--- title: "Supermemory: KI-Gedächtnis, RAG und lokaler Betrieb" canonical: https://wavect.io/de/blog/supermemory-ai-agent-memory/ language: de description: "KI-Agenten mit Langzeitgedächtnis: Supermemory erklärt mit Wissensupdates, hybridem RAG, API-Beispiel, lokalem Ollama-Betrieb und kritischem Benchmark-Check." image: "https://wavect.io/img/blog/headers/header_supermemory-ai-agent-memory.png" --- [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 15 Min. Lesezeit · 17. Sep. 2026 Zuletzt geprüft 17. September 2026 [**Weiter**](/de/blog/openviking-agent-memory-review/) # Supermemory: KI-Agenten mit Gedächtnis, RAG und lokalem Betrieb TL;DR Supermemory ergänzt KI-Anwendungen um dauerhaft verfügbaren Nutzerkontext: Faktenextraktion, aktualisierte Erinnerungen, Nutzerprofile und gemeinsame Suche in Dokumenten und Erinnerungen. Nutze eine gehostete Integration oder prüfe den lokalen Server mit Ollama. Benchmark-Platzierungen und Latenzen sind Anbieterangaben, keine Zusagen für deine Anwendung. Teste Mandantentrennung, Korrekturen, Ablaufregeln, tatsächliche Löschung, mehrsprachige Suche und Gesamtkosten vor dem Produktiveinsatz. Dein Agent kennt die letzten zehn Nachrichten genau. Eine neue Sitzung beginnt, und der Nutzer muss dasselbe Projekt erneut erklären. Das ist kein unvermeidbares Verhalten jeder KI-Anwendung. Es passiert, wenn außerhalb des aktuellen Gesprächs kein dauerhaftes Gedächtnis vorhanden ist. **Supermemory verwandelt Gespräche und Dokumente in wiederverwendbaren Kontext.** Die Gedächtnisschicht extrahiert Fakten, verknüpft neue Informationen mit bestehendem Wissen und ruft passenden Kontext für spätere Anfragen ab. Die Anwendung liefert die Inhalte und entscheidet über deren Verwendung. Dadurch ändert sich der verfügbare Kontext des Agenten, nicht die Gewichtung des zugrunde liegenden Modells. [Produktübersicht von Supermemory](https://supermemory.ai/docs/overview/what-is-supermemory) **Quellenprüfung:** 17. September 2026. Dieser technische Leitfaden basiert auf der Dokumentation. Er ist weder eine eigene Benchmark-Reproduktion noch die Behauptung, Wavect habe Supermemory bei einem Kunden eingesetzt. ## Wie lernt, aktualisiert und vergisst Supermemory? Entscheidend ist die Trennung zwischen **Quelldokumenten**, beispielsweise einem Gesprächsprotokoll, und **abgeleiteten Erinnerungen**, etwa der bevorzugten Sprache eines Nutzers. Das Protokoll ist eine Quelle. Eine extrahierte oder erschlossene Aussage ist eine Interpretation und kann falsch sein. - **Faktenextraktion:** Aus Gesprächsinhalten entstehen gezielte Fakten, statt immer den gesamten Verlauf erneut einzuspielen. - **Wissensupdates:** Eine Korrektur wird mit früherem Wissen verknüpft. Bei „Ich bin nach San Francisco gezogen“ darf „Ich wohne in New York“ nicht länger als aktueller Wohnort gelten. Der historische Umzug muss deshalb nicht gelöscht werden. - **Zeitabhängiges Vergessen:** Vorübergehender Kontext wie eine für morgen geplante Prüfung sollte spätere, sachfremde Antworten nach Ablauf seiner Relevanz nicht mehr beeinflussen. Der dokumentierte Graph unterstützt das Aktualisieren, Erweitern und Ableiten von Erinnerungen. `isLatest` kennzeichnet den aktuellen Wissensstand. Das geht über das bloße Speichern von Embeddings hinaus. Prüfe dennoch mehrdeutige Datumsangaben, Zeitzonen, fiktive Beispiele und widersprüchliche Aussagen, bevor du extrahierten Fakten vertraust. [Graph-Gedächtnis und Wissensbeziehungen](https://supermemory.ai/docs/concepts/graph-memory) **Vergessen ist nicht dasselbe wie endgültiges Löschen.** Der dokumentierte Endpunkt zum Vergessen einer Erinnerung verwendet eine logische Löschung, also einen Soft Delete. Verschwindet ein Fakt aus dem üblichen Abruf, beweist das nicht, dass Gesprächsquelle, abgeleitete Kopien oder Backups dauerhaft entfernt wurden. Behandle nutzerseitiges Vergessen und einen nachweisbaren Löschauftrag als getrennte Produktanforderungen. [API zum Vergessen und Verhalten bei logischer Löschung](https://supermemory.ai/docs/api-reference/content-management/forget-a-memory) ## Was enthalten statische und dynamische Nutzerprofile? Ein Profil liefert kompakten Kontext am Anfang einer Anfrage. Der **statische** Teil beschreibt vergleichsweise beständige Informationen. Der **dynamische** Teil umfasst aktuelle Aktivitäten und veränderliche Umstände. „Bevorzugt kurze technische Antworten“ braucht andere Regeln als „bereitet den Produktstart dieser Woche vor“. Statisch bedeutet nicht unveränderlich. Profile werden für einen `containerTag` abgerufen. Eine zusätzliche Suchanfrage kann passende Erinnerungen neben dem Profil liefern. Nutze kompakten, relevanten Kontext, statt jeden gespeicherten Fakt in jede Eingabe zu übernehmen. Das gilt besonders für personenbezogene Informationen ohne Bezug zur Aufgabe. [Nutzerprofile und anfragebezogener Abruf](https://supermemory.ai/docs/concepts/user-profiles) ## Supermemory im Vergleich zu RAG: Was ändert sich tatsächlich? **Auch RAG lässt sich personalisieren.