Sie vertrauen können.
Die KI-Services von IBM Consulting unterstützen Sie dabei, die Art und Weise, wie Unternehmen mit KI arbeiten, neu zu denken.