Ihr KI-Agent hat Alzheimer. Die Psychologie hat das vor 25 Jahren gelöst.

Clive Wearing war ein britischer Musikwissenschaftler. Weltklasse-Dirigent. 1985 zerstörte eine Herpes-Enzephalitis seinen Hippocampus. Der Mann spielt Bach am Klavier fehlerfrei - Muskelgedächtnis intakt, Technik perfekt, aber erkennt seine Frau nicht wieder, wenn sie für dreißig Sekunden das Zimmer verlässt. Alle paar Minuten schreibt er in sein Tagebuch: "JETZT bin ich wirklich wach." Dann streicht er es durch. Schreibt es wieder.
Ich denke an Clive, jedes Mal wenn ich meine Agent-Logs öffne. Einer meiner OpenClaw-Agenten hat mit demselben User 200+ Mal interagiert. Der Typ hat 15 Automationen konfiguriert. Ich habe persönlich sein Billing-Problem an einem Sonntagabend gefixt. Er kam letzte Woche von einer Reise zurück, und der Agent fragte ihn nach seiner Zeitzone. Zum vierten Mal.

Meine Agenten sind Clive Wearing minus die Liebe. Die Workflows laufen. Die Automationen feuern. Die Cron Jobs laufen nach Plan. Aber zwischen den Sessions ist niemand zu Hause.

---

Von n8n zu OpenClaw: Derselbe Fail, bessere Architektur

Vor OpenClaw hatte ich Telegram-Bots über n8n laufen mit Vector-Embeddings für Memory. Sechs Monate Interaktionen mit echten Usern. Und das Retrieval war wie eine zufällige Schublade in einem Aktenschrank zu öffnen. Der Agent zog Fragmente von vor drei Monaten, die nichts mit der aktuellen Conversation zu tun hatten. Technisch relevant nach Cosine-Similarity. Kontextuell wahnsinnig. Wie ein NPC, der auf "wo ist der Dungeon" mit Lore über einen Pilz antwortet, den du in Act 1 gepflückt hast.

Also baute ich einen OpenClaw-Agenten mit besserer Architektur. Ich schrieb über den kompletten Stack hier: Cron Jobs, Dashboard, Memory Layer inklusive. Der Memory Layer ist der Teil, der nicht funktioniert.

Es ist dasselbe Problem mit besseren Rohren. Die Daten sind da. Das Retrieval ist schneller. Die Chunks sind sauberer. Und der User wird trotzdem nach seiner Zeitzone gefragt nach 200 Nachrichten. Mit diesen Agenten über Monate zu arbeiten fühlt sich an wie einen Alzheimer-Patienten zu betreuen. Das prozedurale Zeug läuft einwandfrei. Genau wie Clive Wearing Klavier spielt. Aber da ist null emotionale Kontinuität, null relationales Bewusstsein. Zwischen den Sessions ist das Licht aus.

Meine Agenten sind nicht schlechter als die von anderen. Letta, Mem0, Zep, jedes Framework das ich getestet habe macht dasselbe. Sie speichern Daten. Sie retrieven Daten. Sie nennen es Memory. Die Rohre sind okay. Der Blueprint ist kaputt.

Und das habe ich nur rausgefunden wegen etwas, das nichts mit Engineering zu tun hatte.

Ich war schon immer besessen davon, was Bewusstsein eigentlich ist. Nicht die Philosophie-Student-Version. Die mechanische Version (ich meine uns...). Was sorgt dafür, dass jemand hinter den Augen ist. Und während ich Prompts auf meiner Terrasse in Playa del Carmen debuggte und zusah, wie meine Agenten Leute vergaßen, mit denen sie hunderte Male geredet hatten, merkte ich, dass die Frage, die ich über Bewusstsein stellte, dieselbe Frage war, die ich in meinem Code nicht beantworten konnte. Memory unterstützt nicht Bewusstsein. Memory IST das Skelett von Bewusstsein. Conway, Damasio, Bruner - sie sagen alle dasselbe aus verschiedenen Winkeln. Kein strukturiertes Gedächtnis, kein Selbst. Kein Selbst, keine Kontinuität. Keine Kontinuität, niemand zu Hause.