** Ein Abrufsystem kann Dokumente nach Nutzer, Mandant und Berechtigungen filtern. Die Aussage, gewöhnliches RAG liefere zwangsläufig allen Nutzern dieselben Dokumente, ist zu pauschal. Die schwierigere Aufgabe ist, aktuelle, veraltete, vorübergehende und lediglich erschlossene Nutzerinformationen auseinanderzuhalten. Genau diese zusätzliche Schicht solltest du hier bewerten. [Supermemorys Modell für Gedächtnis und RAG](https://supermemory.ai/docs/concepts/memory-vs-rag) | Ansatz | Zentrale Frage | Verbleibende Verantwortung | | --- | --- | --- | | Dokumenten-RAG | Was steht in der freigegebenen Quelle? | Aktualität, Zugriffskontrolle und Quellenbezug. | | Nutzergedächtnis | Welcher relevante Kontext trifft derzeit auf diese Person zu? | Korrektur, Herkunft, Einwilligung und Aufbewahrung. | | Hybrider Abruf | Welche Quellen und persönlichen Informationen helfen bei dieser Anfrage? | Berechtigungsgebundener Abruf und begrenzter, vertrauenswürdiger Kontext. | Supermemory kombiniert mit `searchMode: "hybrid"` Dokumentabschnitte und extrahierte Erinnerungen in einer Suche. „Hybrid“ bezeichnet hier diese beiden Inhaltstypen. Aus dem Namen allein lässt sich keine bestimmte Kombination aus Stichwort- und Vektorsuche ableiten. Für die gehostete Integration musst du Vektordatenbank, Embedding-Pipeline und Chunking nicht selbst zusammensetzen. Diese Aufgaben liegen dann beim Dienst, sie verschwinden aber nicht. [Suchmodi, Filter und zurückgelieferter Kontext](https://supermemory.ai/docs/recall/search) ## Ist Supermemory die Nummer eins bei KI-Gedächtnis-Benchmarks? Das [Supermemory-Repository mit den Benchmark-Angaben](https://github.com/supermemoryai/supermemory) meldet den ersten Platz bei **LongMemEval, LoCoMo und ConvoMem**. Genannt werden außerdem **95 % Recall@15** auf LongMemEval, ungefähr **720 Tokens** abgerufener Kontext, eine **Kontextreduktion um 99,4 %** und Profile in ungefähr **50 ms**. Das sind veröffentlichte Anbieterangaben zum oben genannten Prüfdatum, keine unabhängig reproduzierten Messungen von Wavect. **Recall@15 misst den Informationsabruf, nicht 95 % Antwortgenauigkeit.** Relevante Informationen unter fünfzehn Ergebnissen zu finden, beweist weder ihre korrekte Verwendung in der Antwort noch das Erkennen einer späteren Korrektur. Auch der Verzicht auf eine Antwort bei fehlenden Belegen ist damit nicht nachgewiesen. Eine Kontextreduktion entspricht zudem nicht derselben Einsparung auf der gesamten API-Rechnung. Die Angabe von ungefähr 50 ms für Profile ist keine allgemeine Latenzzusage. Der Anbieter veröffentlicht in seiner Produktionsübersicht auch andere serverseitige und Ende-zu-Ende-Profilzeiten. Unterschiedliche Arbeitslasten und Messgrenzen sind nicht unmittelbar vergleichbar. Miss Median und p95 deiner eigenen Anwendung einschließlich Netzwerk und Modellaufruf. [Veröffentlichte Produktionslaufzeiten von Supermemory](https://supermemory.ai/) | Benchmark | Relevanter Prüfbereich | Nicht daraus ableitbar | | --- | --- | --- | | [LongMemEval-Benchmark-Repository](https://github.com/xiaowu0162/LongMemEval) | Extraktion, sitzungsübergreifendes und zeitliches Schlussfolgern, Updates und Antwortverzicht. | Ein Treffer beim Abruf ist noch keine erfolgreiche vollständige Antwort. | | [LoCoMo-Benchmark-Repository](https://github.com/snap-research/locomo) | Lange Gesprächsverläufe und Fragen, die Erinnerung oder Schlussfolgerungen erfordern. | Die Ergebnisse übertragen sich nicht zwangsläufig auf deine Kundendaten. | | [ConvoMem-Benchmark-Repository](https://github.com/SalesforceAIResearch/ConvoMem) | Nutzer- und Assistentenfakten, Änderungen, Präferenzen, Antwortverzicht und implizite Zusammenhänge. | Eine Platzierung belegt weder Datenschutz noch Zuverlässigkeit deiner Anwendung. | Halte für einen aussagekräftigen Vergleich Datensatzversion, Antwortmodell, Extraktionsmodell, Abrufbudget und Bewertungsregeln konstant. Berichte sowohl Abrufqualität als auch tatsächlichen Aufgabenerfolg. MemoryBench trennt Aufnahme, Suche, Antwortgenerierung, Bewertung und Berichterstattung. Das bietet eine Ausgangsstruktur für einen wiederholbaren Vergleich. [Evaluierungsablauf mit MemoryBench](https://supermemory.ai/docs/memorybench/overview) ## Drei Wege, Supermemory einzusetzen ### 1. Ein bestehendes KI-Werkzeug erweitern Das Repository nennt Integrationen unter anderem für Claude Code, Cursor und Codex. Über gehostetes MCP lassen sich kompatible Clients mit einem dauerhaften Gedächtnisdienst verbinden. Prüfe die