osFoundry / Platform
Memory-Extraktion
Maestro extrahiert dauerhafte Erinnerungen aus jedem Gespräch – Fakten, Entscheidungen, Präferenzen.
Was es ist
Die Gedächtnis-Extraktion ist die Art, wie osFoundrys Maestro flüchtigen Chat in dauerhaftes, wiederverwendbares Wissen verwandelt. Nachdem ein Gespräch verdichtet wurde, sichtet Maestro den Austausch und zieht heraus, was tatsächlich behaltenswert ist: genannte Fakten (\"unser Stack ist Postgres\"), Entscheidungen samt der Gründe dahinter, persönliche und Team-Vorlieben, Einschränkungen (\"nutze nicht die Staging-Datenbank\") und alles, worum du es ausdrücklich zu merken bittest. Jede extrahierte Erinnerung wird mit einem Typ, einem Wichtigkeitswert und Tags gespeichert, sodass sie gefiltert und abgerufen werden kann, statt in dem Moment verloren zu gehen, in dem das Kontextfenster weiterrollt.\n\nInnerhalb von osFoundry ist die Extraktion so gebaut, dass sie günstig und bei den Kosten ehrlich ist. Sie läuft im Hintergrund (fire-and-forget) nach der Verdichtung, und noch bevor sie ein Modell aufruft, legt sie eine schnelle Relevanzprüfung über deine eigenen Worte - sie sucht nach der Form, die ein dauerhafter Fakt tatsächlich annimmt, etwa eine genannte Identität, eine Vorliebe, eine Entscheidung oder eine \"ab jetzt\"-Anweisung. Turns ohne Merkenswertes erreichen das Modell nie, sodass die Extraktion nicht stillschweigend bei jeder Nachricht deinen API-Schlüssel belastet. Wenn sie doch läuft, nutzt sie die Modellkette, die du für die Pipeline-Rolle memory_extraction konfiguriert hast: jedes lokale, Cloud- oder selbst gehostete Modell, für das du deinen eigenen Schlüssel mitbringst, ohne Wiederverkäufer-Aufschlag. Anschließend filtert eine Wichtigkeitsschwelle Kandidaten mit geringem Wert aus, bevor überhaupt etwas geschrieben wird.\n\nDie Speicherung ist von Grund auf local-first. Extrahierte Erinnerungen werden zuerst einem Speicher auf dem Gerät übergeben - die Tabelle local_memories wird nie in die Cloud synchronisiert - und erst dann, wenn du ein Konto hast und online bist, eingebettet und in einen Workspace-Gedächtnisspeicher gespiegelt. Diese Reihenfolge ist gewollt: Wer vollständig lokal oder offline arbeitet, erhält dennoch jede Erinnerung, und nahezu doppelte Fakten werden beim Schreiben dedupliziert. Später rufen Agenten und Maestro diese Erinnerungen über semantische Suche ab: Die Anfrage wird eingebettet, gegen den Speicher abgeglichen, und jeder Treffer kommt mit seiner eigenen zitierbaren memory://-Adresse zurück, sodass du genau siehst, welcher erinnerte Fakt eine Antwort geprägt hat. Der gesamte Weg ist zudem austauschbar: Du kannst einen eigenen memory_extractor einbinden, und osFoundrys nativer Extractor dient als Fallback.
Wichtige Funktionen
- Extrahiert nach der Verdichtung aus jedem Gespräch dauerhafte Erinnerungen: genannte Fakten, Entscheidungen samt Gründen, Vorlieben, Einschränkungen und ausdrückliche \"merk dir das\"-Bitten.
- Führt vor jedem Modellaufruf eine günstige Relevanzprüfung aus, sodass die Extraktion deinen eigenen API-Schlüssel nur bei Turns belastet, die plausibel etwas Behaltenswertes tragen, nicht bei jedem Austausch.
- Nutzt deine eigene BYOK-Modellkette für die Rolle memory_extraction, lokal oder in der Cloud, ohne Wiederverkäufer-Aufschlag auf die getätigten Aufrufe.
- Local-First-Speicherung: Extrahierte Erinnerungen werden zuerst in einen Speicher auf dem Gerät geschrieben (nie in die Cloud synchronisiert), sodass sie auch offline oder ohne Konto bestehen bleiben.
- Bewertet jede Erinnerung nach Wichtigkeit und Typ, dedupliziert nahezu identische Fakten und macht sie später per semantischer Gedächtnissuche mit zitierbaren memory://-Quellen abrufbar.
Anwendungsfälle
- Beratender Ingenieur: Maestro merkt sich, dass ein Kunde auf Postgres statt DynamoDB bestand und warum, sodass der Agent Wochen später eine geklärte Entscheidung nicht neu aufrollt.
- Datenschutzbewusster Forscher: Vorlieben und Projektfakten bleiben im Gedächtnisspeicher auf dem Gerät, der nie in die Cloud synchronisiert wird, voll offline mit deinen eigenen Schlüsseln nutzbar.
- Teamleitung, die Konventionen vereinheitlicht: Sobald du sagst \"unser Team bevorzugt Tabs\" oder \"die Migrationsdateien nicht anfassen\", wird diese Einschränkung erfasst und taucht in späterer Arbeit wieder auf.
Häufig gestellte Fragen
Sendet die Gedächtnis-Extraktion meine Gespräche an die Server von osFoundry?
Nein. Extrahierte Erinnerungen werden zuerst in einen Speicher auf dem Gerät geschrieben, und diese lokale Gedächtnistabelle wird nie in die Cloud synchronisiert. Nur wenn du ein Konto hast und online bist, werden Erinnerungen zusätzlich eingebettet und in deinen eigenen Workspace-Gedächtnisspeicher gespiegelt. Der Modellaufruf der Extraktion läuft selbst über den Schlüssel, den du mitbringst - die Server von osFoundry rufen niemals ein LLM in deinem Namen auf.
Löst das nach jeder Nachricht einen teuren KI-Aufruf aus?
Nein. Die Extraktion erfolgt erst, nachdem ein Gespräch verdichtet wurde, und selbst dann läuft zuerst eine günstige Relevanzprüfung - eine schnelle Musterprüfung deiner Nachricht auf Dinge wie genannte Vorlieben, Entscheidungen oder \"merk dir das\"-Formulierungen. Gewöhnliches Aufgaben-Geplänkel wird vor jedem Modellaufruf übersprungen, sodass dein API-Schlüssel bei Turns ohne Behaltenswertes nicht belastet wird.
Wie nutzt Maestro eine Erinnerung, sobald sie extrahiert ist?
Erinnerungen werden mit einem Typ, einem Wichtigkeitswert und Tags gespeichert und dann per semantischer Suche abrufbar gemacht. Wenn es relevant ist, bettet der Agent eine Anfrage ein, durchsucht den Speicher und holt passende Fakten zurück - jeden mit einer zitierbaren memory://-Quelle, sodass du nachvollziehen kannst, welches erinnerte Detail die Antwort geformt hat. Das memory_extraction-Modell wählst du über osFoundrys BYOK-Pipeline-Rollen.