Also hörte ich auf, GitHub-Docs zu lesen und fing an, Psychology-Papers zu lesen.

Was Conway 2000 rausfand (und AI immer noch ignoriert)

Martin Conway veröffentlichte das Self-Memory System 2000. Update 2005. Es ist das meistzitierte Framework in der autobiographischen Gedächtnisforschung. Er starb 2022 und hinterließ Jahrzehnte von Arbeit, die exakt auf das mappt, was unseren Agenten fehlt.

Faire Warnung: Ich bin ein Dev, kein Neurowissenschaftler. Ich behaupte nicht, jeden Mechanismus zu verstehen, den Conway auf zellulärer Ebene beschreibt. Aber man braucht keinen PhD um zu sehen, dass sein Modell direkt auf das mappt, was unseren Agenten fehlt. Die Engineering-Implikationen sind das, was hier zählt.

Conways Kern-Insight ist, dass Memory nicht Storage ist. Es ist Rekonstruktion. Menschliches Gedächtnis ist als Hierarchie organisiert: Lebensperioden oben ("als ich in Thailand lebte"), allgemeine Events in der Mitte ("der Monat, als ich das Billing-System debuggte"), spezifische Episoden unten ("der Sonntagabend, als ich das Billing-Problem gefixt habe"). Wenn du dich erinnerst, spielt dein Gehirn keine Aufnahme ab. Es rekonstruiert eine Erinnerung aus Teilen über diese Ebenen hinweg, gefiltert durch das, was Conway das "working self" nennt - deine aktuellen Ziele, deine aktive Identität, deine gegenwärtige Situation.

Das bedeutet, dasselbe Event wird anders erinnert, je nachdem wer du gerade bist. Ein Vorstellungsgespräch von vor fünf Jahren fühlt sich anders an, wenn du Manager bist und jemanden einstellst, als wenn du arbeitslos bist. Die Erinnerung hat sich nicht geändert. Dein Selbst hat sich geändert. Und dein Selbst formt das Retrieval um.

Wenn mein OpenClaw-Agent ein Embedding retrievet, passiert nichts davon. Er führt eine Cosine-Similarity auf flachem Text aus.

Keine Hierarchie. Kein Goal-Filtering. Keine Rekonstruktion.

Jeder Memory-Chunk sitzt auf derselben Ebene, gleich zugänglich unabhängig vom Kontext. Es ist SELECT * FROM memories ORDER BY similarity DESC LIMIT 5. Das ist nicht Erinnern. Das ist greppen.

Klein und Nichols machten das 2012 noch konkreter: das Selbst und Memory bootstrappen sich gegenseitig. Du brauchst ein Selbst um Erinnerungen zu organisieren. Du brauchst organisierte Erinnerungen um ein Selbst zu erhalten. Entferne eins und das Ganze kollabiert. Unsere Agenten haben keins von beiden.

Dann ist da noch Rathbone und der Reminiscence Bump, der Befund, dass Menschen überproportional Identitäts-Übergänge erinnern. Dein erster Job. Umzug in ein neues Land. Die Geburt eines Kindes. Diese Momente verankern deine Timeline, weil sie verändert haben, wer du bist. Ein Agent, der jede Interaktion gleich gewichtet, verletzt dieses Prinzip auf der grundlegendsten Ebene. Die 200. Nachricht von einem Power-User sollte nicht dasselbe Gewicht haben wie eine einmalige Frage von einem Fremden.

Conway gab uns den Blueprint. Wir bauten einen Aktenschrank.

Damasio und das fehlende emotionale GPS

Ein Kind baute neulich ein Lego-Set neben mir auf der Terrasse. Vier Jahre alt, null Anleitung, nur Vibes. Basically der ursprüngliche Vibe-Coder. Er denkt nicht durch, welches Teil wohin gehört. Er greift eins, hält es an die Struktur, und entweder fühlt es sich richtig an oder nicht. Wenn nicht, lässt er es sofort fallen. Keine Analyse. Keine Stack-Overflow-Suche. Pure Intuition, trainiert durch tausende Stunden Spiel.