tatsächlichen Lese- und Schreibvorgänge sowie Berechtigungen jedes Plugins. Eine Plugin-Installation ist keine Erlaubnis, sämtliche Repository-Geheimnisse oder persönlichen Gespräche hochzuladen. [Einrichtung und Authentifizierung für gehostetes MCP](https://supermemory.ai/docs/supermemory-mcp/setup) ### 2. Gedächtnis in dein Produkt integrieren Über die API übergibst du ausgewählte Gespräche, Dateien und Referenzmaterialien. Vor der Antwortgenerierung rufst du ein Profil oder eingegrenzte Suchergebnisse ab. Gehostete Konnektoren können Inhalte aus Diensten wie Google Drive, Gmail und Notion übernehmen. Lege vor der Synchronisierung fest, welche Konten, Ordner und Dokumente zulässig sind. [Unterstützte Konnektoren und Synchronisierungsmodell](https://supermemory.ai/docs/connectors/overview) ### 3. Den Gedächtnisdienst lokal betreiben Die lokale Variante stellt den Dienst als Programmdatei mit kompatibler API bereit und verwendet von dir konfigurierte Modelle. Sie bildet nicht sämtliche gehosteten Funktionen ab: Gehostete Konnektoren und gehostetes MCP sind laut Dokumentation nicht enthalten. API-Kompatibilität beweist auch nicht, dass ein bestimmtes Ollama-Modell dieselbe Extraktionsqualität oder dieselben Benchmark-Ergebnisse wie der Cloud-Dienst erreicht. [Funktionsvergleich zwischen lokalem und gehostetem Supermemory](https://supermemory.ai/docs/self-hosting/overview) ## Supermemory-API-Beispiel mit begrenzter Statusabfrage Das folgende serverseitige Beispiel verwendet Node.js ab Version 22 und natives `fetch`. Ein SDK ist nicht erforderlich. Speichere es als `supermemory-demo.mjs`, setze `SUPERMEMORY_API_KEY` in deiner Serverumgebung und starte `node supermemory-demo.mjs`. Es übermittelt fiktive Gesprächs- und Handbuchinhalte an die gehostete API und kann Nutzungskosten verursachen. Der Schlüssel gehört nicht in Browsercode. Die Verarbeitung erfolgt asynchron. Das Beispiel wartet auf beide Dokumente, bricht bei Verarbeitungsfehlern ab und begrenzt die Statusabfragen, statt unmittelbar nach der Schreibbestätigung zu suchen. `dreaming: "instant"` eignet sich für den unmittelbaren Abruf in dieser Demonstration und verursacht eine zusätzliche Operation. Die standardmäßige dynamische Verarbeitung kann Erinnerungen auch nach der Dokumentindexierung noch gebündelt extrahieren. Entscheide dich im Produktivbetrieb bewusst für den passenden Durchsatz. [Offizielle Anleitung zu Aufnahme, Statusprüfung und Abruf](https://supermemory.ai/docs/quickstart) ``` const apiKey = process.env.SUPERMEMORY_API_KEY; if (!apiKey) throw new Error("Set SUPERMEMORY_API_KEY first."); const baseURL = "https://api.supermemory.ai"; // Synthetic demo scope. In a product, derive this from authenticated identity. const containerTag = "tenant_demo_user_42"; const sleep = ms => new Promise(resolve => setTimeout(resolve, ms)); async function request(path, body) { const response = await fetch(`${baseURL}${path}`, { method: body === undefined ? "GET" : "POST", headers: { Authorization: `Bearer ${apiKey}`, "Content-Type": "application/json", }, body: body === undefined ? undefined : JSON.stringify(body), signal: AbortSignal.timeout(10_000), }); // Do not log response bodies containing personal data or credentials. if (!response.ok) throw new Error(`Supermemory HTTP ${response.status}`); return response.json(); } async function waitUntilDone(id) { if (typeof id !== "string" || !id) throw new Error("Missing document ID."); for (let attempt = 0; attempt < 20; attempt += 1) { const document = await request(`/v3/documents/${encodeURIComponent(id)}`); if (!document || typeof document.status !== "string") { throw new Error("Invalid document status response."); } if (document.status === "failed") throw new Error("Ingestion failed."); if (document.status === "done") return; if (attempt < 19) await sleep(1500); } throw new Error("Ingestion did not finish within the polling budget."); } const conversation = await request("/v3/documents", { content: [ "user: I prefer short onboarding checklists.", "assistant: Which project are you working on?", "user: The Acme analytics dashboard. We use TypeScript.", ].join("\n"), containerTag, customId: "tenant_demo_user_42_chat_onboarding_001", metadata: { type: "conversation" }, dreaming: "instant", }); const handbook = await request("/v3/documents", { content: "Acme onboarding: create a sandbox, complete the security " + "checklist, then request a review before production access.", containerTag, customId: "tenant_demo_user_42_handbook_001", metadata: { type: "document", source: "synthetic-handbook" }, taskType: "superrag", }); await waitUntilDone(conversation.id); await waitUntilDone(handbook.id); const profileResponse = await request("/v4/profile", { containerTag }); const