Walrus Memory

Was ist Walrus Memory?

Walrus Memory ist eine portable Speicher-Schicht für AI Agents. Sie wurde entwickelt, um persistenten Kontext über Apps, Sitzungen und Runtimes hinweg zu speichern und abzurufen, damit Agents mit demselben Zustand weiterarbeiten können, statt jedes Mal neu zu beginnen.

Das Produkt richtet sich an Entwickler, die Agents und Anwendungen mit gemeinsam nutzbarem, verifizierbarem Gedächtnis bauen. Die Quelle zeigt die Nutzung sowohl mit Python als auch mit TypeScript; außerdem lässt es sich über einen Setup-Befehl in AI-Clients wie Claude Code, Cursor, Codex und Gemini CLI einbinden.

Hauptfunktionen

• Persistentes Agenten-Gedächtnis: Speichert Erinnerungen, die später wieder abgerufen werden können, damit ein Agent nach vorherigem Kontext fortsetzen kann, statt am Ende einer Sitzung den Zustand zu verlieren.
• Portabel über Apps und Runtimes hinweg: Dieselbe Speicher-Schicht ist für verschiedene Apps und Umgebungen nutzbar, was hilft, wenn Workflows zwischen Tools oder Deployments wechseln.
• Abruf per Query: Agents können gespeicherte Erinnerungen mit einer natürlichen Sprachabfrage durchsuchen und passende Ergebnisse mit Distanzen erhalten, was den Abruf relevanten Kontexts unterstützt.
• Unterstützung für Python und TypeScript: Die Seite enthält Beispielcode für memwal in Python und @mysten-incubation/memwal in TypeScript und zeigt damit Integrationspfade für Entwickler.
• Funktioniert mit AI-Clients und Coding-Tools: Der Setup-Ablauf erwähnt Claude Code, Cursor, Codex, Gemini CLI und andere Clients und deutet damit an, dass die Verbindung auch über eigene Apps hinaus möglich ist.
• Geteiltes Gedächtnis für Multi-Agent-Workflows: Das Produkt wird als Möglichkeit dargestellt, Workflows zu schaffen, in denen mehrere Agents auf dieselbe Erinnerung zugreifen und sich über gemeinsamen Zustand abstimmen können.
• Verifizierbarer und kontrollierter Zugriff: Die Seite betont, dass das Gedächtnis persistent und unter Nutzerkontrolle ist; die Meta-Beschreibung erwähnt außerdem programmierbare Zugriffskontrolle und zuverlässige Koordination.

So verwenden Sie Walrus Memory

Ein typisches Setup beginnt damit, den bereitgestellten curl-Befehl auszuführen, um die Einrichtungsanweisungen für den gewünschten AI-Client oder die gewünschte Umgebung abzurufen. Anschließend verbinden Entwickler einen Agenten oder eine Anwendung über die passenden SDK- oder Client-Anweisungen, konfigurieren Schlüssel, Kontoinformationen und einen Namespace und prüfen den Dienst per Health Check.

Danach werden Erinnerungen mit remember oder remember_and_wait geschrieben, und bei Bedarf ruft der Agent mit recall und einer Query den Kontext ab. Die Beispiele zeigen, dass das Produkt sowohl als externe Speicher-Schicht für einen AI-Client als auch als direkt in eine Anwendung eingebundene Library genutzt werden kann.

Anwendungsfälle

• Sitzungsübergreifende Kontinuität von Agents: Nützlich, wenn sich ein Assistent oder Agent nach Ende der ursprünglichen Sitzung an Fakten über einen Nutzer oder eine Aufgabe erinnern muss.
• Koordination mehrerer Agents: Hilfreich, wenn verschiedene Agents zu demselben Workflow beitragen und Zugriff auf gemeinsamen Zustand statt isolierten Sitzungs-Speicher brauchen.
• In Anwendungen eingebetteter Speicher: Geeignet für Entwickler, die AI-Apps in Python oder TypeScript bauen und persistentes Erinnern direkt im Produkt benötigen.
• Speicher für Coding-Assistenten: Kann mit Tools wie Claude Code, Cursor, Codex oder Gemini CLI verbunden werden, wenn ein Coding-Workflow persistenten Kontext braucht.
• Audit-freundliche Agenten-Workflows: Die Quelle nennt Verifizierbarkeit und Audit-Trails, wodurch das Produkt für Workflows relevant ist, bei denen nachvollziehbar sein muss, worauf der Agent reagiert hat.

FAQ

Speichert Walrus Memory Kontext über Sitzungen hinweg?
Ja. Die Seite beschreibt es als portable Speicher-Schicht, die Kontext über Apps und Sitzungen hinweg persistent hält.

Kann es in mehr als einer Programmiersprache verwendet werden?
Ja. Die gezeigten Beispiele sind für Python und TypeScript.

Kann es an bestehende AI-Clients angebunden werden?
Ja. In der Quelle werden ausdrücklich Claude Code, Cursor, Codex, Gemini CLI und ähnliche Clients erwähnt.

Unterstützt es geteilten Speicher für mehrere Agents?
Ja. Die Seite erwähnt ausdrücklich Multi-Agent-Workflows mit gemeinsamem Speicher.

Wird das Produkt als kontrolliert und verifizierbar beschrieben?
Ja. Die Quelle sagt, es sei persistent, verifizierbar und unter der Kontrolle des Nutzers; außerdem wird programmierbare Zugriffskontrolle erwähnt.

Alternativen

• Sitzungsbasierte Memory in einer einzelnen AI-App: Das ist die einfachste Alternative, setzt jedoch in der Regel zurück, wenn die Sitzung endet, und bietet keinen portablen Kontext über Tools hinweg.
• Eigene speichergestützte Memory-Schicht mit Datenbank: Teams können ihr eigenes Persistenz- und Abrufsystem bauen, müssen dabei aber meist Schema-Design, Recall-Logik und Zugriffskontrolle selbst übernehmen.
• Vektordatenbank plus Retrieval-Pipeline: Das kann semantisches Recall unterstützen, ist aber meist eher ein breiteres Infrastruktur-Setup als ein speziell für Agent Memory entwickeltes Produkt.
• Agent-Frameworks mit integrierten Memory-Modulen: Einige Agent-Frameworks enthalten Memory-Funktionen, sind jedoch oft an eine bestimmte Runtime oder einen bestimmten Workflow gebunden, statt als portable Memory-Schicht dargestellt zu werden.