KI-Gedächtnis im Vergleich: Hindsight, ai-memory, Letta und mem0

KI-Agenten beginnen jede Sitzung bei null: Entscheidungen und gescheiterte Lösungswege sind nach dem Neustart weg. Vier quelloffene Projekte schließen diese Lücke auf eigener Hardware, aber mit sehr unterschiedlichen Ansätzen. Hindsight 1.1.0 ist ein Gedächtnis-Server, der mit einem Sprachmodell Fakten aus Texten zieht. ai-memory 3.2.0 hält das Arbeitsgedächtnis von Coding-Agenten als Markdown-Wiki und kommt ab Werk ohne Sprachmodell aus. Letta 0.34.19 ist ein Agenten-Server mit eingebautem Gedächtnis, mem0 2.2.1 eine Bibliothek mit REST-Server für eigene Anwendungen. Der Vergleich nutzt jeweils das aktuelle stabile Release, Stand 22. Oktober 2026.

Voraussetzungen

1. Ein Linux-Server oder eine VM mit Docker Engine und Docker Compose Plugin, etwa Debian 12 oder Ubuntu 24.04. Die Grundinstallation beschreibt Docker Compose unter Linux. ai-memory läuft auch ohne Docker.
2. Ohne lokales Sprachmodell reichen für den Probebetrieb 2 CPU-Kerne und 4 GB RAM. Mit lokalem Modell auf demselben Server mindestens 8 GB RAM; Hindsight lief im Test auf einem Intel Core i7-12700T mit 12 Kernen ohne Grafikkarte.
3. Zugang zu einem Sprachmodell: ein lokaler Dienst wie Ollama oder llama.cpp oder ein API-Schlüssel eines Cloud-Anbieters. Nur ai-memory funktioniert ohne.
4. Ein MCP-fähiger Agent wie Claude Code, Codex oder Cursor, wenn das Gedächtnis per MCP (Model Context Protocol, über das Agenten Werkzeuge aufrufen) angebunden werden soll.
5. Ein Reverse Proxy mit HTTPS, sobald Agenten auf anderen Rechnern zugreifen. Ansonsten binden Sie alle vier Dienste an 127.0.0.1.

Schritt 1: Einsatzzweck festlegen

Klären Sie zuerst, welche Rolle das Gedächtnis spielen soll. Die vier Projekte decken drei Muster ab:

1. Gedächtnis als eigener Dienst für beliebige Agenten: Hindsight und mem0. Agenten schreiben per API, ein Sprachmodell zieht daraus Fakten, eine Abfrage liefert sie zurück.
2. Sitzungsgedächtnis für Coding-Agenten: ai-memory. Hooks zeichnen Eingaben, Werkzeugaufrufe und Sitzungsgrenzen auf, am Sitzungsende entstehen Wiki-Seiten in Markdown. Laut README unterstützt es über zwanzig Agenten-Umgebungen wie Claude Code, Codex und Cursor und übergibt offene Aufgaben an den nächsten Agenten.
3. Agenten-Server mit eingebautem Gedächtnis: Letta. Der App Server führt Agenten selbst aus, ihr Gedächtnis liegt als Markdown in einem Git-Repository je Agent (MemFS).

Firmenwissen, das Support-Bot und Coding-Agent gemeinsam nutzen, gehört in einen Gedächtnis-Dienst. Projektnotizen eines Entwicklerteams passen zu ai-memory, ein dauerhaft laufender Assistent zu Letta.

Hindsight trennt Wissen in Speicherbänke je Agent, Kunde oder Projekt: 1 neue Bank anlegen, 2 Bank öffnen. Die Bank firmenwissen enthält vier Erinnerungen aus dem Test.

Verifizieren: Schreiben Sie in einem Satz auf, wer schreibt (welche Agenten), wer liest und ob Inhalte mit Personenbezug dabei sind. Passt der Satz zu keinem der drei Muster, ist ein Dokumentenarchiv mit Suche (RAG) oft die bessere Wahl als ein Agentengedächtnis.

Schritt 2: Lizenz, Betrieb und Schnittstellen vergleichen

Die Eckdaten stammen aus Repository, Release und Dokumentation. Alle vier Lizenzen erlauben den kommerziellen Eigenbetrieb.