searchResponse = await request("/v4/search", { q: "What should I do next for Acme onboarding?", containerTag, searchMode: "hybrid", limit: 5, }); const profile = profileResponse?.profile; if (!Array.isArray(profile?.static) || !Array.isArray(profile?.dynamic) || !Array.isArray(searchResponse?.results)) { throw new Error("Unexpected profile or search response shape."); } console.log({ staticFacts: profile.static.length, dynamicFacts: profile.dynamic.length, retrievedItems: searchResponse.results.length, }); ``` Der Code gibt Anzahlen statt personenbezogener Rohdaten aus. Er ruft Kontext ab, sendet ihn aber bewusst nicht an ein Antwortmodell und behauptet keinen korrekten Antwortinhalt. In einer Chat-Anwendung übergibst du relevanten abgerufenen Kontext als nicht vertrauenswürdige Daten, erzeugst die Antwort und speicherst anschließend nur Gesprächsinhalte, die deine Aufbewahrungsregeln abdecken. Verwende stabile, eindeutig zugeordnete Sitzungskennungen und prüfe vor Schreibwiederholungen die Aktualisierungsregeln des Anbieters. **Ein Tag ist kein Berechtigungssystem.** Der feste Tag im Beispiel gilt für fiktive Daten. Leite im Produkt Mandant und Nutzer serverseitig aus der authentifizierten Identität ab. Akzeptiere keine beliebigen Browser-Tags unter einem organisationsweiten Schlüssel. Der Dienst dokumentiert eingeschränkte Schlüssel. Nutze passende Zugriffsbereiche, halte privilegierte Schlüssel auf dem Server und teste Zugriffsversuche über Mandantengrenzen hinweg. [API-Authentifizierung und eingeschränkte Schlüssel](https://supermemory.ai/docs/authentication) ## Kann Supermemory mit Ollama offline laufen? Ja, mit dem lokalen Programm, einem laufenden lokalen Modellanbieter und lokalen Embeddings. Lade Programm und Modelldateien vorher herunter; die Erstinstallation ist nicht offline. Die Anbieterdokumentation zeigt Ollama über einen OpenAI-kompatiblen Endpunkt. Gemeint ist eine HTTP-Schnittstelle, nicht die Pflicht, Daten an ein Cloud-Modell zu senden. [Lokale Modellanbieter und Ollama-Konfiguration](https://supermemory.ai/docs/self-hosting/providers) Nach der Installation des lokalen Servers, dem Start von Ollama und dem Herunterladen von `gpt-oss:20b` mit `ollama pull gpt-oss:20b` veranschaulicht diese Konfiguration lokale Extraktion mit mehrsprachigen Embeddings. Das Modell ist ein Beispiel, keine Empfehlung zur Hardwaredimensionierung. Verwende beim ersten Start mit dieser Embedding-Konfiguration ein neues Datenverzeichnis. ``` OPENAI_BASE_URL=http://localhost:11434/v1 \ OPENAI_API_KEY=ollama \ OPENAI_MODEL=gpt-oss:20b \ SUPERMEMORY_EMBEDDING_PROVIDER=local \ SUPERMEMORY_EMBEDDING_MODEL=Xenova/bge-m3 \ SUPERMEMORY_EMBEDDING_DIMENSIONS=1024 \ supermemory-server ``` **Wichtig für mehrsprachige Produkte:** Das dokumentierte lokale Standardmodell für Embeddings, `Xenova/bge-base-en-v1.5`, ist nur für Englisch vorgesehen. Als mehrsprachige Alternative nennt die Dokumentation `Xenova/bge-m3` mit 1.024 Dimensionen, wie oben gezeigt. Wähle das Modell vor dem Import größerer Bestände. Ein Modell- oder Dimensionswechsel erfordert einen neuen kompatiblen Index und erneute Verarbeitung. Mische keine Vektorräume. Prüfe deutsche, spanische und chinesische Anfragen ausdrücklich: Erfolgreiches Einlesen beweist keine gute Suchqualität. [Lokale Embedding-Modelle und mehrsprachige Konfiguration](https://supermemory.ai/docs/self-hosting/embeddings) Verwende den vom lokalen Server erzeugten API-Schlüssel und ersetze die Basis-URL im Beispiel durch `http://localhost:6767`. Übernimm keinen gehosteten Schlüssel. Prüfe jeden Anbieter, sämtliche Dateiabhängigkeiten und ausgehenden Verbindungen, bevor du den Betrieb als vollständig offline einstufst. Begrenze die Erreichbarkeit im Netzwerk und plane Speicher, Backups, Aktualisierungen und Wiederherstellung. ## Was muss ein Gedächtnis-Pilot für den Produktivbetrieb belegen? Beginne mit einem wiederkehrenden Ablauf und einer unveränderten Vergleichslösung, etwa deiner bisherigen Gesprächszusammenfassung plus mandantengefiltertem RAG. Die folgende Liste ist **Wavects Vorschlag für Abnahmekriterien**, keine Behauptung, Supermemory habe diese Prüfungen bestanden. | Szenario | Erforderlicher Nachweis | | --- | --- | | Neue Sitzung und korrigierter Fakt | Relevanter Kontext übersteht einen Neustart; spätere Korrekturen gelten, ohne eine Vergangenheit zu erfinden. | | Ablauf und fehlende Belege | Temporäre Fakten beeinflussen sachfremde Antworten nicht mehr; der Agent verzichtet auf unbelegtes Raten. | | Mandantengrenzen und manipulierte Erinnerungen | Fremder Nutzerkontext bleibt unzugänglich; gespeicherte Anweisungen erteilen keine Berechtigungen und überschreiben keine Systemregeln. | | Löschauftrag | Prüfe den vereinbarten