2026 Agent-Memory-Projekte: Semantica, Mem0, Zep, Letta

Vier Projekte, vier unterschiedliche Abstraktionsebenen: Für eine leichte, allgemeine Erinnerungsschicht sollten Sie zuerst Mem0 prüfen; für zustandsbehaftete Agenten Letta; für zeitbezogene Beziehungsdaten Zep beziehungsweise Graphiti; für Kontextgraphen, Entscheidungsnachweise und Richtlinien Semantica. Die richtige Wahl beginnt jedoch nicht mit dem Repository, sondern mit der Frage, was Ihr Agent tatsächlich behalten, aktualisieren, vergessen und später begründen muss. Genau danach sollten Sie die Agent-Memory-Projekte 2026 bewerten.

Dieser Vergleich richtet sich an Entwickler, die Chat- oder Task-Agenten mit langfristigem Gedächtnis ausstatten möchten, an Unternehmen mit Self-Hosting- und DSGVO-Anforderungen sowie an Architekten, die zwischen Vektorspeicher, Kontextgraph und Agent-Runtime entscheiden.

Letzte Aktualisierung: 14.08.2026. Die Angaben wurden anhand der offiziellen Repositories und Dokumentationen zu Semantica, Mem0, Graphiti/Zep und Letta geprüft. Bei Änderungen an Lizenz, Self-Hosting-Grenzen oder Hauptversionen sollte der Vergleich erneut validiert werden.

Die Gedächtnisfrage vor der Produktauswahl

„Agent Memory“ ist kein einzelnes technisches Bauteil. In einem produktiven System können mindestens fünf verschiedene Arten von Informationen relevant sein:

• Benutzervorlieben: etwa bevorzugte Antwortformate, Sprache oder Arbeitsweise.
• Aufgabenstatus: offene Schritte, Zwischenresultate, fehlende Freigaben und Wiederholungslogik.
• Ereigniszeitlinie: was wann passiert ist und welche Information später ersetzt wurde.
• Wissensbeziehungen: Beziehungen zwischen Kunden, Produkten, Dokumenten, Services oder Entscheidungen.
• Entscheidungsquelle: aus welchem Dokument, Tool-Ergebnis oder Gespräch eine Schlussfolgerung stammt.

Diese Kategorien werden häufig vermischt. Ein Vektorindex kann beispielsweise eine ähnliche Textpassage finden, sagt aber allein nicht zuverlässig, ob die Aussage noch gültig ist, wer sie freigegeben hat oder welche spätere Information ihr widerspricht. Umgekehrt ist ein vollständiger Wissensgraph unnötig, wenn Ihr Agent lediglich „Der Benutzer bevorzugt kurze Antworten“ über mehrere Sitzungen hinweg speichern soll.

Das ist der wichtigste Grund, warum pauschale Ranglisten bei Agent-Memory-Open-Source-Projekten 2026 nur begrenzten Wert haben. Die vier Kandidaten liegen nicht auf derselben Architekturebene:

• Mem0 ist primär eine einbindbare Memory-Schicht mit Add-, Search-, Metadaten- und Konfigurationspfaden.
• Letta ist eine Plattform für zustandsbehaftete Agenten, bei der das Gedächtnis eng mit dem laufenden Agent-Verhalten verbunden ist.
• Graphiti ist der offene Kontextgraph-Kern aus dem Zep-Umfeld, mit zeitbezogenen Beziehungen und hybrider Suche.
• Semantica legt zusätzlich Entscheidungsobjekte, Provenienz, Kausalbeziehungen, Ontologien und Policy-Prüfungen über eine bestehende Agent- und Speicherlandschaft.

Wenn Sie diese Ebenen nicht trennen, vergleichen Sie eine Bibliothek mit einem Agent-Runtime-System und erklären anschließend Unterschiede fälschlich als Qualitätsunterschiede.

