Wichtigste Erkenntnisse
- LongMemory (github.com/CaviraOSS/LongMemory) ist eine kostenlose, quelloffene, selbst gehostete Memory-Engine für KI-Agenten und LLM-Anwendungen
- Entwickelt von CaviraOSS; früher unter dem Namen OpenMemory veröffentlicht, bevor es in LongMemory umbenannt wurde — diese Review behandelt beide als dasselbe Projekt, nicht als zwei konkurrierende Tools
- Apache 2.0 lizenziert für die Kern-Engine; ein separates n8n-Community-Node-Paket ist laut eigenem Paketeintrag unter MIT lizenziert
- Speichert Gedächtnis in einem grafenbasierten Substrat, das das Projekt "Hydrograph" nennt, mit unveränderlichen Knoten, typisierten Kanten und zeitlicher Nachverfolgung, persistiert über SQLite
- Positioniert sich gegenüber einfachem RAG und Vektorsuche: laut eigener Dokumentation ist es "nicht nur RAG, nicht nur eine Vektordatenbank"
- Integriert sich mit Claude Desktop, GitHub Copilot, Codex, OpenCode, Gemini CLI, Cline und n8n, plus einem Model-Context-Protocol-(MCP)-Server
- Über 4.500 GitHub-Stars zum Zeitpunkt dieser Review
📍 In einem Satz
LongMemory ist eine kostenlose, quelloffene (Apache 2.0), selbst gehostete Memory-Engine von CaviraOSS — früher als OpenMemory veröffentlicht —, die KI-Agenten und LLM-Anwendungen dauerhaftes, zeitbewusstes, governance-fähiges Gedächtnis über Sitzungen hinweg gibt, mit über 4.500 GitHub-Stars.
💬 In einfachen Worten
LongMemory ist Infrastruktur, die Sie selbst betreiben und die sich Dinge für einen KI-Agenten zwischen Unterhaltungen merkt — einschließlich wann ein Fakt wahr war und wann er sich geändert hat —, statt dass der Agent alles vergisst, sobald ein Chat endet. Es betreibt kein eigenes KI-Modell; es speichert und ruft Gedächtnis ab und gibt Kontext an den von Ihnen konfigurierten LLM- oder Embedding-Anbieter zurück.
📌Hinweis: Diese Review basiert auf LongMemorys eigenem GitHub-Repository, README und Dokumentation. Sie behauptet nicht, dass PromptQuorum Hands-on-Benchmarks zur Retrieval-Genauigkeit oder Performance gegenüber anderen Memory-Tools durchgeführt hat — prüfen Sie konkrete Performance-Angaben direkt anhand der eigenen Dokumentation des Projekts, bevor Sie sich für eine Produktionsentscheidung darauf verlassen.
Was ist LongMemory?
LongMemory ist eine selbst gehostete Memory-Engine, die KI-Agenten und LLM-Anwendungen dauerhaftes, zeitbewusstes Erinnerungsvermögen über Sitzungen hinweg gibt, statt ein Modell, eine Inferenz-Engine oder eine einfache Vektordatenbank zu sein. Laut eigener Dokumentation will es ein bestimmtes Problem lösen: Die meisten LLM-Systeme verlieren den gesamten Kontext, sobald eine Sitzung endet, und selbst RAG-Pipelines auf Basis einer Vektordatenbank haben typischerweise kein Konzept dafür, wann ein Fakt wahr war oder ob er inzwischen widerlegt wurde.