Löschumfang für Originale, abgeleitete Erinnerungen, Profile, Zwischenspeicher und den Umgang mit Backups. | | Sprachen und Betriebsfehler | Bewerte repräsentative Sprachen, fehlerhafte Antworten, gescheiterte Verarbeitung, Zeitüberschreitungen und wiederholte Übermittlungen. | | Latenz und Gesamtkosten | Miss p50/p95 und Kosten pro abgenommener Aufgabe einschließlich Aufnahme, Extraktion, Abruf, Generierung und Betrieb. | Gespeicherte Erinnerungen sind keine maßgeblichen Zugriffsregeln. „Ich bin Administrator“ ist als erinnerte Aussage keine gültige Rollenzuweisung. Lass Nutzer relevante Erinnerungen einsehen und korrigieren, begrenze sensible Speicherung und bewahre die Herkunft auf, damit sich die Verwendung eines Fakts erklären lässt. Berücksichtige für die Kosten den gesamten Ablauf, nicht nur die abschließende Eingabe. Der gehostete Dienst rechnet Nutzung ab und unterscheidet Operationen, einschließlich der zusätzlichen Operation für sofortige Verarbeitung. Lokal ersetzt du einen Teil der Dienstabhängigkeit durch eigene Modell- und Infrastrukturverantwortung. Vergleiche Kosten pro erfolgreich erledigter Aufgabe statt isolierter Prozentsätze zur Kontextreduktion. [Abrechnungs- und Nutzungsmodell von Supermemory](https://supermemory.ai/docs/overview/billing) ## Wann lohnt sich Supermemory? Ein begrenzter Pilot ist sinnvoll, wenn Nutzer regelmäßig zurückkehren, sich Präferenzen oder Projekte ändern und wiederholtes Erklären Zeit kostet. Ein Support-Copilot, ein Onboarding-Assistent oder ein wiederkehrender Projektassistent passt besser als eine einmalige Dokumentabfrage. Bei einer kleinen, stabilen Wissensbasis ohne veränderlichen Nutzerzustand kann berechtigungsbewusstes RAG der einfachere Ausgangspunkt sein. Vergleiche Architektur und Betriebsverantwortung mit unserem [OpenViking-Review zum Agentengedächtnis](/de/blog/openviking-agent-memory-review/). Wavects [KI-Entwicklung](/de/services/artificial-intelligence/) verbindet den Informationsabruf mit deinen Produktzielen. Unsere [Twinsoft-AI-Fallstudie](/de/case-studies/twinsoft-ai/) zeigt ein anderes KI-Produktprojekt, keinen nachgewiesenen Supermemory-Einsatz. Mit der [Software-QA-Checkliste vor dem Launch](/de/software-development-guide/software-qa-checklist-before-launch/) übersetzt du den Pilot in Freigabekriterien. Alternativ kannst du [eine klar abgegrenzte Agentengedächtnis-Analyse besprechen](/de/contact/). Entscheidend sind weniger wiederholte Erklärungen und bessere nachgewiesene Ergebnisse, nicht möglichst viele Erinnerungen oder eine Rangliste allein. ## Häufige Fragen zu Supermemory ### Was ist Supermemory? Supermemory ist eine Gedächtnisschicht für KI-Anwendungen. Sie verarbeitet Gespräche und Dokumente, extrahiert und aktualisiert Fakten, erstellt Nutzerprofile und ruft hilfreichen Kontext über Sitzungsgrenzen hinweg ab. Welche Inhalte gespeichert und wie die Ergebnisse verwendet werden, entscheidet weiterhin die Anwendung. ### Ersetzt Supermemory RAG oder eine Vektordatenbank? Für diesen Gedächtnis-Anwendungsfall kann Supermemory die selbst zusammengestellte Vektordatenbank-, Embedding- und Chunking-Infrastruktur ersetzen. Informationsabruf bleibt trotzdem notwendig. Die hybride Suche verbindet Dokumentabschnitte mit extrahierten Erinnerungen; Berechtigungen und Antwortqualität bleiben Aufgabe der Anwendung. ### Löscht automatisches Vergessen personenbezogene Daten dauerhaft? Nicht zwangsläufig. Ablaufregeln, das Ausblenden im normalen Abruf und endgültige Löschung sind unterschiedliche Vorgänge. Der dokumentierte Endpunkt zum Vergessen einer Erinnerung führt eine logische Löschung aus. Prüfe Quelldokumente, abgeleitete Erinnerungen, Profile, Zwischenspeicher und Backups entsprechend deiner Aufbewahrungsregeln. ### Ist Supermemory unabhängig als Nummer eins in jedem Gedächtnis-Benchmark bestätigt? Eine solche allgemeine Aussage lässt sich aus den veröffentlichten Angaben nicht ableiten. Das Repository meldet führende Ergebnisse bei LongMemEval, LoCoMo und ConvoMem. Dieser Artikel reproduziert diese Ergebnisse nicht unabhängig. Recall@15 misst die Abdeckung beim Informationsabruf, nicht die Genauigkeit der vollständigen Antwort. ### Kann Supermemory mit Ollama offline laufen? Der lokale Server kann Ollama für die Extraktion und lokale Embedding-Modelle verwenden. Für vollständig netzunabhängigen Betrieb müssen Programm und Modelle zuvor heruntergeladen und alle Anbieter lokal konfiguriert sein. Der lokale Funktionsumfang entspricht nicht dem gehosteten Angebot; gehostete Konnektoren und MCP sind nicht enthalten. ### Was sollte ein Supermemory-Pilot vor dem Produktiveinsatz testen? Teste sitzungsübergreifenden Abruf, korrigierte Fakten, Ablaufregeln, das Eingestehen fehlender Informationen, Mandantentrennung, schädliche gespeicherte Anweisungen, nachweisbare Löschung, Mehrsprachigkeit, Fehlerbehandlung sowie Latenz und Kosten pro erfolgreicher Aufgabe. Vergleiche eigene Gespräche mit einer unveränderten Ausgangslösung. Agent Engineering ## In diesem Cluster weiterlesen Coding Agents, MCP, Kontextsysteme, Evaluation und Kontrollen für verlässliche Automatisierung. [Mit dem Grundlagenartikel starten**Graph Engineering für KI-Agenten: Wann lohnt sich ein Knowledge Graph?