Vorsicht bei Letta: Das bekannte Repository letta-ai/letta (rund 25.200 Sterne) enthält den alten Python-Server, der bei 0.16.8 vom Mai 2026 endet und eingestellt ist. Unter demselben Image-Namen erscheint heute Letta Code mit dem App Server. Bei mem0 baut die Compose-Datei zum Tag v2.2.1 den Server mit build: aus dem Quellcode, ein versioniertes Server-Image gibt es auf Docker Hub nicht.

Verifizieren: Prüfen Sie vor der Entscheidung den aktuellen Versionsstand:

curl -s "https://hub.docker.com/v2/repositories/akitaonrails/ai-memory/tags?page_size=5" | jq -r '.results[].name'
curl -s "https://hub.docker.com/v2/repositories/letta/letta/tags?page_size=5" | jq -r '.results[].name'
curl -s https://pypi.org/pypi/mem0ai/json | jq -r .info.version

Schritt 3: Modellbedarf und Datenschutz bewerten

Das Sprachmodell entscheidet über Hardware, Laufzeit und darüber, ob Texte Ihr Netz verlassen.

Hindsight lässt beim Merken (Retain) ein Sprachmodell Fakten, Personen und Zeitangaben extrahieren. Laut README unterstützt es über 25 Anbieter, darunter lokale wie Ollama, LM Studio und llama.cpp. Im Test mit llama.cpp und Gemma 4 E2B auf CPU dauerte das Merken einer kurzen Notiz 102 bis 157 Sekunden, eine Abfrage mit der Standardkonfiguration 0,07 bis 0,12 Sekunden. Für laufenden Agentenverkehr brauchen Sie eine Grafikkarte oder ein Cloud-Modell.

ai-memory arbeitet ab Werk ohne Modellaufruf: Aufzeichnung, Volltextsuche und Übergaben laufen laut README ohne API-Schlüssel. Optional verbessert ein Sprachmodell die Zusammenfassungen und schaltet die semantische Suche frei, auch über OpenAI-kompatible Endpunkte wie Ollama.

Letta braucht ein Modell, weil der Server die Agenten selbst ausführt. Lokale und OpenAI-kompatible Endpunkte müssen Chat Completions mit Tool-Aufrufen beherrschen. Wichtig für die Sicherheit: Der App Server führt Werkzeuge der Agenten aus und hat laut Letta Shell- und Dateisystemzugriff auf seinem Host.

mem0 braucht ein Sprachmodell und ein Embedding-Modell (wandelt Text in Vektoren für die Ähnlichkeitssuche). Der mitgelieferte Server bündelt laut Dokumentation nur OpenAI, Anthropic und Gemini als Sprachmodell sowie OpenAI und Gemini für Embeddings. Ollama unterstützt die Bibliothek, für den Server müssen Sie requirements.txt und main.py erweitern und das Image neu bauen. Ab Werk sendet der Server Telemetrie an PostHog, darunter die E-Mail-Domain des ersten Admins.

# server/.env von mem0: Telemetrie abschalten
MEM0_TELEMETRY=false

Mit einem Cloud-Modell landen gemerkte Texte beim Modellanbieter. Prüfpunkte für personenbezogene Daten sammelt die DSGVO-Checkliste für lokale KI.

Verifizieren: Notieren Sie für Ihre Wahl, welcher Dienst das Modell stellt und wo er läuft. Bei mem0 legt die Seite „Configuration“ im Dashboard Sprach- und Embedding-Modell fest und überschreibt damit die Werte aus der .env, bei Hindsight bestimmt es die Variable HINDSIGHT_API_LLM_PROVIDER.

Schritt 4: Backup und Wiederherstellung planen

Hindsight schreibt mit seinem Admin-Werkzeug alle Tabellen im laufenden Betrieb in eine ZIP-Datei. Im Test stellte restore eine gelöschte Datenbank vollständig wieder her. repair-bank --all legt danach laut Dokumentation fehlende Suchindizes an, ein Neustart lädt den Bestand:

docker compose exec -T hindsight hindsight-admin backup /backups/hindsight-$(date +%F).zip
# Wiederherstellung: löscht vorher alle Daten im Ziel
docker compose exec -T hindsight hindsight-admin restore /backups/hindsight-2026-10-22.zip --yes
docker compose exec -T hindsight hindsight-admin repair-bank --all
docker compose restart hindsight

ai-memory erzeugt laut Dokumentation einen Online-Schnappschuss aus SQLite-Datenbank, Wiki und config.toml. Die Wiederherstellung arbeitet direkt auf dem Datenordner und verweigert den Start, solange ein ai-memory-Prozess läuft:

ai-memory backup --to "/backup/ai-memory-$(date +%F).tar.gz"
# Server vorher stoppen, dann:
ai-memory restore --from /backup/ai-memory-2026-10-22.tar.gz --data-dir /pfad/zum/datenordner --force

Token-Dateien und das Rohprotokoll raw/ fehlen bewusst, die config.toml kann aber Zugangsdaten enthalten: Behandeln Sie die Sicherung wie ein Geheimnis. Das Wiki lässt sich zusätzlich in ein eigenes Git-Repository spiegeln.

