Vektorsuche ist für Agentengedächtnis nützlich: Eine Anfrage findet Inhalte, die ihr semantisch ähneln. Aber Ähnlichkeit allein beschreibt nicht, wie gespeicherte Informationen zusammenhängen.

Genau dort setzt Graph-Gedächtnis an. Statt Erinnerungen nur als einzelne Treffer zu behandeln, verbindet es Entitäten und gemeinsame Kontexte. Eine Frage zu einem Projekt kann dann nicht nur passende Notizen finden, sondern auch Entscheidungen, Begriffe und Aufgaben, die über dieselben Entitäten verknüpft sind.

Abruf und Beziehungen sind verschiedene Aufgaben

Ein Vektorspeicher beantwortet vor allem: „Welche gespeicherten Texte passen zu dieser Anfrage?“ Ein Graph ergänzt eine andere Frage: „Welche Dinge stehen in Beziehung zueinander?“

Beides kann sinnvoll sein. Der Vektorindex liefert Kandidaten über Bedeutung und Wortlaut. Die Graphschicht kann Verbindungen zwischen Personen, Projekten, Konzepten oder Entscheidungen sichtbar machen. Das ersetzt keine Bewertung durch den Agenten, aber es verhindert, dass zusammenhängende Fakten ausschließlich zufällig nebeneinander auftauchen.

Mem0 beschreibt Graph Memory als Teil seiner Gedächtnispipeline: Entitäten werden beim Speichern erkannt, über Erinnerungen hinweg verbunden und beim Abruf zur Gewichtung verwandter Inhalte genutzt. Die aktuelle Plattform-Dokumentation weist zugleich darauf hin, dass sich die Implementierung weiterentwickelt hat: Frühere externe Graphspeicher wurden durch eine integrierte Graphfunktion ersetzt.[1]

Was ein Graph beitragen kann

Ein Graph ist kein magischer Wahrheitsautomat. Er kann aber Struktur liefern, die in einem flachen Speicher fehlt:

  • wiederkehrende Entitäten über mehrere Notizen hinweg erkennen,
  • Zusammenhänge zwischen Entscheidungen und ihren Folgen sichtbar machen,
  • verwandte Erinnerungen beim Abruf ergänzen,
  • erklären helfen, warum ein Treffer in den Kontext gelangt ist.

Das ist besonders wertvoll, wenn ein Agent über längere Zeit an mehreren Themen arbeitet. Eine einzelne Erinnerung ist selten vollständig. Oft ergibt die Kombination aus Anlass, Entscheidung und späterer Korrektur erst den nützlichen Kontext.

Lokal statt gedankenlos ausgelagert

Gedächtnis kann sehr persönliche oder geschäftskritische Informationen enthalten. Wer eine Gedächtniskomponente selbst betreibt, kontrolliert Aufbewahrung, Zugriff und Löschregeln selbst. Das ist keine Garantie für Sicherheit; Berechtigungen, Verschlüsselung und Datenminimierung bleiben Arbeit. Es reduziert aber die Zahl der Stellen, an die Kontext zwangsläufig übertragen wird.

Die entscheidende Architekturfrage lautet deshalb nicht nur, ob ein Graph technisch funktioniert. Sie lautet auch: Welche Daten dürfen dauerhaft werden, wer kann sie lesen, und wie lässt sich eine falsche oder überholte Erinnerung zurücknehmen?

Die Grenzen bleiben wichtig

Die Qualität eines Graphen hängt von der Extraktion ab. Wenn ein Modell Entitäten falsch zusammenführt, unklare Beziehungen erfindet oder widersprüchliche Aussagen nicht erkennt, wird der Abruf nur eleganter falsch.

Deshalb braucht Graph-Gedächtnis dieselben Schutzmechanismen wie jeder andere Speicher: Herkunft, Zeitbezug, Korrekturen, Löschbarkeit und nachvollziehbare Abrufgründe. Ein Graph kann Beziehungen darstellen. Er entscheidet nicht zuverlässig, ob eine Beziehung aktuell, relevant oder wahr ist.

Fazit

Graph-Gedächtnis ist eine sinnvolle Ergänzung zur Suche, nicht ihr Ersatz. Es lohnt sich dort, wo ein Agent nicht nur einzelne Fakten finden, sondern Verbindungen über viele Erinnerungen hinweg verstehen muss.

Die bessere Frage ist nicht „Vektor oder Graph?“. Sie ist: Welche Informationen verdienen eine dauerhafte Verbindung, und wie bleibt diese Verbindung korrigierbar?

Quellen

[1] Mem0-Dokumentation: Graph Memory

[2] Mem0 auf GitHub