How Do My Agents Get Memory Independent of the LLM? Wie bekommen meine Agenten unabhängig vom LLM ein Gedächtnis?

Das ist keine Zukunftsvision.This is not a future vision. Es gibt dafür heute kein fertiges Produkt, das Sie aus der Schachtel nehmen und installieren können. Aber Sie können es selbst bauen – und zwar mit Technologien, die bereits existieren und produktionsreif sind. There is no ready-made product that you can take out of the box and install today. But you can build it yourself – using technologies that already exist and are production-ready.

Wenn Sie mit KI-Agenten arbeiten, kennen Sie das Problem: Jede Konversation startet bei Null. Der Agent weiß nichts über vergangene Gespräche, über Ihre Präferenzen oder über den Kontext früherer Projekte. Das Context-Fenster des LLM ist begrenzt – und mit dem Ende der Session ist alles vergessen. If you work with AI agents, you know the problem: every conversation starts from scratch. The agent knows nothing about past conversations, your preferences, or the context of previous projects. The LLM's context window is limited – and when the session ends, everything is forgotten.

Die Lösung? Ein persistentes, LLM-unabhängiges Gedächtnis. The solution? A persistent, LLM-independent memory.

Was Sie dafür brauchenWhat You Need

Die Architektur besteht aus drei Komponenten, die Sie zusammenstecken: The architecture consists of three components that you connect together:

1. Eine PostgreSQL Vector-DatenbankA PostgreSQL Vector Database

PostgreSQL kennen die meisten als klassische relationale Datenbank. Aber mit der Extension pgvector wird daraus eine vollwertige Vektordatenbank. Das bedeutet: Sie können nicht nur Text speichern, sondern auch semantische Embeddings – also mathematische Repräsentationen von Bedeutung. Most people know PostgreSQL as a classic relational database. But with the pgvector extension, it becomes a full-fledged vector database. This means you can store not just text, but also semantic embeddings – mathematical representations of meaning.

Warum PostgreSQL und nicht eine spezialisierte Vektordatenbank wie Pinecone oder Weaviate? Weil PostgreSQL: Why PostgreSQL and not a specialized vector database like Pinecone or Weaviate? Because PostgreSQL:

• Open Source ist – keine Vendor-AbhängigkeitIs open source – no vendor lock-in
• Lokal betrieben werden kann – volle DatenkontrolleCan be run locally – full data control
• Bewährt ist – seit Jahrzehnten produktionserprobtIs proven – battle-tested for decades
• Beides kann – relationale Daten UND Vektoren in einer DatenbankCan do both – relational data AND vectors in one database

-- pgvector Extension aktivieren
CREATE EXTENSION IF NOT EXISTS vector;

-- Gedächtnis-Tabelle erstellen
CREATE TABLE agent_memory (
    id SERIAL PRIMARY KEY,
    session_id TEXT,
    content TEXT NOT NULL,
    embedding vector(1536),
    metadata JSONB,
    created_at TIMESTAMPTZ DEFAULT NOW()
);

-- Index für schnelle Ähnlichkeitssuche
CREATE INDEX ON agent_memory
USING ivfflat (embedding vector_cosine_ops)
WITH (lists = 100);

2. Einen PostgreSQL MCP ServerA PostgreSQL MCP Server

MCP (Model Context Protocol) ist das Bindeglied zwischen Ihrem Agenten und der Datenbank. Es ist ein offener Standard, der es KI-Agenten ermöglicht, sicher mit externen Datenquellen zu kommunizieren – ohne dass Sie eine eigene API bauen müssen. MCP (Model Context Protocol) is the link between your agent and the database. It's an open standard that enables AI agents to securely communicate with external data sources – without having to build a custom API.

