torben
18ae28f918
Chemenu kompiliert Rohnotizen zu einem verlinkten, quellengebundenen Wiki: raw/ -> types/ + tools/ -> kb/ -> reports/. Was mechanisch ist, macht tools/wikitool; was Urteil braucht, macht ein Agent unter Contracts, deren Grenzen in Code durchgesetzt sind statt im Prompt. Dieser Commit ist der Startpunkt der oeffentlichen Historie. Die vorherige Entwicklung fand in einer privaten Instanz statt und ist nicht Teil dieses Repositorys; ihre Erzaehlung steht vollstaendig in CHANGES.md, das mit 44 Eintraegen von 0.1.0 bis 2.1.0 erhalten geblieben ist. Der mitgelieferte Korpus ist ein Testbett und eine Demo: 170 Seiten ueber den Stack selbst - Gates, Lint, Versionierung, Suche, das Wiki-Muster. Er dokumentiert das Werkzeug mit den eigenen Mitteln des Werkzeugs. Lizenz: AGPL-3.0 fuer den Stack (tools/, types/), CC-BY-4.0 fuer die Inhalte. Die Grenze zwischen beiden ist der Dateiplan, den dist export berechnet - siehe NOTICE.
5.3 KiB
type, concept_type, tags, created, modified, related, sources, confidence, confidence_base, provenance, summary
| type | concept_type | tags | created | modified | related | sources | confidence | confidence_base | provenance | summary | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| types/concept.md | architecture |
|
2026-07-26 | 2026-08-29 |
|
|
0.95 | 0.95 | sourced | 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:
- Metadaten verfolgen für jede Aussage: Quelle, Datum, Confidence-Score, verwandte Entities
- Automatisch verfallen Confidence-Scores basierend auf Zeit
- Confidence erhöhen wenn Aussagen aufgerufen oder bestätigt werden
- Supersession markieren mit expliziten Links und Zeitstempeln
- Gestuffelt Speicherung mit unterschiedlichen Aufbewahrungsrichtlinien implementieren
- 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)