- Produkttyp: ein selbst gehostetes Memory-Backend/-Bibliothek — keine Chat-App, keine Inferenz-Engine, kein Modell
- Entwickler: CaviraOSS, die GitHub-Organisation, die das Projekt veröffentlicht und pflegt
- Namensgebung: Dieses Projekt heißt derzeit LongMemory; es wurde von derselben Organisation zuvor unter dem Namen OpenMemory veröffentlicht, und seine Pakete (
longmemory,longmemory-sdk) spiegeln die umbenannte Version wider — verwechseln Sie es nicht mit unabhängigen, ähnlich benannten "OpenMemory"-Projekten anderer Organisationen - Lizenz: Apache 2.0 für die Kern-Engine, bestätigt über das GitHub-Repository; ein separates n8n-Community-Node-Integrationspaket ist laut npm-/n8n-Paketkonventionen unter MIT lizenziert
- Repository-Umfang: über 4.500 GitHub-Stars zum Zeitpunkt dieser Review, mit rund 390 Commits im Main-Branch
Projektgeschichte: Von OpenMemory zu LongMemory
LongMemory veröffentlichte seine ersten Releases unter dem Namen OpenMemory und wurde dann vom selben CaviraOSS-Team in LongMemory umbenannt, wobei die Repository-Historie erhalten blieb. Die Meilensteine unten spiegeln den Changelog und die Release-Notes des Projekts wider; die Daten sind wie vom Projekt veröffentlicht und sollten auf GitHub erneut geprüft werden, wenn Sie exakte Release-Zeitpunkte für eine Compliance- oder Beschaffungsentscheidung benötigen.
- 1v1.0.0 / MCP-Unterstützung — erste Model-Context-Protocol-Implementierung
Why it matters: Fügte tag- und metadatengefilterte Abfragen gegen das grafenbasierte Substrat des Projekts hinzu und machte Gedächtnis über MCP zugänglich — den Integrationspfad, der LongMemory später mit Tools wie Claude Desktop verband. - 2v1.1.0 — Unterstützung für austauschbare Vektordatenbanken
Why it matters: Fügte PostgreSQL als unterstütztes Backend neben dem Standard-Speicher des Projekts hinzu und gab Selbst-Hostern mehr Kontrolle darüber, wo Gedächtnisdaten liegen. - 3v1.1.1 — Memory-Kompressions-Engine und VS-Code-Erweiterung
Why it matters: Führte ein Memory-Kompressionssystem mit mehreren Algorithmen ein, plus eine VS-Code-Erweiterung und API-Authentifizierung/Rate-Limiting für selbst gehostete Deployments. - 4v1.2.0 — Web-UI und Hybrid-Performance-Stufe
Why it matters: Fügte ein Web-Dashboard zum Prüfen und Verwalten gespeicherten Gedächtnisses hinzu, plus einen "HYBRID"-Performance-Modus, der Genauigkeit und Geschwindigkeit ausbalanciert. - 5v1.2.1–v1.2.3 — SDK-Überarbeitung und zeitliche Filterung
Why it matters: Überarbeitete die Python- und JavaScript-SDKs für den eigenständigen Einsatz, fügte zeitbasierte ("temporale") Filterung bei der Gedächtnisabfrage hinzu und behob MCP-Server-Pfadprobleme, die die Claude-Desktop-Integration betrafen. - 6Beta v1.3.0 — Zero-Config-Klasse Memory()
Why it matters: Vereinfachte die API-Oberfläche mit einer Zero-Config-Klasse `Memory()` und einer überarbeiteten Benchmark-Suite, laut den eigenen Release-Notes des Projekts — der jüngste Meilenstein, den diese Review anhand des öffentlichen Changelogs bestätigen konnte.
Was macht LongMemory tatsächlich?
LongMemory speichert, was Ihr KI-Agent oder Ihre App gelernt hat, verfolgt, wann jeder Fakt wahr war, und gibt bei Bedarf nur den relevanten, noch gültigen Kontext zurück — während es auf der Modellseite selbst zustandslos bleibt.