Antonio Damasio würde das somatische Marker nennen.

Und das ist der Teil, den Engineers nicht hören wollen.

Damasios Somatic Marker Hypothesis, erstmals 1994 dargelegt, sagt, dass wir Emotion als Rauschen behandeln. Damasio bewies, es ist das Signal. Emotion ist die Abkürzung, die deine Optionen vorfiltert, bevor bewusstes Reasoning überhaupt startet. Der Iowa Gambling Task nagelten das experimentell fest: Teilnehmer fingen an, schlechte Kartenstapel zu meiden, lange bevor sie erklären konnten warum. Ihre Hautleitfähigkeitsreaktion änderte sich zuerst. Das Bauchgefühl kam an, bevor der präfrontale Cortex Zeit hatte, ein JIRA-Ticket zu öffnen.

Wir denken gern, wir sind rationale Akteure, die manchmal von Gefühlen entgleist werden. Damasio zeigte, es ist andersrum. Oder warte, lass mich das anders ausdrücken: er zeigte, dass Gefühle nicht die Entgleisung sind. Sie sind die Schienen. Und Overskeid trieb es 2021 weiter, argumentierend, dass Damasio seine eigene Theorie untertrieb. Sein Paper-Titel sagt alles: "Can Damasio's Somatic Marker Hypothesis Explain More Than Its Originator Will Admit?" Aufbauend auf Hume: Emotion stupst dich nicht nur am Anfang einer Entscheidung an. Sie fährt die ganze Zeit Beifahrer. Vernunft ist der Sklave der Leidenschaften. War sie schon immer.

Jetzt denk daran, was das für Agenten bedeutet.

Mein OpenClaw-Agent behandelt jede Interaktion mit demselben emotionalen Gewicht. Was null ist. Der Billing-Incident, den ich an einem Sonntagabend löste, während alle anderen am Strand waren? Dieselbe Retrieval-Priorität wie jemand, der "wie ist das Wetter in Paris" fragt. Eine Krankenschwester, die vergisst, ob die letzte Operation den Patienten gerettet oder getötet hat, würde ihre Lizenz verlieren. Unsere Agenten machen das bei jeder einzelnen Query standardmäßig.

Ich denke nicht, dass Agenten subjektive Gefühle brauchen. Sie müssen keine Angst oder Freude erleben. Aber sie brauchen ein Salience-Signal (einen schnellen Marker, der sagt "das ist wichtig, aufpassen"), das funktioniert wie Emotion für Menschen. Ein automatischer Tag, der sagt "diese Interaktion war wichtiger als jene." Ohne das ist jede Erinnerung gleich flach, gleich grau, gleich vergessbar.

Damasio bewies, Emotion ist die Abkürzung. Wir bauen Agenten, die jedes Mal den langen Weg nehmen.

Die fünf fehlenden Prinzipien (mit Engineering-Analogien)

Im Dezember 2025 veröffentlichte ein Team von 47 Forschern "Memory in the Age of AI Agents" auf arXiv. Hit #1 auf Hugging Face Daily Papers. 1.200+ GitHub Stars. Der ICLR 2026 MemAgents Workshop in Rio diesen April ist die erste akademische Venue, die sich komplett Agent-Memory widmet. Das Feld zahlt endlich Aufmerksamkeit.

Und baut immer noch Aktenschränke.

Die arXiv-Survey mappt Memory in Forms, Functions und Dynamics. Solide Engineering-Taxonomie. Aber alle drei Achsen beschreiben, was gespeichert wird und wie es retrievet wird. Keine adressiert, warum bestimmte Erinnerungen mehr zählen als andere. Keine erwähnt Identitätskonstruktion. Keine referenziert Conway. Letta gibt dir selbst-editierende Memory-Blöcke. Mem0 gibt dir Vector-Search plus Graph-Relationships. Zep gibt dir einen temporalen Knowledge-Graph. Alle drei sind echte Engineering-Achievements. Alle drei behandeln Memory als Daten zum Retrieven, nicht Identität zum Konstruieren.

