Vertiefende Analyse · Etwa 4 Min. Lesezeit
Databricks bringt MemCurrent in Agent Bricks Beta: Was die Tests aussagen
Rohprotokolle, verdichtetes Wissen und Hintergrundpflege bilden zwei Gedächtnisebenen; die Unternehmenswerte stammen vom Anbieter.
- Hier veröffentlicht
- Datum der Quelle
- Quelle geprüft
Databricks kündigte am 20. Oktober Agent Memory als Beta an und erläuterte MemCurrent. Der Dienst verwaltet Wissen über Sitzungen hinweg. Die Forschung fragt, ob gezieltes Speichern und Anwenden wiederholte Erkundung spart, nicht ob ein Agent alles behalten kann.
Nachrichten anhören
Diesen Artikel vorlesen oder mit den Nachrichten fortfahren.
Vorlesen wird vorbereitet…
Gerätestimme
Browser oder Gerät verarbeiten die Sprache. AISubHub sendet den Text nicht an eine Audio-API. Stimmen und Wiedergabe bei gesperrtem Bildschirm hängen vom Gerät ab.
Beim Fortsetzen kann sich ein kurzer Satzteil wiederholen.
Auf einen Blick
- Agent Memory nutzt Lakebase und verbindet verwaltete Sitzungen, Gedächtnis und Hintergrundprozesse.
- Der interne Test umfasst 114 Fälle, 29 Nutzer und 2.233 frühere Sitzungen; er ist keine allgemeine Modellrangliste.
Produkt und Forschungsdesign unterscheiden
Agent Memory verwaltet geordnete Protokolle, dauerhafte Fakten und Arbeitsabläufe sowie Prozesse zu ihrer Gewinnung. Grundlage ist Lakebase, das serverlose Postgres von Databricks. Entwickler können Einträge prüfen, exportieren und löschen und festlegen, was erhalten bleibt. Ein Gespräch zu speichern ist etwas anderes, als eine Aussage für die nächste Antwort maßgeblich zu machen. Der Beta-Status bedeutet zudem, dass identisches Verhalten in allen Installationen nicht vorausgesetzt werden kann.
Wie beide Ebenen zusammenarbeiten
MemCurrent speichert nur ergänzte episodische Spuren neben veränderlichem, wie Dateien organisiertem Wissen. Zu Sitzungsbeginn wird ein Index geladen; Suche und Abruf liefern später Einzelheiten. Online-Werkzeuge behandeln ausdrückliche Ergänzungen, Änderungen und Löschungen. Ein Hintergrundprozess gewinnt implizite Lehren, vereinigt Duplikate und löst Widersprüche. Protokolle erhalten Belege, der Index macht sie auffindbar. Auslagerung spart Arbeit im direkten Antwortpfad, verzögert aber die Verfügbarkeit impliziter Erkenntnisse. Sofortige Korrekturen und geplante Pflege erfüllen deshalb unterschiedliche Aufgaben.
Was der Unternehmenstest abbildet
Aus Genie-Gesprächen wurden 114 überprüfte Fälle mit 29 Nutzern und 2.233 historischen Sitzungen erstellt. Geprüft wird die Anwendung früheren Wissens in mehrstufiger Datenarbeit, nicht bloß die Wiedergabe eines Satzes. Databricks meldet 22,3 % bestandene Aufgaben ohne Gedächtnis und 68,4 % mit MemCurrent; Letzteres benötigte 418K Tokens und durchschnittlich 252 Sekunden pro Aufgabe. Die Einsparungen von 31 % Tokens und 26 % Laufzeit gelten für diesen Vergleich. Sie sind weder Prognose für jedes Unternehmen noch Vergleich öffentlicher Chat-Abos. Der interne Genie-Test nutzte Claude Opus 4.6 als Agenten und GPT 5.6 sol als Gedächtnismodell über drei Wiederholungen.
Langer Kontext ist ein anderer Vergleich
Auf drei öffentlichen Gesprächsgedächtnistests nennt Databricks durchschnittlich 88,1 % Genauigkeit gegenüber 87,8 % mit vollständiger Historie, bei ungefähr 8,4K statt 103K Eingabetokens je Frage. Diese Frage-Antwort-Werte dürfen nicht mit gesamten Unternehmenstasks vermischt werden. Intern erreichten reine Rohspuren 35,8 %, abgeleitetes Wissen 66,1 % und beide zusammen 68,4 %. Nur Hintergrundextraktion brachte 63,5 %, nur Online-Werkzeuge 53,9 % und ihre Kombination 66,1 % für abgeleitetes Wissen. Das stützt ergänzende Pflegewege in diesem Aufbau, nicht die Behauptung, mehr Historie helfe immer. Die öffentlichen Frage-Antwort-Tests nutzten GPT 5.6 luna; gemittelt wurde über LangGraph, OpenAI Agents SDK und drei Wiederholungen.
Prüfungen vor dem Einsatz
AISubHub-Analyse: Ein Pilot sollte geänderte Fakten, widersprüchliche Anweisungen und Fragen ohne Gedächtnisbedarf enthalten. Ändert ein hypothetisches Team die Definition eines aktiven Kunden, kann ein früher richtiger Ablauf mit der alten Definition schaden. Zu prüfen sind Belegquellen, die Weitergabe von Korrekturen sowie Löschung und Nutzergrenzen beim Abruf. Erfolg und gesamte Laufzeit einschließlich Hintergrundpflege sind aussagekräftiger als nur ein kürzerer Prompt. Dies sind vorgeschlagene Abnahmekriterien, keine von uns verifizierten Produkteigenschaften. Die Ankündigungen nennen keinen neuen Abonnementpreis.
Warum es wichtig ist
AISubHub-Analyse: Eine überprüfbare Wissensbasis kann wichtiger sein als immer größere Prompts. Informationen müssen aktuell und für den Nutzer freigegeben bleiben. Aufgabenerfolg, Pflege und Korrekturen gehören gemeinsam in die Bewertung.
Grenzen und Verfügbarkeit
Der Dienst ist Beta. Die Ergebnisse stammen von Databricks, nicht aus unseren Tests; interne Daten und konkrete Konfigurationen begrenzen die Übertragbarkeit. Allgemeine Preis-, Latenz- oder Verbesserungsgarantien folgen daraus nicht.
Quellen und Belege
Datum der Quelle: · Quelle geprüft:
Datum der Quelle: · Quelle geprüft:
KI-gestützte redaktionelle Beiträge, anhand der genannten Primärquellen geprüft. Anbieterangaben werden zugeordnet; eine Aufnahme ist keine Empfehlung.