Verwendung von Opus 4.6 und GPT 5.4 zur Peer-Review eines Speicherstapel-Designs für OpenClaw

Ein Entwickler dokumentierte seinen Prozess zur Gestaltung eines Speicherstapels für OpenClaw, indem er zwei KI-Modelle gegenseitig ihre Arbeit begutachten ließ. Er nutzte Claude Opus 4.6 über API-Tokens als primäres Modell für die Architekturentwicklung und schickte den vollständigen Entwurf dann zur Qualitätssicherung an GPT 5.4.

Der KI-Begutachtungsprozess

Der Entwickler recherchierte mehrere Speicher-Erweiterungen, darunter Mem0, Supermemory, Cognee, Hindsight, QMD, Lossless Claw, LanceDB und MemOS, bevor er zu dem Schluss kam, dass kein einzelnes Plugin alle Speicherprobleme löst. Opus 4.6 wurde verwendet, um einen vollständigen Implementierungs-Prompt für OpenClaw zu entwerfen, den GPT 5.4 anschließend überprüfte.

GPT 5.4 identifizierte bei der Begutachtung mehrere Probleme: Risiken von Rückkopplungsschleifen, einen Cron-Job mit übermäßigen Berechtigungen, Lücken bei der FTS5-Überprüfung, Bedenken hinsichtlich der Versionsfixierung und Probleme mit dem Token-Overhead. Nach drei Feedback-Runden zwischen den Modellen einigten sie sich auf einen finalen Entwurf, den beide billigten.

Der Entwickler stellte fest, dass Opus in Architekturfragen und Plugin-Details stärker war, während GPT sich besser bei der Identifizierung von Betriebsrisiken, Randfällen und Fehlerszenarien auszeichnete.

Der dreischichtige Speicherstapel

• Schicht 1: Lossless Claw (LCM) – Ersetzt die Standardkomprimierung vollständig. Anstatt alte Nachrichten zusammenzufassen und zu löschen, bewahrt es jede Nachricht in einer SQLite-Datenbank und baut einen Baum aus fortschreitend komprimierten Zusammenfassungen (ein DAG) auf. Das Modell sieht Zusammenfassungen plus die neuesten Nachrichten, kann aber mit Werkzeugen wie lcm_grep und lcm_expand in die vollständigen Details zurückdrillen. Die Zusammenfassung läuft auf Haiku, um die Kosten zu kontrollieren.
• Schicht 2: SQLite-Hybridsuche – Kein Plugin, nur eine Konfigurationsänderung. Ermöglicht BM25-Stichwortabgleich neben der Standard-Vektorsuche, sodass exakte Begriffe (Projektnamen, Fehlercodes, IDs) zusätzlich zu semantisch ähnlichem Inhalt gefunden werden können. Ermöglicht auch MMR für vielfältige Ergebnisse und zeitlichen Abfall, sodass neuere Notizen höher eingestuft werden. Diese Funktion ist in OpenClaw integriert, aber standardmäßig deaktiviert.
• Schicht 3: Mem0 Cloud – Bietet sessionsübergreifenden persistenten Speicher. Auto-Recall injiziert relevante Fakten vor jeder Antwort, während Auto-Capture Fakten nach jeder Antwort extrahiert. Konfiguriert mit topK=3 und einer höheren Suchschwelle (0,45), um den Token-Overhead zu reduzieren.

Unterstützende Konfiguration

• 7-tägiges Sitzungs-Leerlauf-Timeout, um unnötige Sitzungsrücksetzungen zu verhindern
• Anthropic Cache-TTL-Kontextbereinigung, abgestimmt mit der Prompt-Cache-Aufbewahrung
• Vor-Komprimierungsspeicherleerung, die es dem Agenten ermöglicht, dauerhafte Notizen vor Komprimierungsereignissen zu schreiben
• Nächtliche Konsolidierungs-Cron um 3 Uhr morgens, die die täglichen Protokolle der letzten 7 Tage liest und eine konsolidierte Zusammenfassung in eine datierte Datei schreibt (nur Zusammenfassung, kann keine bestehenden Dateien löschen, kürzen oder ändern, kann nicht in MEMORY.md schreiben, idempotent)
• Deterministisches Archivierungsskript um 4 Uhr morgens (System-Cron, nicht OpenClaw), das tägliche Protokolle, die älter als 30 Tage sind, in ein Archivverzeichnis außerhalb des indizierten Speicherpfads verschiebt

Ausgeschlossene Plugins und Begründung

• QMD – Ausgeschlossen aufgrund offener Fehler, einschließlich Gateway-Neustartschleifen, memory_search, das QMD nicht aufruft, und dauerhaftem Fallback nach Timeout. Die SQLite-Hybridsuche bietet ähnliche Vorteile ohne die Instabilität.
• Cognee – Wissensgraphen-Funktionalität wurde für ein Einzelbenutzer-Personalsetup als übertrieben angesehen. Für mögliche spätere Implementierung zurückgestellt, falls benötigt.
• Supermemory – Die meisten Leistungsbehauptungen stammen vom Anbieter, während Mem0 erprobter ist.

Identifizierte Hauptrisiken

Während der Begutachtung identifizierten die Modelle Risiken von Rückkopplungsschleifen zwischen Mem0 und LCM/Cron-Jobs, obwohl der Quelltext abbricht, bevor alle identifizierten Risiken detailliert werden.