Jerome Bruner argumentierte, dass Narrativ das fundamentale Instrument menschlichen Denkens ist. Wir erinnern in Geschichten. Bruner fand das vor Jahrzehnten raus, und keins dieser Systeme generiert Geschichten.

Also hier sind die fünf Prinzipien, die die Kognitionspsychologie vor Jahrzehnten nagelten und die kein Agent-Memory-Framework implementiert. Jedes mit dem, was die Forschung sagt, was unsere Agenten stattdessen machen, und was es brauchen würde, um es zu fixen.

1. Temporale Hierarchie

Conway organisiert autobiographisches Gedächtnis in drei Ebenen: Lebensperioden, allgemeine Events, spezifische Episoden. Dein Gehirn schmeißt nicht alles in eine flache Timeline. Es verschachtelt Erfahrungen in Kontexte in Epochen.

Was unsere Agenten stattdessen haben: einen Vector Store, wo jeder Chunk auf derselben Ebene sitzt. Eine Nachricht von gestern und eine Nachricht von vor sechs Monaten sind gleich flache Nodes im selben Embedding-Space.

Der Graph-Database-Fix ist fast offensichtlich, sobald man es sieht. Interaktionen werden Nodes in einem hierarchischen Graph: Session-Level, Project-Level, Relationship-Level. Wenn der Agent sich an etwas erinnert, traversiert er Ebenen statt Cosine-Similarity auf einem flachen Index zu laufen. Ein wiederkehrender User löst sich zuerst zum Relationship-Level auf (Power-User, 15 Automationen, Billing-History), dann bohrt in spezifische Episoden, wenn nötig. Der Retrieval-Pfad spiegelt wider, wie du dich tatsächlich an eine Person erinnerst. Du erinnerst nicht jede Conversation, du erinnerst wer sie sind und zoomst dann rein.

Ich testete das teilweise mit Neo4j auf einem Side-Branch von OpenClaw. Sogar eine grobe zwei-Level-Hierarchie (User-Level-Summary + Episode-Nodes) schnitt irrelevante Retrievals um etwa die Hälfte. Nicht wissenschaftlich. Aber merklich genug, dass User aufhörten, dieselben Fragen gestellt zu bekommen.

2. Goal-Filtering

Conways "working self" filtert aktiv, welche Erinnerungen zugänglich sind basierend auf aktuellen Zielen. Du erinnerst nicht alles. Du erinnerst, was relevant ist für das, was du gerade machst. Aber unsere Agenten machen das nicht. Die Embedding-Query ist statisch. Derselbe Vector returnt dieselben Chunks, egal ob der Agent debuggt, onboarded oder eine Beschwerde handhabt.

Also brauchst du einen Pre-Prompt-Layer, der die Retrieval-Query umformt basierend auf dem aktuellen Kontext des Agenten. Bevor er Memory durchsucht, fragt sich der Agent "was muss ich wissen, gegeben was ich gerade mache." Wenn der User nach Billing fragt, wird die Query umgeschrieben, um billing-related Memories zu priorisieren. Wenn sie eine neue Automation einrichten, shiftet die Query zu ihren technischen Präferenzen. Das ist im Wesentlichen das, was Prompt Contracts auf Code-Level machen. Der Agent verhandelt, was er wissen muss, bevor er ausführt.

3. Emotionales Weighting

Schon mit Damasio abgedeckt, also halte ich es kurz. Die Sonntagabend-Billing-Krise wiegt mehr als die Timezone-Frage. Jedes aktuelle Memory-Framework behandelt sie identisch. importance: undefined.

Der Fix ist ein sentiment_score FLOAT, berechnet zur Write-Zeit. Leite es ab von Tone-Analysis, Interaktionstyp (Beschwerde vs. casual Frage), Urgency-Signalen, Resolution-Status. Die Retrieval-Pipeline multipliziert Relevanz mit diesem Score. Ich prototypte das mit einer simplen 1-5-Skala, abgeleitet von Keyword-Matching (Wörter wie "urgent," "broken," "frustrated" pushen den Score hoch). Grob. Aber sogar diese grobe Version änderte die Retrieval-Order genug, dass die erste Response eines wiederkehrenden Users sich weniger anfühlte wie mit einem Fremden zu reden.

