Wie KI-Agenten ihr Gedächtnis durchsuchen

In meinem letzten Video habe ich behandelt, wie KI-Agenten Speicher speichern. Doch die Aufbewahrung ist nur das halbe Problem. In diesem Artikel befassen wir uns damit, wie Agenten die richtige Erinnerung zur richtigen Zeit abrufen. Ich behandle die Schlüsselwortsuche, die semantische Suche, das Hybrid-Retrieval und das Re-Ranking und beschäftige mich dann damit, wie OpenClaw all dies in der Praxis mithilfe von SQLite, BM25 und Vektoreinbettungen umsetzt. --- *Was Sie lernen werden:* - Wie Schlüsselwortsuche (grep, BM25) und semantische Suche (Einbettungen, Vektorähnlichkeit) jeweils funktionieren – und wo sie scheitern – Warum Hybridsuche beide Ansätze allein übertrifft und wie gewichtete Fusion und reziproke Rangfusion Ergebnisse kombinieren – Was Re-Ranking ist, wann es verwendet wird und der Kosten-/Latenz-Kompromiss – Wie ein Produktionsagenten-Speichersystem Chunks speichert, sie mit FTS5 indiziert und sqlite-vec und führt parallel eine Hybridsuche aus – Das zweistufige Speichermuster: Suchen, dann abrufen und warum es Kontextfenster schlank hält – So funktioniert die inkrementelle Synchronisierung: Dateibeobachter, Inhalts-Hashing, Einbetten von Caches und vollständige Neuindizierungsauslöser --- *Sehen Sie sich die vollständige Serie an:* – Teil 1: Wie KI-Agenten sich Dinge merken (der Schreibpfad) → https://youtu.be/Seu7nksZ_4k – Teil 2: Wie KI-Agenten ihr Gedächtnis durchsuchen (dieses Video) Wir verwenden OpenClaw als Fallstudie aus der Praxis – es ist eine saubere Open-Source-Implementierung, die diese Muster in der Praxis zeigt. --- *Erwähnte Ressourcen:* – OpenClaw: https://github.com/openclaw/openclaw – SQLite FTS5-Dokumentation: https://www.sqlite.org/fts5.html – sqlite-vec-Erweiterung: https://github.com/asg017/sqlite-vec – OpenAI Embeddings API: https://platform.openai.com/docs/guides/embeddings – QMD von Toby Lutke: https://github.com/tobi/qmd – pgvector (Postgres-Vektorerweiterung, als Alternative erwähnt): https://github.com/pgvector/pgvector – Pinecone (dedizierte Vektordatenbank, als Alternative erwähnt): https://www.pinecone.io Holen Sie sich meine vollständige Sammlung von Claude-Workflows und KI-Engineering-Notizen: https://www.damiangalarza.com/newsletter?utm_source=youtube&utm_medium=video&utm_campaign=ai-agents-search-memory --- *Zeitstempel:* - 0:00 - Das Abrufproblem - 0:35 - Schlüsselwortsuche: grep und BM25 - 1:12 - Semantische Suche und wie Einbettungen funktionieren - 2:04 - Vektordatenbanken und Suche nach dem nächsten Nachbarn – 3:41 – Wo die semantische Suche versagt – 4:05 – Hybridsuche: Kombination von Schlüsselwort und Semantik – 4:18 – Gewichtete Fusion vs. reziproke Rangfusion – 5:01 – Neubewertung: Geschwindigkeit gegen Genauigkeit eintauschen – 6:12 – OpenClaws Implementierungs-Komplettlösung – 7:10 – Einbetten von Anbietern und automatische Auswahl – 8:08 – Das SQLite-Schema: FTS5, sqlite-vec und der Einbettungscache – 9:33 – Die Suchpipeline Schritt für Schritt – 10:54 – Speichertools: Suchen und Abrufen – 11:08 – Warum das zweistufige Muster Kontextfenster schlank hält – 11:40 – Die inkrementelle Synchronisierungs- und Indizierungspipeline – 12:44 – Zusammenfassung --- *Über mich:* Ich bin Damian Galarza, ein führender Softwareentwickler und ehemaliger CTO mit mehr als 15 Jahren Erfahrung in der Entwicklung SaaS-Produkte. Ich mache praktische KI-Engineering-Tutorials und teile, was ich über Agentenarchitektur, LLM-Anwendungen und den Aufbau von Produktions-KI-Systemen lerne. *Connect:* – Newsletter: https://www.damiangalarza.com/newsletter?utm_source=youtube&utm_medium=video&utm_campaign=ai-agents-search-memory – LinkedIn: https://linkedin.com/in/dgalarza – Blog: https://www.damiangalarza.com #AIAgents #VectorSearch #RAG #SemanticSearch #OpenClaw