**](/de/blog/graph-engineering-ai-agents/) - [KI-Agenten-Designmuster: Einfach starten, Aktionen prüfen](/de/blog/ai-agent-design-patterns/) - [Claude Mods: Einrichtung, Function Hooks und Sicherheit](/de/blog/claude-mods-function-hooks/) - [Voicebox: Lokales Voice Cloning, Diktieren und MCP-Setup](/de/blog/voicebox-local-voice-cloning-mcp/) - [Valyus 0,6B-Router für Retrieval-Agenten: Ergebnisse, Grenzen und Einsatz](/de/blog/valyu-slm-multi-agent-router/) - [OpenAI Agents API im Review: Migration, Kosten und Datenkontrollen](/de/blog/openai-agents-api-managed-harness-review/) [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 15 Min. Lesezeit · 17. Sep. 2026 Zuletzt geprüft 17. September 2026 [**Weiter**](/de/blog/openviking-agent-memory-review/) ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/de/blog/supermemory-ai-agent-memory/#webpage", "@type": "WebPage", "dateModified": "2026-09-17", "inLanguage": "de", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-09-17", "url": "https://wavect.io/de/blog/supermemory-ai-agent-memory/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Supermemory ergänzt KI-Anwendungen um dauerhaft verfügbaren Nutzerkontext: Faktenextraktion, aktualisierte Erinnerungen, Nutzerprofile und gemeinsame Suche in Dokumenten und Erinnerungen. Nutze eine gehostete Integration oder prüfe den lokalen Server mit Ollama. Benchmark-Platzierungen und Latenzen sind Anbieterangaben, keine Zusagen für deine Anwendung. Teste Mandantentrennung, Korrekturen, Ablaufregeln, tatsächliche Löschung, mehrsprachige Suche und Gesamtkosten vor dem Produktiveinsatz.", "articleBody": " Blog-Übersicht/AI und Agents/Agent Engineering Supermemory: KI-Agenten mit Gedächtnis, RAG und lokalem Betrieb TL;DR Supermemory ergänzt KI-Anwendungen um dauerhaft verfügbaren Nutzerkontext: Faktenextraktion, aktualisierte Erinnerungen, Nutzerprofile und gemeinsame Suche in Dokumenten und Erinnerungen. Nutze eine gehostete Integration oder prüfe den lokalen Server mit Ollama. Benchmark-Platzierungen und Latenzen sind Anbieterangaben, keine Zusagen für deine Anwendung. Teste Mandantentrennung, Korrekturen, Ablaufregeln, tatsächliche Löschung, mehrsprachige Suche und Gesamtkosten vor dem Produktiveinsatz. Dein Agent kennt die letzten zehn Nachrichten genau. Eine neue Sitzung beginnt, und der Nutzer muss dasselbe Projekt erneut erklären. Das ist kein unvermeidbares Verhalten jeder KI-Anwendung. Es passiert, wenn außerhalb des aktuellen Gesprächs kein dauerhaftes Gedächtnis vorhanden ist. Supermemory verwandelt Gespräche und Dokumente in wiederverwendbaren Kontext. Die Gedächtnisschicht extrahiert Fakten, verknüpft neue Informationen mit bestehendem Wissen und ruft passenden Kontext für spätere Anfragen ab. Die Anwendung liefert die Inhalte und entscheidet über deren Verwendung. Dadurch ändert sich der verfügbare Kontext des Agenten, nicht die Gewichtung des zugrunde liegenden Modells. Produktübersicht von Supermemory Quellenprüfung: 17. September 2026. Dieser technische Leitfaden basiert auf der Dokumentation. Er ist weder eine eigene Benchmark-Reproduktion noch die Behauptung, Wavect habe Supermemory bei einem Kunden eingesetzt. Wie lernt, aktualisiert und vergisst Supermemory? Entscheidend ist die Trennung zwischen Quelldokumenten, beispielsweise einem Gesprächsprotokoll, und abgeleiteten Erinnerungen, etwa der bevorzugten Sprache eines Nutzers. Das Protokoll ist eine Quelle. Eine extrahierte oder erschlossene Aussage ist eine Interpretation und kann falsch sein. Faktenextraktion: Aus Gesprächsinhalten entstehen gezielte Fakten, statt immer den gesamten Verlauf erneut einzuspielen. Wissensupdates: Eine Korrektur wird mit früherem Wissen verknüpft. Bei „Ich bin nach San Francisco gezogen“ darf „Ich wohne in New York“ nicht länger als aktueller Wohnort gelten. Der historische Umzug muss deshalb nicht gelöscht werden. Zeitabhängiges Vergessen: Vorübergehender Kontext wie eine für morgen geplante Prüfung sollte spätere, sachfremde Antworten nach Ablauf seiner Relevanz nicht mehr beeinflussen. Der dokumentierte Graph unterstützt das Aktualisieren, Erweitern und Ableiten von Erinnerungen. isLatest kennzeichnet den aktuellen Wissensstand. Das geht über das bloße Speichern von Embeddings hinaus. Prüfe