Die vier Architekturen im direkten Vergleich

Mem0: leichte, allgemeine Erinnerungsschicht

Mem0 ist der naheliegendste Startpunkt, wenn Sie eine bestehende Anwendung nicht vollständig um eine neue Agent-Plattform herum bauen möchten. Die offizielle Dokumentation beschreibt zwei Open-Source-Betriebsarten: die Nutzung als Bibliothek in Python oder Node.js sowie einen selbst gehosteten Server mit Dashboard, Benutzer-API-Schlüsseln und Anforderungsprotokoll. Die offizielle Open-Source-Übersicht von Mem0 dokumentiert außerdem konfigurierbare LLM-, Embedding-, Vektorspeicher- und Reranker-Komponenten.

Für die Entscheidung bedeutet das: Sie können zunächst mit einem kleinen Integrationsaufwand prüfen, ob Ihre Anwendung von dauerhaften Fakten, Metadatenfiltern, Reranking oder Ablaufregeln profitiert. In der Bibliothekskonfiguration werden unter anderem lokales Qdrant und SQLite als Standardkomponenten genannt; beim selbst gehosteten Server wird PostgreSQL mit pgvector als Vektorspeicher aufgeführt.

Die Grenze liegt dort, wo Ihre Anwendung nicht nur „Was ist ähnlich?“ fragen muss, sondern „Welche Aussage galt zu diesem Zeitpunkt, wodurch wurde sie ersetzt und aufgrund welcher Quelle wurde sie verwendet?“. Mem0 kann dafür Bausteine liefern, aber die fachliche Governance müssen Sie meist selbst modellieren.

Letta: zustandsbehafteter Agent statt losgelöster Memory-API

Letta ist für einen anderen Ausgangspunkt gedacht. Die offizielle Dokumentation beschreibt Letta als Plattform für zustandsbehaftete Agenten; der Agent kann aus Erfahrungen lernen und sein Verhalten über die Zeit weiterentwickeln. Der Open-Source-Harness baut auf der früheren MemGPT-Arbeit auf, weshalb Letta in Repositories und älteren Fachtexten weiterhin als „formerly MemGPT“ erscheint. Die offizielle Letta-Dokumentation beschreibt sowohl das Agent SDK als auch den Betrieb über einen eigenen App Server.

Das ist für Ihre Architekturentscheidung entscheidend: Bei Letta behandeln Sie Gedächtnis nicht nur als externen Abrufdienst, sondern als Teil eines Agent-Runtimes. Arbeitskontext, langfristige Inhalte, Werkzeuge und Agent-Zustand werden gemeinsam gedacht. Wenn Sie einen persönlichen Assistenten, einen dauerhaft laufenden Coding-Agenten oder einen Agenten mit wiederkehrenden Aufgaben bauen, ist dieser Ansatz oft passender als eine isolierte add()- und search()-Schnittstelle.

Der Preis dieser Nähe ist eine stärkere Bindung an das Zustandsmodell. Wenn Sie bereits einen eigenen Orchestrator, eine Workflow-Engine oder eine Multi-Agent-Runtime besitzen, müssen Sie prüfen, ob Letta ergänzt oder einen Teil Ihrer vorhandenen Laufzeitlogik ersetzt. Ein technisch funktionierender Agent-Zustand ist außerdem nicht automatisch ein revisionssicheres Unternehmensarchiv.

Zep und Graphiti: zeitliche Beziehungen statt bloßer Ähnlichkeit

Bei Zep müssen Sie zwei Ebenen sauber auseinanderhalten. Graphiti ist der Open-Source-Kontextgraph-Framework, während Zep als kommerzielle Plattform beziehungsweise Context Lake zusätzliche verwaltete Funktionen anbietet. Die offizielle Abgrenzung von Graphiti und Zep bezeichnet Graphiti als offenen Framework-Kern und Zep als kommerzielle Ebene darüber. Sie sollten deshalb nicht pauschal behaupten, sämtliche Zep-Funktionen seien selbst hostbar oder vollständig Open Source.

Graphiti organisiert Gespräche, Geschäftsdaten und Dokumente als zeitbezogene Kontextgraphen. Die offizielle Beschreibung nennt Entitäten, Beziehungen, Zeitverläufe sowie eine Kombination aus Vektor-, Volltext- und Graphsuche. Wenn sich Fakten ändern, können ältere Beziehungen ungültig werden, anstatt einfach neben der neuen Aussage im Index liegen zu bleiben.

