TasteBud Memory: Reversibles Agentengedächtnis via VSA

TasteBud Memory ist ein reversibler Gedächtnisindex für KI-Agenten, der auf hyperdimensionaler Berechnung / vektoriellen symbolischen Architekturen (Kanerva) basiert. Anstatt Projektbeiträge in einer irreversiblen Summe zu vermischen (wie beim Mischen von Farben), erhält jedes Projekt einen deterministischen 4096-dimensionalen ±1-Vektor, und die Arbeit eines Tages wird als gewichtete Summe kodiert. Da zufällige hochdimensionale Vektoren nahezu orthogonal sind, können Skalarprodukte die Mischung wieder in ihre Bestandteile zerlegen – einschließlich der Erkennung unbekannter Zutaten.

Was es tut

Verlustfreie Dekodierung: Aus dem Vektor eines Tages genau die beteiligten Projekte und deren Anteile wiederherstellen.
Vollständige Suche: Alle Tage auflisten, die Projekt X betroffen haben (Embedding-Suche liefert Vertreter, nicht die vollständige Menge).
Herkunftsverfolgung: Finden, wann ein Projekt gestartet ist, auch unter alten Namen.
Mengendifferenzen: Was war im März aktiv, aber im Juni tot? (unmöglich mit Embeddings)
Abwesenheitserkennung: Welche Arbeitsströme hatten nie eine Dokumentation?
Erkennung unbekannter Zutaten: Meldet, wenn die Arbeit eines Tages ein Projekt enthält, das nicht im Codebuch steht – die 'Kochpalette'-Funktion.

Validierungsprotokoll

Vor dem Vertrauen wurde das Tool an der eigenen Geschichte des Autors getestet:

Ein Ground-Truth-Dokument wurde eingefroren, und gegnerische Prüfagenten leiteten blind 31 von 92 Tagen neu ab – dabei wurden 2 echte Tagging-Fehler gefunden, 93,5 % Treue.
Die Historie wurde mit aus dem Codebuch gelöschten bekannten Projekten wiederholt, um zu beweisen, dass der Detektor für unbekannte Zutaten sie erkannt hätte (Tag 0–2 in Backtests).
Die echte Historie enthielt ein Projekt, das 13+ Tage lief, bevor es eine Dokumentation erhielt – die ursprüngliche Motivation.

Ehrliche Einschränkungen

Die einfache Zusammensetzungstabelle erledigt die meiste Abfragearbeit. Die Vektorebene verdient sich ihre Existenz durch verlustfreie Dekodierung, Tagesähnlichkeit, Drift-Tracking und feste Kodierungsgröße.
Das lokale Modell (Gemma 26B) fiel beim Tagging-Qualitätsgate durch (0,74 Übereinstimmung vs. 0,80 Schranke) – derzeit der benachrichtigte Fallback, großes Cloud-Modell ist nächtlicher Primärbetrieb.
Dies ist ein Index, kein Zusammenfasser. Es ruft die Zutatenliste ab, nicht das Rezept.