---
type: types/concept.md
concept_type: architecture
tags: [memory, lifecycle, confidence, knowledge-management]
created: 2026-07-26
modified: 2026-08-29
related: [LLM Wiki Pattern, Confidence Scoring, Supersession, Consolidation Tiers, Forgetting, Knowledge Compounding]
sources: [Source - LLM Wiki v2]
confidence: 0.95
confidence_base: 0.95
provenance: sourced
summary: Architektur des Wissenslebenszyklus mit Confidence Scoring, Supersession, Forgetting und Consolidation Tiers zur Pflege von Fakten über die Zeit.
---
# Memory Lifecycle

**Typ:** Architektur (Knowledge-Management-Muster)

## Definition

Memory Lifecycle ist die Erkenntnis, dass **Wissen einen Lebenszyklus hat** und entsprechend verwaltet werden muss. Im Gegensatz zum ursprünglichen LLM Wiki Pattern, das alle Wiki-Inhalte für immer gleich gültig behandelt, erkennt der Memory-Lifecycle-Ansatz an, dass Tatsachen unterschiedliche Bedeutung, Aktualität und Zuverlässigkeit haben, die sich im Laufe der Zeit ändern.

Dieses Konzept ist eine primäre Verbesserung, die in [[LLM Wiki Pattern]] v2 eingeführt wurde, basierend auf Produktionslektionen aus [[Agent Memory]].

## Kernpunkte

### Das Problem

Die flache Behandlung aller Wissenstypen des ursprünglichen Musters führt zu:
- Alte, möglicherweise veraltete Informationen neben neuen, verifizierten Tatsachen
- Keine Möglichkeit, zwischen etabliertem Wissen und vorläufigen Beobachtungen zu unterscheiden
- Wissensdatenbanken, die im Laufe der Zeit laut und schwer zu navigieren werden
- Kein Mechanismus, damit sich Wissen entwickelt oder überholt wird

### Die Lösung: Vier Säulen

**1. Confidence Scoring**
Jede Tatsache im Wiki trägt einen Confidence-Score, der widerspiegelt:
- **Quellenanzahl:** +0,2 pro unterstützende Quelle (Max +0,6)
- **Aktualität:** +0,2 wenn <30 Tage, +0,1 wenn <90 Tage
- **Quellenqualität:** +0,1 für offizielle Dokumente, +0,05 für seriöse Quellen
- **Bestätigung:** +0,1 wenn mehrere unabhängige Quellen zustimmen
- **Basis-Confidence:** 0,5 (Standard für einzelne Quelle)

Confidence fällt mit 1% pro Monat seit letzter Bestätigung, Minimum 0,2.

**2. Supersession**
Wenn neue Informationen einen bestehenden Aussage widersprechen oder aktualisieren:
- Der neue Aussage **ersetzt** explizit den alten
- Beide sind mit Zeitstempeln verlinkt
- Die alte Version wird bewahrt, aber **als veraltet markiert**
- Dies ist Versionskontrolle für Wissen, nicht nur für Dateien

**3. Vergessen (Retention Curve)**
Nicht alles sollte für immer leben. Eine Retention Curve inspiriert von Ebbinghaus implementieren:
- Tatsachen, die Monate lang nicht aufgerufen oder verstärkt wurden, **verblassen allmählich**
- Nicht gelöscht, aber **deprioritiert** bei Suche und Synthese
- Unterschiedliche Verfallsraten für verschiedene Typen:
  - Architekturentscheidungen verfallen **langsam**
  - Vorübergehende Fehler verfallen **schnell**
- Das LLM-Äquivalent von etwas in eine untere Schublade verschieben

**4. Consolidation Tiers**
Eine Pipeline, die Informationen fördert, wenn sich Beweise ansammeln:

```
Rohe Beobachtungen
    ↓ (compress)
Working Memory → aktuelle Beobachtungen, noch nicht verarbeitet
    ↓ (compress)
Episodic Memory → Sitzungszusammenfassungen, komprimiert aus rohen Beobachtungen
    ↓ (compress)
Semantic Memory → Sitzungsübergreifende Tatsachen, konsolidiert aus Episoden
    ↓ (compress)
Procedural Memory → Workflows und Muster, extrahiert aus wiederholter Semantik
```

Jede Ebene ist:
- Mehr **komprimiert** als die darunter
- Mehr **confident** (höherwertige Beweise)
- **Länger lebend** als die darunter

Von „Ich habe das einmal gesehen" zu „So funktionieren die Dinge" gehen.

## Implementierung

Basierend auf [[Agent Memory]]-Erfahrung:

1. **Metadaten verfolgen** für jede Aussage: Quelle, Datum, Confidence-Score, verwandte Entities
2. **Automatisch verfallen** Confidence-Scores basierend auf Zeit
3. **Confidence erhöhen** wenn Aussagen aufgerufen oder bestätigt werden
4. **Supersession markieren** mit expliziten Links und Zeitstempeln
5. **Gestuffelt Speicherung** mit unterschiedlichen Aufbewahrungsrichtlinien implementieren
6. **Hochwertige** Informationen bevorzugt in Abfragen anzeigen

## Vorteile

- Wiki bleibt **nützlich**, während es wächst (verfällt nicht)
- Benutzer können **der Information vertrauen** (Confidence ist explizit)
- Wissen **entwickelt sich** natürlich (Supersession)
- Irrelevante Informationen **verblassen** (Vergessen)
- Muster **entstehen** (Consolidation Tiers)

## Wann zu verwenden

- Jedes Wiki, das über mehrere hundert Seiten hinauswachsen soll
- Domänen, in denen sich Wissen im Laufe der Zeit ändert (Technologie, Forschung)
- Situationen, in denen die Zuverlässigkeit von Informationen variiert
- Multi-Quellen-Wissensdatenbanken

## Verwandte Concepts

- [[Confidence Scoring]] - Der Scoring-Mechanismus
- [[Supersession]] - Der Versionskontroll-Mechanismus
- [[Forgetting]] - Der Retention-Curve-Mechanismus
- [[Consolidation Tiers]] - Die Promotions-Pipeline
- [[Knowledge Compounding]] - Die Gesamtauswirkung
- [[LLM Wiki Pattern]] - Das übergeordnete Muster
- [[Agent Memory]] - Produktionsimplementierung

## Siehe auch

- [[Event-Driven Automation]] (Trigger für Lebenszyklus-Management)
- [[Quality Scoring]] (komplementäre Qualitätsmetriken)
- [[Knowledge Graph]] (Struktur zur Verfolgung von Beziehungen)