Dieser Ansatz ist besonders interessant, wenn Ihr Agent Fragen beantworten muss wie:

• Welche Beziehung bestand zwischen Kunde A und Vertrag B zu einem bestimmten Zeitpunkt?
• Welche Systeme waren von einer früheren Architekturentscheidung abhängig?
• Welche Aussage wurde durch ein späteres Ereignis ersetzt?
• Welche Entitäten sind über mehrere Dokumente und Gespräche hinweg verbunden?

Graphiti ist deshalb nicht einfach „Mem0 mit Graphen“. Der Schwerpunkt liegt auf zeitlicher und relationaler Modellierung. Wenn Ihre Anwendungsfälle dagegen hauptsächlich aus Nutzerpräferenzen und kurzen Fakten bestehen, kann ein Kontextgraph unnötige Betriebs- und Modellkomplexität einführen.

Semantica: Kontextgraph, Entscheidungen und Herkunftsnachweise

Semantica positioniert sich als graphbasierte Infrastruktur für Kontext und nachvollziehbare AI-Systeme. Das offizielle Semantica-Repository beschreibt Entscheidungserfassung, kausales Reasoning, Provenienz, Ontologie-Governance, Konflikterkennung und Audit-Trails als zusätzliche Schichten über der vorhandenen LLM-, Vektor- und Agent-Infrastruktur. Die Kernfunktionen für Reasoning, Graphaufbau und Provenienz werden dort als deterministisch beschrieben und sollen nicht zwingend ein LLM benötigen.

Die Semantica-Kontextdokumentation nennt unter anderem AgentContext, ContextGraph, AgentMemory, hybride Vektor- und Graphretrieval-Pfade sowie versionierte Richtlinien. Ein Agent kann damit nicht nur Fakten speichern und abrufen, sondern auch Entscheidungen als Graphobjekte mit Kausalbeziehungen und Herkunft erfassen.

Semantica ist damit der stärkste Kandidat, wenn Nachvollziehbarkeit selbst ein Produkt- oder Compliance-Anforderung ist. Ein Beispiel wäre ein Agent, der eine Kredit-, Versicherungs-, Sicherheits- oder Infrastrukturentscheidung erklären muss. Sie sollten Semantica jedoch nicht automatisch als die beste allgemeine Memory-Schicht betrachten: Die zusätzlichen Modellierungsebenen lohnen sich erst, wenn Beziehungen, Begründungen und Richtlinien regelmäßig abgefragt werden.

Wichtiger Abgrenzungspunkt: „Open Source“ bedeutet nicht automatisch, dass alle abhängigen Modelle, Datenbanken, Dashboards, Authentifizierungswege und verwalteten Plattformfunktionen lokal verfügbar sind. Prüfen Sie jede Ebene einzeln: Lizenz, Quellcode, Deployment-Dokumentation, externe API und Datenfluss.

Schreib-, Aktualisierungs- und Löschpfade

Die meisten Fehlentscheidungen entstehen, weil Teams nur den Suchvorgang testen. Ein Agent kann einen Fakt finden und trotzdem falsch arbeiten, wenn der Fakt veraltet, widersprüchlich oder ohne Berechtigung gespeichert wurde.

Für Mem0 sollten Sie besonders prüfen, wie neue Aussagen mit vorhandenen Erinnerungen zusammengeführt werden, wie Metadatenfilter funktionieren und ob Ablauf- oder Löschregeln für Ihre Domäne ausreichen. Die offizielle Dokumentation führt unter anderem Memory Expiration, asynchrone Verarbeitung, Filter und Reranker-Unterstützung auf.

Bei Letta liegt der Schwerpunkt stärker auf der laufenden Agent-Logik. Deshalb müssen Sie testen, wann der Agent selbst Informationen in seine Gedächtnisbereiche schreibt, ob er falsche Annahmen dauerhaft übernimmt und wie Sie eine Korrektur erzwingen. Ein funktionierender Runtime-Zustand ist nicht automatisch ein revisionssicheres Archiv.

