KI SpotlightNewsDatabricks stellt MemCurrent als Speicherarchitektur für Produktiv-Agenten vor
Plugins, Tools und Offline-„Dreaming“ teilen sich die Arbeit: Der Hersteller nennt starke Benchmark-Zahlen, die unabhängig noch nicht geprüft sind
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Databricks stellt MemCurrent vor, eine persistente Speicherarchitektur für produktive Agenten; sie treibt Agent Bricks Memory und Genie an.
- Agent Memory auf Agent Bricks ist als Beta verfügbar und läuft auf Lakebase.
- MemCurrent kombiniert Plugins für automatisches Kontext-Protokollieren, Tools auf Abruf und eine Offline-„Dreaming“-Pipeline.
- Laut Databricks steigt die Erfolgsquote im internen Benchmark von 22 % auf 68 %.
- Auf drei öffentlichen Benchmarks erreicht MemCurrent laut Databricks die Leistung vollständiger Gesprächshistorie bei 12x weniger Tokens.
Databricks liefert MemCurrent als Agent Memory in der Beta aus
Databricks hat MemCurrent vorgestellt, eine persistente Speicherarchitektur für produktive KI-Agenten. Laut Databricks treibt sie den neuen Agent Bricks Memory und Genie an. Agent Memory auf Agent Bricks, der Entwicklerplattform des Unternehmens, ist nach Angaben von Databricks ab sofort als Beta verfügbar. Es läuft auf Lakebase. Das soll hohe Zuverlässigkeit und niedrige Latenz sichern.
Den Schritt begründet Databricks mit einem Zielkonflikt. Entwickler müssten oft zwischen Antwortqualität auf der einen Seite und Kosten und Latenz auf der anderen abwägen. Speicher sei ein vielversprechender Weg, beides zugleich zu verbessern. Das ist ein Anspruch des Herstellers, keine unabhängig belegte Aussage.
Plugins, Agenten-Tools und „Dreaming“ teilen sich die Arbeit
MemCurrent kombiniert nach Angaben von Databricks drei Zugriffsmuster. Plugins protokollieren Kontext automatisch und laden ihn wieder. Tools ruft der Agent bei Bedarf selbst auf. Eine Offline-Pipeline namens „Dreaming“ konsolidiert den Speicher im Hintergrund.
Der Agent liest und schreibt also während der Arbeit in den Speicher. Die Pipeline soll ihn konsistent und aktuell halten. Damit adressiert Databricks ein Problem, das das Unternehmen selbst benennt: Wer jede frühere Interaktion einspeist, treibt die Kosten in die Höhe und riskiert veralteten, widersprüchlichen oder irrelevanten Kontext. Ein Fachbericht nennt zwei Speichertypen, darunter den episodischen, also die rohe Gesprächshistorie.
Von 22 auf 68 Prozent: Was die Benchmarks zeigen und was offen bleibt
Auf einem internen Benchmark mit realistischen Unternehmensaufgaben steigt die Erfolgsquote laut Databricks von 22 auf 68 Prozent, verglichen mit einem Agenten ohne Speicher. MemCurrent verbrauche dabei 31 Prozent weniger Tokens, die Läufe seien 26 Prozent schneller. Auf drei öffentlichen Benchmarks erreiche MemCurrent die Leistung eines Agenten mit vollständiger Gesprächshistorie. Dafür benötige es zwölfmal weniger Tokens. Außerdem berichtet Databricks Vorsprünge bei Genauigkeit und Effizienz gegenüber OpenClaw, Mem0 und PropMem.
Alle Zahlen sind interne Herstellerangaben, eine unabhängige Prüfung fehlt. Dafür bräuchte es eine offene Benchmark-Konfiguration und Vergleichsläufe Dritter mit identischen Modellen und Einstellungen. Bis dahin bleibt auch die Zusage, Qualität und Effizienz ohne den üblichen Zielkonflikt zu steigern, ein Anspruch des Herstellers.
Mem0, Letta und Zep setzen auf andere Speicherprinzipien
Die genannten Alternativen folgen anderen Prinzipien. Mem0 extrahiert Fakten und legt sie in einem Vektorspeicher ab. Das System ist Open Source unter Apache-2.0. Letta stützt sich auf editierbare Core-Memory-Blöcke und einen Archivspeicher. Zep setzt auf einen temporalen Wissensgraphen namens Graphiti.
Databricks bietet dagegen eine Lösung an, die in die eigene Plattform aus Lakebase, Agent Bricks und Genie integriert ist.