Letta sichert selbst gehostete Agenten laut Dokumentation nicht automatisch. Der Zustand liegt unter /root/.letta im Container, die Letta-Anleitung sichert das Volume per tar bei gestopptem Dienst. Bei mem0 liegen Erinnerungen sowie Benutzer, API-Schlüssel und Einstellungen in PostgreSQL. Das README zeigt dafür einen vollständigen Dump:

cd server
docker compose exec -T postgres pg_dumpall -U postgres > mem0_backup.sql

Sichern Sie auch den eingebundenen Ordner server/history. Beim Zurückspielen startet laut README zuerst nur PostgreSQL und erst danach der API-Container, dessen Migrationen sonst leere Tabellen anlegen.

Verifizieren: Ein Backup zählt erst nach einer gelungenen Wiederherstellung: Testerinnerung anlegen, sichern, Datenbestand auf einer Test-VM löschen, zurückspielen, Erinnerung abfragen. Bei Hindsight zeigt unzip -l je Tabelle eine Datei und eine manifest.json.

Schritt 5: Agenten per MCP anbinden

Über MCP nutzen Claude Code, Cursor und andere Agenten das Gedächtnis ohne eigenen Code. Hindsight stellt je Speicherbank einen MCP-Endpunkt bereit, geschützt mit dem API-Schlüssel:

claude mcp add --transport http hindsight http://127.0.0.1:8888/mcp/firmenwissen/ \
  --header "Authorization: Bearer $HINDSIGHT_API_KEY"

Laut README stellt der Endpunkt die Operationen retain, recall und reflect als Werkzeuge bereit.

ai-memory trägt MCP-Server und Hooks selbst in die Konfiguration der Agenten ein und sichert laut README jede berührte Datei mit Zeitstempel:

ai-memory install-mcp   --client claude-code --apply
ai-memory install-hooks --agent  claude-code --apply

Der Docker-Schnellstart von ai-memory läuft ohne Authentifizierung und nur an 127.0.0.1, lokale Prozesse und Browserseiten erreichen ihn trotzdem. Die native Installation erzeugt ein Bearer-Token.

Letta nutzt MCP in die andere Richtung: Das Agent SDK bindet MCP-Server als Werkzeuge ein. Einen MCP-Server für fremde Agenten gibt es laut Dokumentation nur in Letta Cloud, selbst gehostet sprechen Sie Letta per WebSocket, SDK oder OpenAI-kompatibler Schnittstelle an.

Bei mem0 setzen der MCP-Server unter mcp.mem0.ai und das Plugin für Claude Code laut Dokumentation einen Schlüssel der gehosteten Mem0 Platform voraus. Das frühere OpenMemory mit eigenem MCP-Server wurde am 29. Juli 2026 aus dem Repository entfernt. Im Eigenbetrieb bleibt die REST-API mit dem Header X-API-Key.

Verifizieren: Fragen Sie den angebundenen Agenten nach einem gespeicherten Fakt. Bei Hindsight antwortet /mcp/firmenwissen/ ohne Schlüssel mit HTTP 401; bei ai-memory zeigt ai-memory status, ob die Authentifizierung aktiv ist.

Schritt 6: Auswahl treffen und Probebetrieb planen

Die Auswahl im Überblick:

1. Hindsight, wenn mehrere Agenten auf gemeinsames, nach Banks getrenntes Wissen zugreifen, eine Weboberfläche wichtig ist und ein leistungsfähiges Sprachmodell bereitsteht. Die Einrichtung zeigt Hindsight mit Docker selbst hosten.
2. ai-memory, wenn Entwickler zwischen Coding-Agenten oder Rechnern wechseln oder im Team an denselben Repositorys arbeiten.
3. Letta, wenn Sie einen dauerhaft laufenden Agenten mit eigener Identität und Zeitplänen betreiben, etwa als Assistent in Slack oder Telegram. Die PostgreSQL-Daten des alten Letta-Servers lassen sich laut Letta nicht in den neuen Server einbinden.
4. mem0, wenn Ihr Team eine eigene Anwendung in Python oder Node baut und das Gedächtnis als Bibliothek oder REST-Dienst braucht. Für MCP-Agenten im Eigenbetrieb ist es die schwächste Wahl.