Graphiti und Zep sind besonders auf Zeitveränderungen ausgerichtet. Sie sollten deshalb nicht nur einen neuen Fakt einfügen, sondern auch einen bestehenden Fakt aktualisieren, eine Beziehung beenden und anschließend Fragen zu beiden Zeitpunkten stellen. Genau hier zeigt sich der Unterschied zwischen zeitlicher Modellierung und einem gewöhnlichen semantischen Index.

Semantica bietet für diese Fälle ein expliziteres Modell: Die Dokumentation beschreibt Provenienz, Entscheidungsketten, Konflikterkennung, Aufbewahrungsregeln und versionierte Policy-Prüfungen. Das ersetzt jedoch keine fachliche Löschstrategie. Sie müssen weiterhin definieren, ob eine Information physisch gelöscht, anonymisiert, archiviert oder nur aus dem aktiven Retrieval ausgeschlossen wird.

Self-Hosting, Abhängigkeiten und Datenhoheit

Für Unternehmen mit DSGVO-Anforderungen ist „lokal installierbar“ nur der erste Prüfpunkt. Entscheidend ist, welche Daten beim Schreiben und Abrufen an ein externes Modell, einen Embedding-Dienst, einen Reranker oder eine verwaltete Datenbank gesendet werden.

Mem0 dokumentiert die Möglichkeit, die Komponenten der Open-Source-Installation zu konfigurieren. Das erleichtert eine kontrollierte Bereitstellung, bedeutet aber nicht, dass ein vollständig offline arbeitender Stack ohne zusätzliche Modellplanung entsteht. Wenn Sie die Standardkomponenten übernehmen, können LLM- und Embedding-Aufrufe weiterhin externe Anbieter einbeziehen.

Letta ist ebenfalls zwischen Runtime und Hosting zu prüfen. Das Projekt ist Open Source und dokumentiert den eigenen App Server, aber Ihr konkreter Datenschutz hängt davon ab, welchen Modellanbieter, welche Integrationen und welche Agent-Werkzeuge Sie aktivieren.

Bei Graphiti müssen Sie das offene Framework vom kommerziellen Zep-Dienst trennen. Graphiti kann lokal betrieben werden; Zep nennt hingegen verwaltete Funktionen wie Governance, BYOC und Compliance-Angebote auf der kommerziellen Ebene. Diese Angebote dürfen nicht als Bestandteil des vollständig offenen Frameworks dargestellt werden.

Semantica wirkt für datenhoheitliche Szenarien attraktiv, weil die Dokumentation lokale Vektorspeicher- und Graphvarianten beschreibt. Trotzdem sollten Sie vor der Abnahme prüfen, ob Ihre gewünschte Datenbank, Ihr Embedding-Modell, Ihre Authentifizierung und Ihre Backup-Strategie tatsächlich in der von Ihnen benötigten Form unterstützt werden.

Für Ihre interne Prüfung können Sie die ZavCloud-Datenschutzhinweise als ergänzende Referenz für Datenflüsse, Zugriffskontrollen und Dokumentationspflichten verwenden.

Multi-Agent-Betrieb und Governance

Sobald mehrere Agenten dieselbe Erinnerungsschicht verwenden, entstehen neue Risiken. Ein persönlicher Agent darf möglicherweise Nutzerpräferenzen schreiben, aber kein globales Unternehmenswissen verändern. Ein Recherche-Agent darf Quellen sammeln, jedoch keine verbindliche Entscheidung als freigegeben markieren.

Mem0 eignet sich als gemeinsame Memory-Schicht, wenn Sie Benutzer-, Mandanten- und Projektgrenzen sauber über IDs, Metadaten und Zugriffsschichten modellieren. Die dokumentierten API-Schlüssel und Audit-Funktionen im selbst gehosteten Server sind dafür hilfreiche Bausteine, müssen aber in Ihre Gesamtberechtigungen eingebettet werden.

Letta bringt Zustandsisolierung stärker in den Agent-Runtime-Gedanken ein. Das kann bei individuellen Agenten vorteilhaft sein, verlangt bei Multi-Agent-Systemen aber klare Regeln dafür, welche Inhalte geteilt, kopiert oder nur referenziert werden dürfen.

