Hipocampus - Permanentes Speichersystem für AI-Agenten (Zero Infrastructure)

AI-Agenten wie Claude Code oder OpenClaw vergessen in dem Moment alles, wenn die Sitzung endet. Wenn man sieht, dass sie in der nächsten Sitzung wieder von vorn recherchieren, obwohl man sich vor zwei Wochen schon auf eine DB-Migrationsstrategie geeinigt hat, ist das ziemlich frustrierend.

Natürlich gibt es dafür verschiedene Lösungen, aber ihre Grenzen sind klar:

• Mit nur einer MEMORY.md durchhalten: Nach einer Woche läuft sie über, und man muss überlegen, was gelöscht werden soll. Was gelöscht ist, ist für immer weg
• RAG-Suche: Findet zwar, was gesucht wird, kann aber von vornherein nicht beurteilen: „Wusste ich das schon?“
• Alles in 1M Kontext stopfen: Funktioniert zwar, aber die Attention wird unscharf und die Token-Kosten explodieren

Hipocampus löst das mit einem 3-stufigen Speicher (hot/warm/cold) plus einem 5-Level-Compaction-Tree. Die gesamte bisher angesammelte Gesprächs- und Arbeitshistorie wird in einen ROOT.md-Index von etwa 100 Zeilen komprimiert, sodass der Agent bei jedem Aufruf mit nur etwa 3K zusätzlichen Tokens sofort versteht, „was ich weiß und was ich nicht weiß“.

• Installation mit einer einzigen Zeile: npx hipocampus init
• Keine externen Abhängigkeiten + keine Infrastruktur wie Server erforderlich
• Sofort mit bestehendem Claude Code und OpenClaw nutzbar
• qmd-basierte hybride Suche aus BM25 + Vektoren (optional)
• Schreibvorgänge in den Speicher werden von einem Sub-Agenten verarbeitet, sodass der Haupt-Sitzungskontext sauber bleibt
• MIT-Lizenz

Ich habe das gebaut, weil es Verschwendung von Zeit und Tokens war, dass Agenten immer wieder dieselben Dinge nachfragen und alles von Anfang an neu recherchieren. Es hat besser funktioniert als erwartet, deshalb habe ich es als Open Source veröffentlicht.

[gykim]

Klingt gut. Ich protokolliere derzeit alle Arbeitsverläufe tagesweise und lasse dann grep darauf laufen, aber das sollte ich wohl auch einmal ausprobieren.