Testen Sie auf einer Test-VM mit unkritischen Daten. Letta Code erscheint fast täglich, ai-memory mehrmals pro Woche, Hindsight etwa wöchentlich (ai-memory sammelte laut GitHub Trending in der Woche bis 22. Oktober rund 2.800 neue Sterne). Setzen Sie feste Versionsnummern statt latest. Härtungshinweise enthält Docker Compose absichern: Secrets, Healthchecks, Non-Root.

Verifizieren: Nach zwei Wochen Probebetrieb sollten drei Fragen mit Ja beantwortet sein: Findet der Agent gespeichertes Wissen ohne Nachfragen? Hat eine Wiederherstellung auf der Test-VM geklappt? Ist klar, welche Inhalte das Gedächtnis nie speichern darf?

Typische Fehler

Häufige Fragen

Kann ich mehrere Gedächtnis-Systeme kombinieren?

Ja. Ein typisches Paar ist ai-memory für die Projektarbeit und Hindsight für Firmenwissen, das auch ein Support-Agent braucht. Pflegen Sie dieselbe Information nicht in beiden Systemen, sonst widersprechen sich die Agenten.

Welches System läuft ganz ohne Cloud?

Alle vier lassen sich lokal betreiben. ai-memory braucht im Grundbetrieb gar kein Sprachmodell. Hindsight und Letta arbeiten mit lokalen Modellen über Ollama oder llama.cpp. mem0 kann das als Bibliothek, der mitgelieferte Server nur nach Umbau des Images, außerdem sollten Sie dort die Telemetrie abschalten.

Brauche ich eine Grafikkarte?

Für ai-memory nicht, für Hindsight im Alltag praktisch schon. Letta und mem0 brauchen eine Grafikkarte nur, wenn das Sprachmodell auf derselben Maschine läuft. Welche Modelle auf welche Hardware passen, zeigt Ollama-Modelle richtig auswählen.

Lassen sich Erinnerungen gezielt löschen?

Ja, aber unterschiedlich gründlich. mem0 löscht im Dashboard eine Entität samt aller Erinnerungen. ai-memory entfernt beim Altern von Erinnerungen laut README nichts endgültig, alte Fassungen bleiben in der Git-Historie; die Befehle zum Bereinigen geben an, was genau gelöscht wird. Für Löschpflichten nach DSGVO müssen Sie das in Ihrem Verfahren berücksichtigen.

Fazit

Hindsight ist das vielseitigste Gedächtnis als Dienst, mit Weboberfläche, MCP und eingebautem Backup, verlangt aber ein leistungsfähiges Sprachmodell. ai-memory ist für Coding-Agenten die schlankste Lösung und hält Wissen als prüfbares Markdown. Letta ersetzt den Agenten gleich mit und passt zu dauerhaft laufenden Assistenten. mem0 bleibt ein Baustein für Entwickler eigener Anwendungen.

Weiterführende Anleitungen und Quellen

1. Hindsight 1.1 mit Docker: Gedächtnis für KI-Agenten selbst hosten
2. Letta App Server selbst hosten: KI-Agenten mit Langzeitgedächtnis per Docker
3. Lokale KI datenschutzkonform betreiben: DSGVO-Checkliste
4. Ollama-Modelle richtig auswählen
5. Docker Compose unter Linux: Grundlage für Selfhosting
6. Docker Compose absichern: Secrets, Healthchecks, Non-Root
7. Hindsight 1.1.0: Release Notes
8. Hindsight: README zum Release 1.1.0
9. ai-memory: README zum Release 3.2.0
10. ai-memory: Backup, Restore und Lebenszyklus
11. Letta Code 0.34.19: Release Notes
12. Letta: Self-hosting
13. Letta: MCP im Agent SDK
14. mem0: Self-Hosted Server zum Release 2.2.1
15. mem0: Self-Hosted Setup
16. mem0: Platform und Open Source im Vergleich