Dein Agent startet jede Session bei null. Er weiß nicht, dass du letzte Woche die Architektur geändert hast. Er erinnert sich nicht, welche Issue-Labels du ignorierst. Und er lernt nichts aus seinen eigenen Entscheidungen. Das kostet dich jedes Mal Zeit und Korrekturaufwand. memU ist ein Memory-Layer, der genau das ändert.
Das Projekt folgt dem OpenClaw-Ansatz: Agents sollen nicht nur auf Eingaben reagieren. Sie sollen aus jeder Interaktion lernen und ihr Verhalten über Zeit anpassen. Ohne Fine-Tuning, ohne Cloud-Dienste.
Was ist memU?
memU ist ein Skill für Claude Code, der Agents ein persistentes, lernendes Gedächtnis gibt. Die Grundidee: Jeder Agentenlauf erzeugt Beobachtungen. Diese Beobachtungen schreibt memU in einen lokalen Speicher. Beim nächsten Lauf liest der Agent diesen Speicher und handelt entsprechend.
Die Schwierigkeit liegt im Detail. Ein Agent, der seit Wochen läuft, hat potenziell Hunderte von Gedächtnis-Einträgen. Alle davon in den Kontext zu laden würde das Kontextfenster schnell sprengen. memU löst das mit einem Relevanz-Filter: Nur die Einträge, die zum aktuellen Aufgabenkontext passen, werden injiziert. So bleibt der Kontext schlank.
Das Projekt von NevaMind-AI richtet sich vor allem an Operators. Ein Operator ist jemand, der Agents baut und an andere weitergibt. Der Endnutzer interagiert mit dem fertigen Agenten, ohne die Gedächtnisschicht zu sehen oder zu konfigurieren. Das macht memU interessant für alle, die Agenten-Produkte auf Basis von Claude Code bauen wollen.
Wie funktioniert der Memory-Layer technisch?
memU arbeitet mit drei Schichten. Die Write-Schicht schreibt am Ende jedes Runs neue Beobachtungen in den Store. Die Store-Schicht persistiert diese Einträge lokal als strukturierte Dateien. Die Read-Schicht filtert beim nächsten Agentenlauf relevante Einträge heraus und injiziert sie in den Kontext.
Jeder Eintrag trägt Metadaten: einen Zeitstempel, einen Relevanz-Score und Kontext-Tags. Der Filter bewertet Einträge danach, wie gut sie zur aktuellen Aufgabe passen. Ältere Einträge mit niedrigem Score werden nicht geladen. So wächst das Gedächtnis, ohne den Agenten zu verlangsamen.
Ein ähnliches Prinzip verfolgt claude-mem für interaktive Claude-Code-Sessions. Der Unterschied liegt im Einsatzzweck: claude-mem unterstützt dich bei der direkten Entwicklungsarbeit. memU ist für automatisierte Agents konzipiert, die im Hintergrund laufen und ohne ständige menschliche Aufsicht Aufgaben erledigen.
Alle Daten bleiben lokal. Du brauchst keine Vektordatenbank, keinen Cloud-Account und keinen externen Dienst. Das ist ein wichtiger Punkt für alle, die mit sensiblen Kundendaten oder internen Unternehmensinfos arbeiten.
Praxis-Beispiel: GitHub-Issue-Agent mit Lernkurve
Stell dir einen Agent vor, der jeden Morgen deine GitHub-Issues durchläuft und Prioritäten vorschlägt. Ohne Gedächtnis arbeitet er nach festem Schema. Mit memU lernt er über Zeit:
- Welche Labels du regelmäßig hoch priorisierst
- Welche Issue-Typen du schnell schließt
- Welche Formulierungen bei dir auf Dringlichkeit hinweisen
Nach ein paar Wochen Betrieb decken sich seine Vorschläge deutlich besser mit deinen Entscheidungen. Kein Retraining, kein Prompt-Tuning von Hand. Du gibst weniger Korrekturen, der Agent liefert mehr.
Die Installation als Claude-Code-Skill:
# memU Skill zu Claude Code hinzufügen
npx claude skills add NevaMind-AI/memU
# Gedächtnispfad in deiner agent config oder CLAUDE.md festlegen:
# memory_path: .memu/store
# memory_enabled: true
Der Skill registriert sich in der Claude-Code-Konfiguration. Beim ersten Lauf ist der Speicher leer. Nach jedem Lauf wächst er um neue Beobachtungen.
Wann lohnt sich memU?
memU macht Sinn bei Agents, die wiederkehrende Aufgaben erledigen und über Wochen oder Monate laufen. Drei Szenarien, wo es den Unterschied macht:
Wiederkehrende Reports: Ein Agent, der täglich denselben Bericht erstellt, lernt deine Formatierungs- und Inhaltspräferenzen. Die Korrekturen werden mit jeder Woche weniger.
Langzeit-Code-Reviews: Ein Code-Review-Agent erinnert sich an Architekturentscheidungen aus früheren Reviews. Er empfiehlt nichts, was du bereits abgelehnt hast. Das spart dir Diskussionen und Erklärungen.
Personalisierte Agenten-Produkte: Du baust einen Agenten für mehrere Nutzer. Jeder bekommt eine eigene Gedächtnisschicht. Der Agent passt sich automatisch an die Arbeitsweise jedes Nutzers an, ohne dass du ihn für jede Person separat konfigurierst.
Klare Grenzen gibt es auch. Für Einmal-Aufgaben oder kurzlebige Skripte lohnt der Setup-Aufwand nicht. Für einfache Chat-Assistenten ist claude-mem die leichtere Wahl. memU ist für den nächsten Komplexitätsgrad gedacht: Agents, die autonom laufen und Woche für Woche besser werden.
FAQ
Speichert memU Daten außerhalb meines Systems?
Nein. Alle Gedächtnis-Einträge bleiben im lokalen Dateisystem. Du bestimmst, wo der Speicherpfad liegt. Es gibt keine externe Datenübertragung und keine Cloud-Anbindung.
Funktioniert memU nur mit Claude?
Die Skill-Integration ist auf Claude Code ausgerichtet. Die Speicher-Architektur ist modell-agnostisch aufgebaut, aber der direkte Einsatz setzt Claude Code als Laufzeitumgebung voraus.
Was unterscheidet memU von RAG-Ansätzen?
RAG (Retrieval-Augmented Generation) durchsucht große, vordefinierte Wissensdatenbanken von außen. memU speichert agentenspezifische Beobachtungen aus dem laufenden Betrieb von innen. Beide Ansätze ergänzen sich, schließen sich aber nicht aus. memU erfordert keine Vektordatenbank und keinen separaten Indexierungs-Prozess.
Marcel Porcher, newways.ai
Komm in die kostenlose Claude Business Community: Lerne Claude, Automatisierung, Co-Work, Claude Code, App-Building und Agent-Coding. Zeit sparen, Kosten sparen, Business skalieren. Kostenlos beitreten