HMLR – Ein zustandsorientiertes Langzeit‑Gedächtnissystem für KI‑Agenten

HMLR ist ein zustandsorientiertes, Langzeit‑Gedächtnissystem für KI‑Agenten, das mithilfe von Mini‑LLMs verifizierte Multi‑Hop‑, temporale und cross‑topic‑Rechnungen ohne klassische RAG‑Fenster ermöglicht.

Key Takeaway

HMLR ist ein zustandsorientiertes, Langzeit‑Gedächtnissystem für KI‑Agenten, das mithilfe von Mini‑LLMs verifizierte Multi‑Hop‑, temporale und cross‑topic‑Rechnungen ohne klassische RAG‑Fenster ermöglicht.

Summary

• HMLR‑Architektur
  • Hierarchisches Memory Lookup & Routing (HMLR) zur Speicherung von Fakten, Policies und Ereignissen.
  • Struktur nutzt “Dossiers” für die Überführung von Kurzzeit‑ zu Langzeit‑Gedächtnis.
  • Keine RAG‑Basis, sondern strukturierte, state‑aware Retrieval‑Strategien.
• Funktionalitäten
  • Konflikt‑Auflösung über Zeit (z. B. veränderte Policy‑Versionen).
  • Durchsetzung von persistenten Benutzer‑ und Unternehmensregeln über mehrere Themen hinweg.
  • Multi‑Hop‑Reasoning über historische Daten (ex. 9‑alias‑Kryptosystem).
  • Mini‑LLMs als Engine, ohne großes Modell zu benötigen.
• Integration
  • Drop‑in‑Komponente für LangGraph (v0.1.2).
  • Beispielagent in examples/simple_agent.py.
  • Automatische Dossier‑Erstellung über run_gardener.py.
• Benchmark‑Erfolge
  • Hydra of Nine Heads (Hard Mode) – Vollständige rekonstruktive Abfrage aller Alias‑Verknüpfungen und Policy‑Revisionen.
  • Vegetarian Constraint Trap – Einhaltung von immutable user‑preferences trotz Prompt‑Injection.
  • Frühere Einzel‑Tests (API‑Key‑Rotation, 30‑Day Deprecation, 50‑Turn vague recall) superseded by Hydra9 Hard Mode.
  • Bewertung nach RAGAS‑Framework (✓ 1.00 für alle Tests, außer 9‑turn‑hard‑mode).
• Test‑Routinen
  • E2E‑Test‑Harness im Repository, debug_llm_flow.txt dokumentiert.
  • tests/ enthält unit‑ und integration‑Tests.
  • Benutzern empfohlen, die Tests selbst auszuführen, um Ergebnisse zu verifizieren.
• Lizenz & Setup
  • MIT‑Lizenz.
  • Abhängigkeiten in requirements-core.txt; Entwicklungsidee in requirements-dev.txt.
  • Setup via pyproject.toml oder setup.py.
• Relevante Repositories/Verzeichnisse
  • docs/, examples/, hmlr/ (Quellcode), tests/.
  • .env.example bzw. .env.template für Konfigurationsvariablen.
  • .github für Aktionen und Workflows.
• Wichtige Pfade
  • hmlr/ – Kernmodule.
  • .agent/workflows – CI‑Workflows.
  • debug_llm_flow.txt – Debug‑Log des LLM‑Flusses.

Related queries:

Wie starte ich die run_gardener.py, um Kurzzeit‑zu‑Langzeit‑Gedächtnis zu übertragen?

Welche Anforderungen erfüllt der Hydra 9 Hard Mode Test?

Darf HMLR in einer produktiven Unternehmensumgebung eingesetzt werden und welche Lizenzbedingungen gelten?

Quelle: https://github.com/Sean-V-Dev/HMLR-Agentic-AI-Memory-System