- Zeitliches Schlussfolgern — verfolgt punktgenaue Wahrheit, Ereignisreihenfolge und Ablösung, sodass ein Fakt, der letzten Monat wahr war, sich seither aber geändert hat, aktuelle Antworten nicht stillschweigend überschreibt oder verfälscht
- Mehrere Abrufmodi — laut Dokumentation: "strict"-Abruf wendet zeitliche, widerspruchs- und grundierungsbezogene Prüfungen für aktuelle Fakten an; "historical"-Abruf ruft ab, was während eines bestimmten vergangenen Zeitraums wahr war; "associative"-Abruf folgt semantischen, lexikalischen und grafenbasierten Signalen; "world-grounded"-Abruf verlangt externe Belege, bevor ein Gedächtniseintrag als Fakt zurückgegeben wird
- Hydrograph-Substrat — ein grafenbasiertes Speichermodell mit unveränderlichen Knoten, typisierten Kanten und zeitlicher Nachverfolgung, persistiert in SQLite, sodass abgerufenes Gedächtnis als nachvollziehbar und durch spätere Abrufe unverändert beschrieben wird
- Governance-fähige Memory-Assets — das Projekt beschreibt strukturierte Gedächtnistypen einschließlich Projekt-Gedächtnis, Chat-Gedächtnis, "Skills", einem "LLM-Wiki" und einem "CodeGraph", jeweils mit Zugriffskontrollrichtlinien, laut eigener Dokumentation
- Keine Inferenz-Engine — LongMemorys eigene Dokumentation stellt ausdrücklich klar, dass "Ihr Modell zustandslos bleibt" und dass LongMemory selbst keine Inferenz durchführt; es ruft einen von Ihnen konfigurierten Embedding-Anbieter auf (OpenAI, Google Gemini, AWS Bedrock, Ollama oder ein lokal HTTP-kompatibles Modell) und gibt Kontext an das LLM zurück, das Ihre Anwendung bereits verwendet
- Mehrsprachige Unterstützung — umfasst laut Dokumentation Skript-Erkennung und sprachübergreifende Embeddings, statt nur Englisch zu unterstützen
- Sitzungs-Portierung — kann vorherige Unterhaltungsverläufe aus Tools wie Claude Code, Codex, GitHub Copilot und Gemini CLI importieren, sodass bestehende Unterhaltungen bei der Einführung von LongMemory nicht verloren gehen
- Model-Context-Protocol-(MCP)-Server — macht Gedächtnisoperationen als MCP-Tools verfügbar, den Integrationspfad, den Claude Desktop und andere MCP-kompatible Clients nutzen
Anwendungsbeispiele: Drei Wege, LongMemory zu nutzen
Dies sind konkrete Workflows aus LongMemorys eigenen dokumentierten Funktionen, keine hypothetischen Anwendungsfälle.
Plattform, Preise und Lizenzierung
Plattform
- Was LongMemory angibt:
- Selbst gehostet; über Docker bereitstellbar oder direkt als Node.js-/TypeScript-Bibliothek, Python-HTTP-Client oder CLI ausführbar, laut eigener Dokumentation.
Kosten
- Was LongMemory angibt:
- Kostenlos und quelloffen. Selbst-Hosting bedeutet, dass Ihre einzigen Kosten Ihre eigene Infrastruktur plus die Gebühren Ihres gewählten Embedding-/LLM-Anbieters sind.
Lizenzierung
- Was LongMemory angibt:
- Apache 2.0 für die Kern-Engine; ein separates n8n-Community-Node-Paket ist laut eigenem Paketeintrag MIT lizenziert.
Datenlokalität
- Was LongMemory angibt:
- Positioniert als local-first und selbst gehostet, mit SQLite-basierter Persistenz und optionaler PostgreSQL-Unterstützung, laut Dokumentation.
Prüfen Sie den aktuellen Lizenztext direkt im GitHub-Repository, bevor Sie sich für eine rechtliche oder Compliance-Entscheidung auf diese Tabelle verlassen, da sich Lizenzdateien zwischen Releases ändern können.
LongMemory installieren
LongMemory installiert sich kostenlos über npm, pip oder Docker, und der Quellcode liegt auf GitHub.
Source | Link |
|---|---|
| GitHub-Repository (Quellcode, Apache 2.0) | github.com/CaviraOSS/LongMemory |
| TypeScript-/Node.js-Bibliothek | npm install longmemory |
| CLI (globale Installation) | npm install --global longmemory |
| Python-HTTP-Client | pip install longmemory-sdk |
| Docker-Image | docker run -p 7331:7331 ghcr.io/caviraoss/longmemory:latest |
LongMemory benötigt eine selbst gehostete Laufzeitumgebung (Node.js, Python oder Docker) — es gibt keine verwaltete Cloud-Version oder GUI-Installer. Prüfen Sie immer das GitHub-README für den aktuell empfohlenen Installationspfad, bevor Sie einen Befehl ausführen, da sich Installationsanweisungen zwischen Releases ändern können.
