Meine KI merkt sich alles. Genau das wurde zum Problem.

Im letzten Post habe ich etwas erzählt, worauf ich still stolz war: Mein Setup schreibt alles mit. Was ich entschieden habe, wo ein Projekt steht, was mir wichtig ist. Weit über hundert einfache Markdown-Dateien, mit einem Index vorne dran. Der Aktenschrank, habe ich es genannt.

Das hier ist der Post darüber, was der Aktenschrank danach getan hat.

Der Moment, in dem ich es gemerkt habe

Vor ein paar Wochen empfahl mir der Assistent, ein lokales Modell auf einer Maschine laufen zu lassen, die wir Monate vorher genau dafür ausgeschlossen hatten. Zu klein, hatten wir entschieden. Die Entscheidung stand in den Dateien. Der alte Plan von davor auch. Er hat den alten Plan zuerst gelesen.

Als ich einmal darauf achtete, sah ich es überall. Eine Entscheidung wurde mit einem Stand erzählt, der seitdem zweimal korrigiert worden war. Ein Thema lag in fünfzehn Dateien, und die Antwort hing davon ab, welche davon zufällig zuerst gelesen wurde. Nichts war kaputt. Kein Fehler, keine Warnung. Jede einzelne Erinnerung war an dem Tag, an dem sie geschrieben wurde, wahr gewesen.

Das ist der Teil, bei dem es sich lohnt, kurz zu bleiben. Im Englischen nenne ich es memory rot. Die beste deutsche Übersetzung ist vielleicht: Das Wissen kippt wie Milch im Kühlschrank. Man merkt es erst beim nächsten Schluck. Kein Bug, sondern der Normalfall. Ein System, das jeden Tag etwas aufschreibt und nie verdaut und nie vergisst, wird irgendwann mit voller Überzeugung falsch liegen. Nicht obwohl es so fleißig mitschreibt. Sondern deswegen.

Was ich fand, als ich endlich hinsah

Ich habe einen kleinen Scanner gebaut und ihn auf mein eigenes Setup losgelassen. Die erste ehrliche Zahl: Rund 5.300 Tokens wurden in jede einzelne Session geladen, bevor ich ein Wort getippt hatte. Das ist der Immer-an-Teil des Gedächtnisses, und ich hatte ihn nie an einem Ort aufgelistet gesehen.

Der erste volle Scan fand 64 Probleme. Dateien, die ausdrücklich als "verworfen" markiert waren und trotzdem als aktives Wissen mitsteuerten. Drei Dateien, die der Index schlicht vergessen hatte, unauffindbar, wenn man nicht wusste, dass es sie gibt. Beinahe-Duplikate. Tote Links. Dieselbe Datei an zwei Orten mit zwei Versionen der Wahrheit.

Mein Lieblingsfund, weil er eine Annahme zerlegt hat, von der ich nicht wusste, dass ich sie hatte: Die neueste Datei ist nicht die wahrste Datei. Zweimal steckte die reichere, korrekte Version in der älteren Kopie. Dateidaten lügen. Der Inhalt entscheidet.

Warum die naheliegenden Lösungen nicht funktionieren

Ich habe zuerst das Naheliegende probiert.

Weniger speichern? Speichern ist genau der Weg, wie das System lernt, wer man ist. Ein Gedächtnis auf Schreibdiät ist einfach ein Assistent, der generisch bleibt.

Altes automatisch löschen? Ob ein Fakt veraltet ist, ist eine Frage der Bedeutung, nicht des Alters. Meine Vorlieben vom März stimmen noch. Ein Projektstand von letzter Woche vielleicht nicht.

Das Modell beim Lesen aussortieren lassen? Kann es nicht, und das ist Absicht. Das Modell vertraut seinem Gedächtnis. Genau dafür ist ein Gedächtnis da.

Ein Gedächtnis braucht einen Stoffwechsel

Das Denkmodell, das bei mir schließlich funktioniert hat, ist biologisch. Ein Gedächtnissystem muss drei Dinge können, gleichrangig: aufnehmen, verdauen, loslassen. Meins hatte immer nur gegessen.

Praktisch wurden daraus drei Uhren. Jede Session: frei schreiben, aber nach ein paar Schreibregeln, etwa "bestehende Datei aktualisieren statt eine Schwester-Datei anlegen" und "wenn sich ein Fakt ändert, an Ort und Stelle korrigieren, nicht die neue Version einfach woanders hinschreiben". Jede Woche: ein deterministischer Scan, der den mechanischen Drift fängt, verwaiste Dateien, tote Links, Duplikate, Veraltet-Marker. Jeden Monat: ein kurzes Ritual, in dem abgeschlossene Episoden zu dauerhaftem Wissen destilliert und dann archiviert werden.

Zwei Regeln tragen das meiste Gewicht. Gelöscht wird nie; überholte Dateien werden markiert und wandern in ein Archiv mit eigenem Index, so bleibt die Historie auffindbar, ohne irgendetwas zu steuern. Und jeder Fakt bekommt genau eine Heimat-Datei; alles andere verweist nur dorthin. Wenn sich etwas ändert, gibt es einen Ort zu korrigieren statt fünfzehn.

Und eine Kennzahl sagt mir, ob es funktioniert: die Immer-geladen-Tokens. Wachsen sie Monat für Monat, isst das System, ohne zu verdauen.

Was sich verändert hat

Das Aufräumen waren drei Review-Sessions mit dem Assistenten selbst: Der Scanner findet, ich entscheide, er setzt um. Von 64 Findings auf null, dazu rund sechzig bewusst als in Ordnung markiert, jedes mit schriftlicher Begründung. Seitdem hält der Wochen-Scan die Linie.

Die interessantere Veränderung lässt sich nicht in eine Grafik packen. Der Assistent liegt nicht mehr mit Überzeugung bei Dingen falsch, die wir längst korrigiert hatten. Wenn ich heute einen Fakt richtigstelle, bleibt er richtig, weil die Korrektur in der einen Heimat-Datei landet und die alten Aussagen dort markiert werden, wo sie stehen.

Den ganzen Ansatz habe ich als kleinen Field Guide aufgeschrieben, mit dem Scanner als lesbarer Referenz-Implementierung, rund 700 Zeilen Python. Liegt auf GitHub: memory-metabolism. Der Guide ist das eigentliche Produkt; der Code ist da, damit man nachprüfen kann, dass ich nicht nur behaupte.

Was ich jedem raten würde, der einen Agenten mit Gedächtnis betreibt

Erst auditieren, dann aufräumen. Zu wissen, was in jede Session geladen wird und was es kostet, verändert schon, wie man Memory überhaupt schreibt.

Damit rechnen, dass Wissen kippt. Es ist kein Zeichen, dass man etwas falsch gemacht hat. Es ist der Normalfall, und es beginnt früher, als man denkt; bei meinem Setup nach etwa drei Monaten.

Und das Prinzip, zu dem ich immer wieder zurückkomme: Erinnern, Verdauen und Vergessen brauchen gleichen Rang, auf verschiedenen Uhren. Ein System, das nur erinnert, wird dich nach genug Monaten falsch erinnern.