Der PostgreSQL MCP Server macht Ihre Vektordatenbank für den Agenten zugänglich. Der Agent kann: The PostgreSQL MCP Server makes your vector database accessible to the agent. The agent can:

• Erinnerungen speichern – relevante Informationen aus der aktuellen Konversation ablegenStore memories – save relevant information from the current conversation
• Erinnerungen abrufen – per semantischer Suche ähnliche vergangene Kontexte findenRetrieve memories – find similar past contexts via semantic search
• Kontext anreichern – automatisch relevantes Wissen in die Konversation einbringenEnrich context – automatically bring relevant knowledge into the conversation

3. Eine AgentenplattformAn Agent Platform

Sie brauchen eine Plattform, die MCP unterstützt und Ihnen erlaubt, Agenten zu konfigurieren, die auf das Gedächtnis zugreifen. Hier gibt es heute bereits mehrere Optionen: You need a platform that supports MCP and allows you to configure agents that access the memory. Several options already exist today:

Wie es funktioniert: Der AblaufHow It Works: The Flow

Stellen Sie sich vor, Ihr Agent hat ein Gespräch mit Ihnen geführt und dabei gelernt, dass Sie bevorzugt TypeScript verwenden und Ihre API-Architektur auf REST basiert. Beim nächsten Mal: Imagine your agent had a conversation with you and learned that you prefer TypeScript and your API architecture is REST-based. Next time:

1. Konversation startetConversation starts – Der Agent fragt über MCP das Gedächtnis ab: „Was weiß ich über diesen Nutzer?" The agent queries memory via MCP: "What do I know about this user?"
2. Semantische SucheSemantic search – pgvector findet die relevantesten Erinnerungen basierend auf der Ähnlichkeit der Embeddings pgvector finds the most relevant memories based on embedding similarity
3. Kontext-AnreicherungContext enrichment – Die relevanten Erinnerungen werden in den System-Prompt eingebettet Relevant memories are embedded into the system prompt
4. Neue Erinnerungen speichernStore new memories – Am Ende der Session werden wichtige neue Informationen zurück ins Gedächtnis geschrieben At the end of the session, important new information is written back to memory

Warum das ein Game-Changer istWhy This Is a Game-Changer

Mit einem LLM-unabhängigen Gedächtnis: With an LLM-independent memory:

• Wechseln Sie das LLM, ohne Wissen zu verlieren – heute GPT-4o, morgen Claude, übermorgen Llama 4Switch LLMs without losing knowledge – today GPT-4o, tomorrow Claude, the day after Llama 4
• Teilen Sie Wissen zwischen verschiedenen Agenten – Ihr Coding-Agent weiß, was Ihr Recherche-Agent herausgefunden hatShare knowledge between different agents – your coding agent knows what your research agent found out
• Behalten Sie die Kontrolle – alles liegt in Ihrer PostgreSQL-Datenbank, nicht bei einem Cloud-AnbieterKeep control – everything sits in your PostgreSQL database, not with a cloud provider
• Skalieren Sie organisch – je länger Sie den Agenten nutzen, desto besser wird erScale organically – the longer you use the agent, the better it gets

Fazit: Heute bauen, morgen profitierenConclusion: Build Today, Benefit Tomorrow

Die Bausteine für ein LLM-unabhängiges Agenten-Gedächtnis existieren. PostgreSQL mit pgvector als Speicher, MCP als Kommunikationsprotokoll und eine wachsende Anzahl an Agentenplattformen, die dieses Protokoll unterstützen. The building blocks for an LLM-independent agent memory exist. PostgreSQL with pgvector as storage, MCP as the communication protocol, and a growing number of agent platforms that support this protocol.

Es ist kein Science-Fiction. Es erfordert Arbeit, technisches Verständnis und strategische Planung. Aber wer es umsetzt, gibt seinen KI-Agenten etwas, das die meisten heute noch nicht haben: ein echtes, dauerhaftes Gedächtnis. It's not science fiction. It requires work, technical understanding, and strategic planning. But those who implement it give their AI agents something most still don't have: a real, persistent memory.