KI SpotlightNewsDatabricks gibt Agenten in Agent Bricks ein verwaltetes Langzeitgedächtnis
Agent Memory startet als Beta auf Lakebase. Die Leistungszahlen stammen aus einem internen Benchmark von Databricks.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Databricks führt Agent Memory auf Agent Bricks als Beta-Funktion ein.
- Agent Memory läuft auf Lakebase und speichert Fakten, Präferenzen und Workflows eines Agenten.
- Die Architektur MemCurrent kombiniert Plugins, Tools und eine Offline-Dreaming-Pipeline.
- Im internen Benchmark verdreifacht sich die Bestehensquote, bei 31 % weniger Tokens.
- In der Preview fallen für Agent Memory selbst keine zusätzlichen Gebühren an.
Databricks gibt Agenten in Agent Bricks ein verwaltetes Langzeitgedächtnis
Databricks hat am 20. Oktober 2026 Agent Memory als Beta für Agent Bricks vorgestellt, die Entwicklerplattform für Agenten. Das Gedächtnis speichert Fakten, Präferenzen und Workflows, die ein Agent über einzelne Konversationen hinweg behalten soll. Die Daten liegen auf Lakebase.
Laut Dokumentation übernimmt Databricks Speicherung, Indexierung und Suche selbst. Entwickler müssen keine eigene Datenbank betreiben. Genannt werden Nutzerpräferenzen, frühere Entscheidungen und angesammelter Kontext. Agent Memory funktioniert mit Agenten aus jedem Framework. Für den Kurzzeitverlauf innerhalb einer einzelnen Interaktion sieht Databricks getrennte Agent Sessions vor.
Ziel ist, dass Agenten Wissen nicht jedes Mal neu erarbeiten, Präferenzen behalten und bereits korrigierte Fehler nicht wiederholen. Viele Entwickler haben sich dafür bisher eigene Lösungen gebaut, so der Hersteller.
MemCurrent: Plugins, Tools und eine Offline-Pipeline namens Dreaming
Grundlage ist die Architektur MemCurrent aus der Databricks Research. Sie arbeitet mit drei Zugriffsmustern. Plugins protokollieren Kontext und laden ihn automatisch. Tools ruft der Agent bei Bedarf selbst auf. Eine Offline-Pipeline namens „Dreaming“ konsolidiert das Gedächtnis im Hintergrund. Laut Databricks-Blog steckt MemCurrent auch in Genie.
Dataphoenix beschreibt die Trennung so: MemCurrent führt ein append-only Gedächtnis für rohe Session-Spuren, also ein episodisches Gedächtnis. Daneben steht ein veränderliches abgeleitetes Gedächtnis für destillierte Erkenntnisse. Die ursprüngliche Interaktionshistorie bleibt damit erhalten, während ein editierbarer Faktenbestand entsteht. Dreaming entfernt Duplikate und ersetzt Fakten, denen neuere Konversationen widersprechen.
Organisatorisch ist ein Memory Store der workspace-weite Container für die Erinnerungen eines Agenten. Beim Anlegen wird der zugehörige Lakebase-Speicher bereitgestellt. Der Zugriff erfolgt über das AgentKit SDK (Python 3.10 oder neuer) oder per REST-API aus jeder Sprache. Für memory_store.put() und memory_store.list(path=...) braucht man databricks-agentbricks ab Version 0.6.0.
Verdreifachte Bestehensquote: Die Zahlen stammen von Databricks selbst
Die Leistungsangaben stammen ausschließlich vom Hersteller. Im internen Benchmark mit realistischen Unternehmensaufgaben habe MemCurrent die Bestehensquote gegenüber einem Agenten ohne Gedächtnis nach Angaben von Databricks verdreifacht, bei 31 Prozent weniger Tokens. Der Blog nennt außerdem eine 26 Prozent schnellere Ausführung. Unabhängige Tests liegen nicht vor.
Die Formulierung „extrem niedrige Latenz“ ist Werbesprache, und das Material belegt sie nicht. Konkrete Latenzwerte oder Service-Level-Zusagen nennt Databricks nicht.
Abgerechnet wird in der Beta die zugrunde liegende Lakebase-Instanz. Für Agent Memory selbst fallen keine zusätzlichen Gebühren an. Preise können sich im Verlauf der Preview ändern. Laut Dataphoenix weist Databricks außerdem darauf hin, dass sich APIs und Verhalten in der Beta ändern können.