Graphiti ist interessant, wenn mehrere Agenten auf gemeinsame Entitäten und zeitliche Beziehungen zugreifen. Hier sollten Sie zusätzlich eine Schreibautorität definieren: Wer darf eine Beziehung ändern, wer darf sie nur vorschlagen und wie wird eine Korrektur dokumentiert?

Semantica ist bei Governance-Szenarien besonders prüfenswert, weil Entscheidungsketten, Provenienz und versionierte Richtlinien im offiziellen Kontext-Modul ausdrücklich vorgesehen sind. Das ist jedoch eine Architekturentscheidung, keine automatische Compliance-Garantie. Eine Policy-Engine kann nur Regeln prüfen, die Sie vollständig und korrekt modelliert haben.

Der faire Abnahmetest

Verwenden Sie keine Sterne, keine Demo-Eindrücke und keine nicht reproduzierbaren Geschwindigkeitsangaben als Qualitätsersatz. Ein fairer Test braucht für alle Kandidaten dasselbe Modell, dieselben Eingabedaten, dieselbe Datenbankklasse und dieselben Fragen.

Legen Sie mindestens diese Testfälle an:

• zehn stabile Benutzerpräferenzen, die über mehrere Sitzungen wiedergefunden werden sollen;
• mehrere Aufgaben mit offenen, abgeschlossenen und zurückgesetzten Zuständen;
• eine zeitliche Änderung, bei der die alte Aussage für frühere Fragen erhalten bleiben muss;
• mindestens ein direkter Widerspruch zwischen zwei Quellen;
• eine Löschanfrage mit anschließender Suche nach dem gelöschten Inhalt;
• eine Mandantengrenze, bei der ein Agent keine Daten eines anderen Benutzers sehen darf;
• eine Entscheidungsfrage, bei der Quelle und Begründung zurückgegeben werden müssen.

Bewerten Sie anschließend fünf Dimensionen: korrekte Wiederfindung, falsche Erinnerungen, Aktualisierungs- und Löschverhalten, Nachvollziehbarkeit sowie Betriebsaufwand. Wenn Sie LLM-basierte Extraktion verwenden, führen Sie den Test mit fest eingefrorenen Modellversionen und identischen Prompts aus. Andernfalls messen Sie möglicherweise die Änderung des Modells und nicht die Qualität des Memory-Projekts.

Abnahmeliste für zwei Kandidaten

Nutzen Sie diese Liste erst, nachdem Sie zwei Projekte anhand derselben Daten und Fragen installiert haben:

• [ ] Die Lizenz und die erlaubte Nutzung im eigenen Unternehmen sind dokumentiert.
• [ ] Alle Schreib- und Leseabhängigkeiten sind erfasst, einschließlich LLM, Embedding-Modell, Reranker und Datenbank.
• [ ] Ein neuer Fakt wird korrekt gespeichert und in einer späteren Sitzung wiedergefunden.
• [ ] Eine widersprüchliche Aussage erzeugt keine unkontrollierte Doppel-Erinnerung.
• [ ] Eine zeitlich veraltete Information wird bei aktuellen Fragen nicht bevorzugt.
• [ ] Eine Löschanfrage entfernt oder sperrt den Inhalt nach der definierten Unternehmensregel.
• [ ] Ein Agent kann nur die Erinnerungen seines Benutzers, Projekts oder Mandanten lesen.
• [ ] Quellen, Zeitbezug und Entscheidungsgrundlage lassen sich nachvollziehen.
• [ ] Ein Backup kann wiederhergestellt werden, ohne die Datenstruktur zu beschädigen.
• [ ] Die Anwendung bleibt ohne proprietäre Verwaltungsoberfläche exportier- oder migrierbar.
• [ ] Die Kosten und Betriebsaufgaben sind unter identischen Testbedingungen dokumentiert.
• [ ] Erst nach bestandener Prüfung werden produktive Erinnerungen importiert.

Messen Sie nicht nur die Antwortqualität des Agents. Protokollieren Sie auch falsche Erinnerungen, unvollständige Löschungen, unberechtigte Treffer und nicht erklärbare Entscheidungen. Diese Fehler sind in der Produktion meist schwerwiegender als eine einzelne nicht gefundene Textpassage.

