Working Memory bei KI-Agenten

Manche KI-Programme beantworten nicht nur eine Frage, sondern erledigen einen längeren Auftrag. Sie suchen im Internet, rechnen etwas nach, schreiben eine Datei und prüfen das Ergebnis. Solche Programme nennt man Agenten. Ein Agent hat allerdings ein Problem: Die zugrunde liegende KI merkt sich von selbst nichts. Sie bekommt bei jedem Schritt einen Text vorgelegt und antwortet darauf, ohne den vorherigen Schritt zu erinnern. Working Memory ist die Lösung dafür. Es ist ein Textbereich, in dem der aktuelle Stand der Arbeit steht und der bei jedem Schritt neu mitgeliefert wird.

Warum ein Agent ohne Notizzettel scheitert

Stell dir jemanden vor, der alle zehn Sekunden sein Gedächtnis verliert. Er kann trotzdem komplizierte Aufgaben lösen — aber nur, wenn er alles Wichtige auf einen Zettel schreibt und diesen Zettel immer wieder liest. Genau in dieser Lage ist ein KI-Agent. Das Working Memory ist sein Zettel.

Ohne diesen Zettel passieren typische Fehler. Der Agent sucht dieselbe Information dreimal, weil er das Ergebnis von vorhin nicht mehr kennt. Oder er vergisst mitten in einer Buchung, für welches Datum er eigentlich sucht. Bei Aufgaben mit zwanzig oder mehr Schritten entscheidet die Qualität des Working Memory darüber, ob der Agent ans Ziel kommt.

Es gibt aber auch eine harte technische Grenze. Jedes KI-Modell kann pro Anfrage nur eine begrenzte Textmenge verarbeiten, das sogenannte Kontextfenster. Der Zettel darf also nicht beliebig lang werden. Wer alles aufschreibt, sprengt irgendwann das Limit — und die Anfragen werden teurer, weil die Kosten mit der Textmenge steigen.

Was auf dem Zettel steht und was wieder verschwindet

Typischerweise enthält das Working Memory vier Dinge: den ursprünglichen Auftrag des Nutzers, einen Plan mit den nächsten Schritten, die Ergebnisse bereits erledigter Schritte und aufgetretene Fehler. Vor jeder neuen Anfrage stellt der Agent diese Teile zu einem Text zusammen und schickt ihn an das Modell. Das Modell antwortet mit der nächsten Handlung. Deren Ergebnis wandert zurück ins Working Memory.

Weil der Platz begrenzt ist, muss ständig aufgeräumt werden. Ein verbreitetes Verfahren ist die Zusammenfassung: Zehn alte Schritte werden zu drei Sätzen verdichtet. Ein anderes Verfahren wirft alles außer den letzten Schritten weg. Wichtige Ergebnisse verschiebt der Agent stattdessen in eine externe Datenbank und holt sie nur bei Bedarf zurück.

Hier hilft eine Abgrenzung. Working Memory ist das Kurzzeitgedächtnis für genau diese eine Aufgabe und wird danach gelöscht. Langzeitgedächtnis dagegen speichert dauerhaft, was ein Agent über den Nutzer gelernt hat, etwa dessen bevorzugte Programmiersprache. Ein häufiger Irrtum ist, beides zu verwechseln: Ein Agent mit gutem Working Memory muss sich morgen an gar nichts mehr erinnern.

Wo das Thema in Produkten und Meldungen auftaucht

Programmierassistenten wie GitHub Copilot oder Claude Code arbeiten genau nach diesem Prinzip. Sie merken sich innerhalb einer Sitzung, welche Dateien sie schon geändert haben und welche Tests fehlgeschlagen sind. Wenn ein solcher Assistent nach langer Arbeit plötzlich frühere Änderungen rückgängig macht, ist meist das Working Memory übergelaufen.

In den Nachrichten begegnet dir das Thema oft indirekt. Wenn eine Firma ein größeres Kontextfenster ankündigt, geht es fast immer um längere Agentenläufe. Auch Begriffe wie Context Engineering meinen im Kern die Frage, was auf dem Zettel stehen sollte. Analysten sehen darin einen entscheidenden Faktor dafür, ob Agenten im Berufsalltag wirklich brauchbar werden.

Für dich als Nutzer gibt es eine praktische Folgerung. Wenn ein Chat sehr lang wird, verschlechtern sich die Antworten oft. Dann hilft ein neuer Chat mit einer kurzen Zusammenfassung des Wichtigsten. Damit räumst du das Working Memory von Hand auf.