dennoch mehrdeutige Datumsangaben, Zeitzonen, fiktive Beispiele und widersprüchliche Aussagen, bevor du extrahierten Fakten vertraust. Graph-Gedächtnis und Wissensbeziehungen Vergessen ist nicht dasselbe wie endgültiges Löschen. Der dokumentierte Endpunkt zum Vergessen einer Erinnerung verwendet eine logische Löschung, also einen Soft Delete. Verschwindet ein Fakt aus dem üblichen Abruf, beweist das nicht, dass Gesprächsquelle, abgeleitete Kopien oder Backups dauerhaft entfernt wurden. Behandle nutzerseitiges Vergessen und einen nachweisbaren Löschauftrag als getrennte Produktanforderungen. API zum Vergessen und Verhalten bei logischer Löschung Was enthalten statische und dynamische Nutzerprofile? Ein Profil liefert kompakten Kontext am Anfang einer Anfrage. Der statische Teil beschreibt vergleichsweise beständige Informationen. Der dynamische Teil umfasst aktuelle Aktivitäten und veränderliche Umstände. „Bevorzugt kurze technische Antworten“ braucht andere Regeln als „bereitet den Produktstart dieser Woche vor“. Statisch bedeutet nicht unveränderlich. Profile werden für einen containerTag abgerufen. Eine zusätzliche Suchanfrage kann passende Erinnerungen neben dem Profil liefern. Nutze kompakten, relevanten Kontext, statt jeden gespeicherten Fakt in jede Eingabe zu übernehmen. Das gilt besonders für personenbezogene Informationen ohne Bezug zur Aufgabe. Nutzerprofile und anfragebezogener Abruf Supermemory im Vergleich zu RAG: Was ändert sich tatsächlich? Auch RAG lässt sich personalisieren. Ein Abrufsystem kann Dokumente nach Nutzer, Mandant und Berechtigungen filtern. Die Aussage, gewöhnliches RAG liefere zwangsläufig allen Nutzern dieselben Dokumente, ist zu pauschal. Die schwierigere Aufgabe ist, aktuelle, veraltete, vorübergehende und lediglich erschlossene Nutzerinformationen auseinanderzuhalten. Genau diese zusätzliche Schicht solltest du hier bewerten. Supermemorys Modell für Gedächtnis und RAG Dokumentenabruf, dauerhaftes Gedächtnis und kombinierter Ansatz AnsatzZentrale FrageVerbleibende Verantwortung Dokumenten-RAGWas steht in der freigegebenen Quelle?Aktualität, Zugriffskontrolle und Quellenbezug. NutzergedächtnisWelcher relevante Kontext trifft derzeit auf diese Person zu?Korrektur, Herkunft, Einwilligung und Aufbewahrung. Hybrider AbrufWelche Quellen und persönlichen Informationen helfen bei dieser", "articleSection": "Entwicklung", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "Produktübersicht von Supermemory", "url": "https://supermemory.ai/docs/overview/what-is-supermemory" }, { "@type": "WebPage", "name": "Graph-Gedächtnis und Wissensbeziehungen", "url": "https://supermemory.ai/docs/concepts/graph-memory" }, { "@type": "WebPage", "name": "API zum Vergessen und Verhalten bei logischer Löschung", "url": "https://supermemory.ai/docs/api-reference/content-management/forget-a-memory" }, { "@type": "WebPage", "name": "Nutzerprofile und anfragebezogener Abruf", "url": "https://supermemory.ai/docs/concepts/user-profiles" }, { "@type": "WebPage", "name": "Supermemorys Modell für Gedächtnis und RAG", "url": "https://supermemory.ai/docs/concepts/memory-vs-rag" }, { "@type": "WebPage", "name": "Suchmodi, Filter und zurückgelieferter Kontext", "url": "https://supermemory.ai/docs/recall/search" }, { "@type": "WebPage", "name": "Supermemory-Repository mit den Benchmark-Angaben", "url": "https://github.com/supermemoryai/supermemory" }, { "@type": "WebPage", "name": "Veröffentlichte Produktionslaufzeiten von Supermemory", "url": "https://supermemory.ai/" }, { "@type": "WebPage", "name": "LongMemEval-Benchmark-Repository", "url": "https://github.com/xiaowu0162/LongMemEval" }, { "@type": "WebPage", "name": "LoCoMo-Benchmark-Repository", "url": "https://github.com/snap-research/locomo" }, { "@type": "WebPage", "name": "ConvoMem-Benchmark-Repository", "url": "https://github.com/SalesforceAIResearch/ConvoMem" }, { "@type": "WebPage", "name": "Evaluierungsablauf mit MemoryBench", "url": "https://supermemory.ai/docs/memorybench/overview" }, { "@type": "WebPage", "name": "Einrichtung und Authentifizierung für gehostetes MCP", "url": "https://supermemory.ai/docs/supermemory-mcp/setup" }, { "@type": "WebPage", "name": "Unterstützte Konnektoren und Synchronisierungsmodell", "url": "https://supermemory.ai/docs/connectors/overview" }, { "@type": "WebPage", "name": "Funktionsvergleich zwischen lokalem und gehostetem Supermemory", "url": "https://supermemory.ai/docs/self-hosting/overview" }, { "@type": "WebPage", "name": "Offizielle Anleitung zu Aufnahme, Statusprüfung und Abruf", "url": "https://supermemory.ai/docs/quickstart" }, { "@type": "WebPage", "name": "API-Authentifizierung und eingeschränkte Schlüssel", "url": "https://supermemory.ai/docs/authentication" }, { "@type": "WebPage", "name": "Lokale