Mímir: Ein Python-Speichersystem basierend auf 21 neurowissenschaftlichen Mechanismen

Mímir ist ein Python-Gedächtnissystem für KI-Agenten, das auf 21 Mechanismen aus veröffentlichter kognitiver Wissenschaftsforschung basiert und als Alternative zu traditionellen RAG-Ansätzen entwickelt wurde, die Gedächtnis wie eine Datenbank behandeln.

Wichtige Neurowissenschaftliche Mechanismen

• Flashbulb-Memory (Brown & Kulik 1977) – Ereignisse mit hoher Erregung erhalten dauerhafte Stabilitätsgrundlagen
• Rekonsolidierung (Nader et al 2000) – abgerufene Erinnerungen verändern sich um 5 % in Richtung der aktuellen Stimmung
• Retrievalinduziertes Vergessen (Anderson 1994) – das Abrufen einer Erinnerung unterdrückt aktiv ähnliche Konkurrenten
• Zeigarnik-Effekt – ungelöste Fehler bleiben besonders lebendig, Agenten versuchen weiter, was nicht funktioniert hat
• Völvas Vision – während sleep_reset() werden zufällige Erinnerungspaare entnommen und zu Einsichtserinnerungen synthetisiert, mit denen der Agent aufwacht
• Yggdrasil – ein persistenter Gedächtnisgraph mit 6 Kantentypen, der episodisches, prozedurales und soziales Gedächtnis zu einer einheitlichen Wissensstruktur verbindet

Technische Implementierung

Der Abruf verwendet einen hybriden BM25 + semantischen + Datumsindex mit 5-Signal-Neubewertung (Schlüsselwort, semantisch, Lebendigkeit, Stimmungskongruenz, Aktualität). Dieser Ansatz brachte MSC schließlich auf Augenhöhe mit rohem TF-IDF, nachdem rein schlüsselwortbasierte Systeme rein semantische übertroffen hatten.

Benchmark-Ergebnisse

Getestet an 6 Standard-Gedächtnis-Benchmarks (Mem2ActBench, MemoryBench, LoCoMo, LongMemEval, MSC, MTEB):

• Übertrifft VividnessMem auf Mem2ActBench um 13 % Tool-Genauigkeit
• 96 % R@10 auf LongMemEval
• 100 % in 3 von 6 LongMemEval-Kategorien (knowledge-update, single-session-preference, single-session-user)
• MSC im Wesentlichen gleichauf mit TF-IDF-Baseline (verlor zuvor um 11 % vor der hybriden Brücke)

Installation und Architektur

Installation via pip install vividmimir. Das System orchestriert zwei separat veröffentlichte Pakete – VividnessMem (Neurochemie-Engine) und VividEmbed (389-dimensionale emotionsbewusste Embeddings) – funktioniert aber eigenständig mit eleganten Fallbacks, wenn Sie nicht den gesamten Stack möchten.

Das Repository und vollständige Benchmark-Ergebnisse sind verfügbar unter github.com/Kronic90/Mimir.