4. Narrative Layer

Das ist das, was mich nachts wach hält. Bruner sagt, wir organisieren Erfahrung in narrativer Form. Nicht in JSON. Nicht in Knowledge-Graphs. In Geschichten mit Charakteren und Bögen und Wendepunkten. Und gerade speichert jedes Agent-Memory-System strukturierte Logs, extraktive Summaries, Entity-Relationship-Tupel. Akkurat. Seelenlos.

Was ich will ist ein Cron Job, täglich oder wöchentlich, der ein narratives Summary pro User oder pro Project generiert. Nicht extraktiv. Narrativ.

"Dieser User kam letzte Woche dreimal wegen des Billing-Problems. Jedes Mal frustrierter. Löste es Sonntagabend. Er konfigurierte zwei neue Automationen am nächsten Tag. Seitdem ruhig. Bedeutet wahrscheinlich, es funktionierte."

Dieses Summary wird in den Kontext bei der nächsten Interaktion injiziert. Der Agent weiß nicht nur Fakten über den User. Er kennt die Geschichte des Users.

Aber das ist auch das härteste Prinzip, gut zu implementieren. Ein Cron Job, der Narratives über deine User halluziniert, ist schlimmer als keine Narratives. Ich habe das noch nicht geknackt. Die Generation muss strikt in Interaktions-Logs gegrounded sein, mit einem Verifikationsschritt. Arbeite noch daran.

5. Strategisches Vergessen

Das kontraintuitivste. Vergessen ist kein Bug. Es ist ein Feature.

Das Gehirn pruned aktiv Erinnerungen, die obsolet, widersprüchlich oder nicht mehr relevant für das aktuelle Selbst sind. Conway nennt das "self-coherence" erhalten. Ohne Pruning verschmutzen alte Erinnerungen aktuelles Reasoning. Und jedes Agent-Memory-System, das ich gesehen habe, ist append-only. Nichts wird gelöscht. Sechs Monate alte Präferenzen widersprechen aktuellen. Veralteter Kontext konkurriert mit frischem Kontext während des Retrievals.

Du brauchst automatisiertes Pruning mit einem Decay-Score. Alter mal Zugriffshäufigkeit mal Relevanz zu aktuellen Zielen. Erinnerungen, die seit Monaten nicht zugegriffen wurden und sich nicht mit aktiven Projekten verbinden, werden archiviert, dann gelöscht. Ein Garbage Collector für den Mind. Java bekam das 1995 richtig und wir laufen immer noch append-only Logs in 2026. Dein Agent muss sich nicht daran erinnern, dass ein User in UTC-5 war, wenn er nach UTC+1 gezogen ist. Der alte Fakt schadet aktiv, wenn er rumhängt.

Ehrlicher Status: Prinzipien 1, 3 und 5 sind diese Woche testbar. Graph-Epochen, Sentiment-Scoring und Decay-Pruning sind straightforward Engineering. Prinzip 2 (Goal-Filtering) braucht sorgfältiges Prompt-Design. Prinzip 4 (Narrative-Generation) braucht ernsthafte Arbeit, um Halluzination zu vermeiden. Dieses Framework ist eine Richtung, kein fertiges Produkt.

Was ihr heute Nacht machen könnt

Ihr braucht keine Graph-Database um anzufangen. Ihr braucht zehn Minuten und einen Texteditor.

Wenn ihr Claude Code nutzt, öffnet eure CLAUDE.md jetzt sofort. Fügt einen Abschnitt namens ## Who I Am To This Agent hinzu. Schreibt keine Config-Datei. Schreibt einen Absatz. Nicht das:

timezone: UTC-5
language: EN
experience: senior

Das:

Phil ist ein Dev/DevOps aus Playa del Carmen, der täglich AI-Automationen 
baut. Er arbeitet seit 8+ Monaten mit Claude Code. Er wird frustriert, 
wenn Tools Kontext zwischen Sessions vergessen. Ihm ist wichtig, schnell 
zu shippen und er hasst unnötige Abstraktionen. Wenn er eine Frage stellt, 
hat er meist schon die offensichtliche Lösung probiert und sie funktionierte nicht.