LongMemory vs. eine einfache Vektordatenbank
LongMemory und eine einfache Vektordatenbank wie Qdrant, Chroma oder Weaviate lösen ein verwandtes, aber unterschiedliches Problem: Eine Vektordatenbank speichert und durchsucht Embeddings, während LongMemory zeitliches Schlussfolgern, Governance und agentenspezifische Gedächtnistypen oben auf das Retrieval hinzufügt.
Aspekt | LongMemory | Einfache Vektordatenbank |
|---|---|---|
| Kernaufgabe | Governance-fähiges, zeitbewusstes Gedächtnis für Agenten | Speichert und durchsucht Vektor-Embeddings |
| Zeitbewusstsein | Verfolgt, wann Fakten wahr waren und abgelöst wurden | Nicht eingebaut; muss von Ihrer App ergänzt werden |
| Gedächtnistypen | Projekt, Chat, Skills, Wiki, Code-Graph | Generische Vektoren/Collections |
| Betreibt eigenes Modell | Nein — ruft Ihren konfigurierten Anbieter auf | Nein — ebenso, Embeddings extern berechnet |
| Agent-Integrationen | MCP, Claude Desktop, Copilot, Codex, n8n | Typischerweise keine eingebaut |
Wenn Sie nur Embeddings speichern und semantisch durchsuchen müssen, ist eine einfache Vektordatenbank einfacher zu betreiben. Wenn ein Agent wissen muss, was wann wahr war, und aktuelle von abgelösten Fakten unterscheiden soll, ist LongMemorys zeitbasiertes Modell genau dafür gebaut — anders als eine generische Vektordatenbank standardmäßig.
Für wen eignet sich LongMemory?
LongMemory passt zu Entwicklern, die Agenten oder LLM-Apps bauen, bei denen Gedächtnis über Sitzungen hinweg bestehen und korrekt bleiben muss, nicht nur ein einmaliger Retrieval-Index.
Wofür LongMemory nicht gut geeignet ist
LongMemory ist keine gute Wahl, wenn Sie einen vollständig verwalteten Memory-Dienst, eine Inferenz-Engine oder eine einfache Drop-in-Vektorsuche ohne zeitliche Komplexität möchten.
- Keine Inferenz-Engine oder Modell-Server — es generiert keinen Text selbst; es speichert und ruft Gedächtnis rund um ein separat von Ihnen konfiguriertes Modell oder Embedding-Anbieter ab
- Kein verwalteter Cloud-Dienst — es ist selbst gehostet, Sie sind für den Betrieb und die Wartung der Node.js-/Python-/Docker-Laufzeitumgebung und ihres Speicher-Backends verantwortlich
- Nicht die einfachste Option, wenn Sie nur einfache Dokumentabfrage ohne Bedarf zur Nachverfolgung sich ändernder Fakten benötigen — ein schlichteres RAG-Framework kann weniger Betriebsaufwand bedeuten
- Nicht unabhängig von PromptQuorum auf Retrieval-Genauigkeit oder Latenz benchmarkt — diese Review basiert auf LongMemorys eigener Dokumentation, nicht auf praktischem Testen
- Umbenannt von OpenMemory — ältere Tutorials, Blogbeiträge oder Paketverweise unter dem Namen OpenMemory können eine frühere Version derselben Codebasis beschreiben; prüfen Sie gegen das aktuelle Repository, bevor Sie sich auf ältere Drittanbieter-Anleitungen verlassen
Häufige Fehler bei der Bewertung von LongMemory
Die meiste Verwirrung um LongMemory entsteht durch die Umbenennung von OpenMemory oder durch die Annahme, es betreibe ein eigenes Modell wie eine Inferenz-Engine.
Wettbewerber und Alternativen
LongMemory wird am häufigsten mit anderen selbst gehosteten RAG- und Memory-Framework-Tools verglichen, da es im gleichen Segment "Embeddings- und Retrieval-Infrastruktur" angesiedelt ist. Ergänzend zu LongMemorys eigenem Eintrag im Local LLM Software Directory.