Die Auswahl nach Teamtyp

Prototypenteam

Beginnen Sie mit Mem0, wenn Sie in kurzer Zeit prüfen möchten, ob eine allgemeine Langzeitgedächtnisschicht Ihre Anwendung verbessert. Ihre Alternative ist Semantica, wenn bereits im Prototyp Entscheidungen, Quellen oder Graphbeziehungen zum Produktkern gehören.

Team mit zustandsbehaftetem Agenten

Wählen Sie Letta, wenn der Agent als dauerhaft laufende Einheit mit eigenem Zustand, Werkzeugen und wiederkehrenden Aufgaben gedacht ist. Mem0 ist die bessere Ausweichoption, wenn Ihre Runtime bereits existiert und Sie nur eine externe Memory-Komponente ergänzen wollen.

Wissensgraph- und Zeitdatenprojekt

Prüfen Sie Graphiti als offenen technischen Kern, wenn zeitliche Beziehungen, Entitäten und hybride Retrievalpfade entscheidend sind. Zep ist die naheliegende kommerzielle Option, wenn Sie zusätzlich verwaltete Governance- und Betriebsfunktionen benötigen, die nicht mit dem Open-Source-Framework gleichgesetzt werden dürfen.

Projekt mit hohen Governance-Anforderungen

Evaluieren Sie Semantica, wenn Entscheidungen, Provenienz, Konflikte, Kausalität und Richtlinien nicht nur Dokumentationsfelder, sondern aktive Bestandteile des Agent-Systems sind. Als Alternative kommt Graphiti infrage, wenn der Schwerpunkt stärker auf zeitlichen Beziehungen als auf Policy- und Entscheidungslogik liegt.

In allen vier Fällen sollten Sie zunächst zwei Kandidaten parallel mit einem kleinen, kontrollierten Datensatz testen. Übertragen Sie keine produktiven Erinnerungen, bevor Löschung, Konfliktbehandlung, Berechtigung und Export nachweisbar funktionieren. Eine Migration von falsch strukturierten Erinnerungen ist meist teurer als ein sauberer Vergleich am Anfang.

Entscheidung und nächster Schritt

Wenn Sie heute eine allgemeine Erinnerungsschicht ergänzen, ist Mem0 der pragmatische erste Test. Wenn Ihr Agent selbst der zentrale Zustandsträger ist, spricht mehr für Letta. Wenn Fragen über Zeit, Beziehungen und veraltete Fakten dominieren, sollten Sie Graphiti beziehungsweise Zep prüfen. Wenn jede Entscheidung erklärbar, quellenbezogen und regelkonform bleiben muss, verdient Semantica den anspruchsvolleren Evaluationslauf.

Die derzeitige Alternative besteht häufig aus einem selbst zusammengesetzten Vektorindex, verstreuten Agent-Zuständen und manuellen Protokollen. Das führt zu drei konkreten Nachteilen: Aktualisierungen werden nicht zuverlässig von alten Fakten getrennt, Berechtigungen verteilen sich über mehrere Komponenten und die Ursachen einer Agent-Entscheidung lassen sich später nur schwer rekonstruieren. Für einen kurzen Proof of Concept ist das vertretbar; als langfristige Produktionsarchitektur wird es schnell unübersichtlich.

Wenn Sie dafür eine isolierte Testumgebung benötigen, kann ein gemieteter Mac von ZavCloud sinnvoller sein als ein zusätzlicher lokaler Rechner: Sie können Installationen, Modellzugriffe und Datenbankvarianten zeitlich begrenzt prüfen, ohne Ihre bestehende Arbeitsstation umzubauen. Informationen zum Mieten eines Mac mini bei ZavCloud können Sie anschließend mit Ihrem einheitlichen Agent-Memory-Testset abgleichen. Entscheiden Sie erst nach den Ergebnissen, ob Self-Hosting, ein verwalteter Dienst oder eine dauerhafte eigene Infrastruktur zu Ihrem Projekt passt.