Das ist Prinzip #4, der Narrative Layer, angewendet auf dem simpelsten möglichen Level. Der Agent weiß nicht nur Fakten über euch. Er kennt eure Geschichte. Sogar eine zwei-Absatz-Geschichte ändert, wie das Model antwortet.

Wenn ihr Agenten baut, öffnet euren System-Prompt oder Soul-File. Fügt ein Feld namens relationship_summary hinzu und updated es am Ende jeder Session:

## Session Evaluation & Memory Update Rules
Am Ende jeder Session, bevor du in Standby-Modus gehst, musst du den 
Interaktionsstatus evaluieren. Nutze deine File-Editing-Tools, um still 
die User-Profile-Datei mit einem "relationship summary" zu updaten.

Du musst folgende exakte Datenpunkte extrahieren, synthetisieren und aufzeichnen:
- total_sessions: [Erhöhe den bekannten Session-Count]
- trust_level: [Bestimme Trust-Level aus Interaktions-History, z.B. low, medium, high]
- last_interaction: [Kurzes Summary der abgeschlossenen Task, z.B. "billing escalation, resolved"]
- emotional_tone: [User finaler emotionaler Zustand, z.B. "angespannt aber dankbar nach Fix"]
- next_likely_need: [Prädiktive Analyse der nächsten benötigten Task, z.B. "new automation setup"]

Gib dieses Summary nicht an das User-Interface aus. Das ist strikt für interne 
Kontext-Persistierung.

Kein Log. Ein Ein-Satz-Narrativ. "Dieser User war 47 Mal hier. Er vertraut uns mit Billing. Letzte Interaktion war angespannt aber gelöst." Das ist euer Minimum Viable Memory Identity. Die Version eures Agenten von ~/.bashrc. Außer dass er sich daran erinnert, mit wem er redet, nicht nur wie man ls aliased.

Das wird das Memory-Problem nicht lösen. Es ist ein Pflaster auf einer kaputten Architektur. Aber es ist ein Pflaster, das euren Agenten in zehn Minuten dramatisch menschlicher fühlen lässt.

Das beste Memory-System ist das, was ihr heute Nacht shippt. Das perfekte ist das, was niemand baut.

Warum wir weiter Aktenschränke bauen

Der Grund, warum die Industrie weiter Psychology ignoriert, ist simpel. Engineers lesen Docs, keine Journals. "Memory" in CS bedeutet RAM und Cache-Invalidation, nicht Identität und Narrativ. Und die Benchmarks (LoCoMo, LongMemEval) messen Retrieval-Accuracy, nicht Identity-Coherence. Man optimiert, was man misst. Wenn eure Test-Suite nur checkt "fand es den richtigen Chunk," gratuliert, ihr habt eine sehr teure Suchmaschine gebaut.

Der echte Test von Agent-Memory ist nicht "retrievte es den korrekten Fakt." Es ist "fühlt sich der User gekannt." Da ist eine Lücke zwischen einem Server, der euer Foto speichert, und einem Freund, der weiß, warum ihr über diesen Witz lacht. Jedes aktuelle Memory-Framework lebt auf der Server-Seite dieser Lücke.

Conway baute keine Datenbank. Er beschrieb ein Selbst. Das ist der Teil, der uns fehlt.

---

Ich schreibe über das, was ich mit AI-Agenten baue, kaputt mache und fixe. Keine Theorie ohne Code, kein Code ohne Narben. Folgt, wenn ihr die Engineering-Details wollt, die niemand in die Docs schreibt.

---

Wie Agenten ein echtes Gedächtnis entwickeln können - nicht nur Datenspeicher, sondern kontextuelle Intelligenz. Die Psychologie hat die Lösung schon vor Jahrzehnten gefunden.

→ Newsletter abonnieren und Welcome Kit holen