Tool | Best known for | Link |
|---|---|---|
| Cognee | Open-Source-KI-Gedächtnis- und Knowledge-Graph-Engine für LLM-Apps und Agenten | Cognee Review |
| txtai | Eingebettetes All-in-one-Vektorsuche- und RAG-Framework | txtai Review |
| LlamaIndex | Universelles Daten-Framework zum Bau von RAG- und Agenten-Anwendungen | LlamaIndex Review |
| Haystack | deepsets quelloffenes RAG- und Suchpipeline-Framework | Haystack Review |
Diese Liste spiegelt Tools im gleichen Embeddings-/Retrieval-Infrastruktur-Segment wie LongMemory wider, kein unabhängiges PromptQuorum-Ranking — prüfen Sie den aktuellen Funktionsumfang jedes Tools, bevor Sie sich entscheiden, da LongMemorys Fokus auf zeitbasiertem Gedächtnis nicht identisch mit einem allgemeinen RAG-Framework oder einer Vektordatenbank ist.
Häufig gestellte Fragen
Was ist LongMemory?
LongMemory (github.com/CaviraOSS/LongMemory) ist eine kostenlose, quelloffene, selbst gehostete Memory-Engine, die KI-Agenten und LLM-Anwendungen dauerhaftes, zeitbewusstes, governance-fähiges Gedächtnis über Sitzungen hinweg gibt.
Ist LongMemory dasselbe Projekt wie OpenMemory?
Ja. LongMemory wurde zuvor von CaviraOSS unter dem Namen OpenMemory veröffentlicht, bevor es umbenannt wurde. Es ist dasselbe Projekt mit derselben Repository-Historie, nicht zwei separate Tools — beachten Sie aber, dass unabhängige Projekte anderer Organisationen ebenfalls den Namen "OpenMemory" verwenden, prüfen Sie also, dass Sie speziell das Repository von CaviraOSS betrachten.
Ist LongMemory kostenlos?
Ja. Die Kern-Engine ist Apache-2.0-lizenziert und selbst gehostet, es fällt also keine Abogebühr für LongMemory selbst an. Ihre einzigen Kosten sind Ihre eigene Hosting-Infrastruktur plus die Gebühren Ihres gewählten Embedding- oder LLM-Anbieters.
Betreibt LongMemory ein eigenes KI-Modell?
Nein. LongMemory ist ein Memory-Substrat, keine Inferenz-Engine. Es speichert und ruft Gedächtnis ab und ruft einen von Ihnen konfigurierten Embedding-/LLM-Anbieter auf — OpenAI, Google Gemini, AWS Bedrock, Ollama oder ein lokal HTTP-kompatibles Modell.
Wie installiere ich LongMemory?
Über npm (npm install longmemory für die Bibliothek oder npm install --global longmemory für die CLI), über pip (pip install longmemory-sdk für den Python-HTTP-Client) oder über Docker (docker run -p 7331:7331 ghcr.io/caviraoss/longmemory:latest).
Was unterscheidet LongMemory von einer Vektordatenbank?
Eine einfache Vektordatenbank speichert und durchsucht Embeddings ohne Zeitkonzept. LongMemory fügt zeitliches Schlussfolgern (Verfolgung, wann ein Fakt wahr war und ob er sich seither geändert hat), governance-fähige Gedächtnistypen und agentenspezifische Integrationen oben auf das Retrieval hinzu.
Mit welchen KI-Tools integriert sich LongMemory?
Laut Dokumentation: Claude Desktop, GitHub Copilot, Codex, OpenCode, Gemini CLI, Cline und n8n, plus jeden Model-Context-Protocol-(MCP)-kompatiblen Client über seinen MCP-Server.
Welche Lizenz verwendet LongMemory?
Apache 2.0 für die Kern-Engine. Ein separates n8n-Community-Node-Integrationspaket ist laut eigenem Eintrag im n8n-Community-Registry unter MIT lizenziert.
Unterstützt LongMemory andere Sprachen als Englisch?
Ja. Die Dokumentation beschreibt Skript-Erkennung und sprachübergreifende Embeddings als Teil der mehrsprachigen Unterstützung, statt auf englischsprachiges Gedächtnis beschränkt zu sein.
Hat PromptQuorum LongMemorys Retrieval-Genauigkeit unabhängig getestet?
Nein. Diese Review basiert auf LongMemorys eigenem GitHub-Repository, README und Dokumentation, nicht auf praktischem Benchmarking durch PromptQuorum. Prüfen Sie konkrete Performance-Angaben anhand der eigenen Dokumentation des Projekts, bevor Sie eine Produktionsentscheidung treffen.