Wir stellen vor: KITE von Memoket

1. Warum wir es entwickelt haben

Memoket stellt ein Wearable her, das deinen Arbeitstag erfasst und daraus ein Gedächtnis macht, dem du Fragen stellen kannst. Damit das wirklich nützlich ist, brauchten wir eine Gedächtnis-Engine, die Kontext über Monate, sogar Jahre hinweg vorhalten kann: Besprechungen, Entscheidungen, Folgeaufgaben – und auf dieser Grundlage präzise Antworten geben kann.

Also griffen wir zum üblichen Technologie-Stack: Embeddings, eine Vektordatenbank, ein neuronaler Reranker. Und wir sahen, wohin das führt. Die Embeddings selbst sind günstig. Teuer ist alles, was darauf aufbaut, um sie nutzbar zu machen: eine Vektordatenbank für Abfragen und ein neuronaler Reranker, der die Ergebnisse bereinigt. Diese Kombination läuft in der Cloud, weil sie viele Ressourcen benötigt. In der Praxis bedeutet das: ein aus einem Rechenzentrum gemietetes Gedächtnis. Jeder Abruf erfordert eine Anfrage und Antwort über das Netzwerk, deine sensibelsten Arbeitsdaten verlassen das Gerät, und es gibt keine praktikable Lösung für den Offlinebetrieb oder für die kleine, auf Privatsphäre ausgelegte Hardware, auf der das Ganze letztlich laufen soll.

Wir wollten ein Gedächtnis, das irgendwann direkt auf dem Gerät laufen könnte. Der erste Schritt war, das loszuwerden, was das unmöglich macht: den Vektor-Stack.

2. Lerne KITE kennen

KITE (Knowledge-Indexed Temporal Evidence) ist eine Engine für Langzeitgedächtnis ohne Embeddings, ohne Vektordatenbank und ohne neuronalen Reranker. Vektorfrei zu sein ist kein Slogan, sondern eine bewusst gewählte Vorgabe für die Entwicklung. Diese Vorgabe führte uns zu einer Architektur, die sich als schlanker und genauer erwies als der Cloud-Stack, mit dem wir angefangen hatten.

Sie beruht auf drei Ideen:

<fact t="2026-05-21" kind="status" project="analytics-dashboard"
      state="in_progress" target_date="2026-06-30" src="mtg17L4">
  Pipeline unblocked; analytics dashboard resumed, targeting end of June.
</fact>

Answer: In progress, targeting end of June. It slipped in April (blocked
on the data pipeline) and resumed May 21 once the pipeline cleared.

Sources:
  mtg2L3  | "ship the analytics dashboard in Q2"           (superseded)
  mtg9L1  | "analytics blocked ... billing revamp first"   (superseded)
  mtg17L4 | "pipeline unblocked ... targeting end of June" (current)

Keine Embeddings zu erstellen, nichts, was driftet, nichts neu aufzubauen.

3. Funktioniert das tatsächlich?

Langzeitgedächtnis wird anhand zweier Standard-Benchmarks gemessen: LoCoMo und LongMemEval. Wir berichten darüber, weil das in diesem Forschungsfeld üblich ist. Dabei halten wir an einer Einschätzung fest, der wir mehr vertrauen als einem Ranglistenplatz: Diese Benchmarks sind nahezu ausgereizt und enthalten etwa 6–7 % fehlerhafte Labels. Deshalb betrachten wir KITE und EverMemOS bei der reinen Genauigkeit als praktisch gleichauf. Worin sich KITE tatsächlich abhebt, ist die Effizienz: Es erreicht die Spitzengruppe mit 35–39 % weniger Reader-Tokens als das nächstbeste System, ohne Embeddings und ohne Vektordatenbank. Genau das macht auch seinen Weg zum Betrieb auf dem Gerät glaubwürdig.

4. In zwei Minuten ausprobieren

pip install kite

from kite import Memory

memory = Memory.load("artifacts/quickstart.xml")
memory.remember(
    [{"role": "user", "content": "Pipeline unblocked; analytics is back on for end of June."}],
    session_id="standup-05-21",
)
print(memory.answer("When does the analytics dashboard ship?"))

Das ist der gesamte Ablauf: speichern, dann abrufen oder antworten. Die vollständige API, Beispiele und den technischen Bericht findest du in der README.