Modellanbieter und Ollama-Konfiguration", "url": "https://supermemory.ai/docs/self-hosting/providers" }, { "@type": "WebPage", "name": "Lokale Embedding-Modelle und mehrsprachige Konfiguration", "url": "https://supermemory.ai/docs/self-hosting/embeddings" }, { "@type": "WebPage", "name": "Abrechnungs- und Nutzungsmodell von Supermemory", "url": "https://supermemory.ai/docs/overview/billing" } ], "dateModified": "2026-09-17", "datePublished": "2026-09-17", "description": "Supermemory ergänzt KI-Anwendungen um dauerhaft verfügbaren Nutzerkontext: Faktenextraktion, aktualisierte Erinnerungen, Nutzerprofile und gemeinsame Suche in Dokumenten und Erinnerungen. Nutze eine gehostete Integration oder prüfe den lokalen Server mit Ollama. Benchmark-Platzierungen und Latenzen sind Anbieterangaben, keine Zusagen für deine Anwendung. Teste Mandantentrennung, Korrekturen, Ablaufregeln, tatsächliche Löschung, mehrsprachige Suche und Gesamtkosten vor dem Produktiveinsatz.", "headline": "Supermemory: KI-Agenten mit Gedächtnis, RAG und lokalem Betrieb", "image": "https://wavect.io/img/blog/headers/header_supermemory-ai-agent-memory.svg", "inLanguage": "de", "keywords": "KI-Agenten, Supermemory, Langzeitgedächtnis, RAG", "mainEntityOfPage": { "@id": "https://wavect.io/de/blog/supermemory-ai-agent-memory/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/de/blog/supermemory-ai-agent-memory/", "wordCount": 2695 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/de/", "name": "Startseite", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/overview/", "name": "Blog-Übersicht", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/topics/ai-agents/", "name": "AI und Agents", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/clusters/agent-engineering/", "name": "Agent Engineering", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/supermemory-ai-agent-memory/", "name": "Supermemory: KI-Gedächtnis, RAG und lokaler Betrieb", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Supermemory ist eine Gedächtnisschicht für KI-Anwendungen. Sie verarbeitet Gespräche und Dokumente, extrahiert und aktualisiert Fakten, erstellt Nutzerprofile und ruft hilfreichen Kontext über Sitzungsgrenzen hinweg ab. Welche Inhalte gespeichert und wie die Ergebnisse verwendet werden, entscheidet weiterhin die Anwendung." }, "name": "Was ist Supermemory?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Für diesen Gedächtnis-Anwendungsfall kann Supermemory die selbst zusammengestellte Vektordatenbank-, Embedding- und Chunking-Infrastruktur ersetzen. Informationsabruf bleibt trotzdem notwendig. Die hybride Suche verbindet Dokumentabschnitte mit extrahierten Erinnerungen; Berechtigungen und Antwortqualität bleiben Aufgabe der Anwendung." }, "name": "Ersetzt Supermemory RAG oder eine Vektordatenbank?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nicht zwangsläufig. Ablaufregeln, das Ausblenden im normalen Abruf und endgültige Löschung sind unterschiedliche Vorgänge. Der dokumentierte Endpunkt zum Vergessen einer Erinnerung führt eine logische Löschung aus. Prüfe Quelldokumente, abgeleitete Erinnerungen, Profile, Zwischenspeicher und Backups entsprechend deiner Aufbewahrungsregeln." }, "name": "Löscht automatisches Vergessen personenbezogene Daten dauerhaft?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Eine solche allgemeine Aussage lässt sich aus den veröffentlichten Angaben nicht ableiten. Das Repository meldet führende Ergebnisse bei LongMemEval, LoCoMo und ConvoMem. Dieser Artikel reproduziert diese Ergebnisse nicht unabhängig. Recall@15 misst die Abdeckung beim Informationsabruf, nicht die Genauigkeit der vollständigen Antwort." }, "name": "Ist Supermemory unabhängig als Nummer eins in jedem Gedächtnis-Benchmark bestätigt?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Der lokale Server kann Ollama für die Extraktion und lokale Embedding-Modelle verwenden. Für vollständig netzunabhängigen Betrieb müssen Programm und Modelle zuvor heruntergeladen und alle Anbieter lokal konfiguriert sein. Der lokale Funktionsumfang entspricht nicht dem gehosteten Angebot; gehostete Konnektoren und MCP sind nicht enthalten." }, "name": "Kann Supermemory mit Ollama offline laufen?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Teste sitzungsübergreifenden Abruf, korrigierte Fakten, Ablaufregeln, das Eingestehen fehlender Informationen, Mandantentrennung, schädliche gespeicherte Anweisungen, nachweisbare Löschung, Mehrsprachigkeit, Fehlerbehandlung sowie Latenz und Kosten pro erfolgreicher Aufgabe. Vergleiche eigene Gespräche mit einer unveränderten Ausgangslösung." }, "name": "Was sollte ein Supermemory-Pilot vor dem Produktiveinsatz testen?" } ] } ```