Memori behauptet 81,95 % LoCoMo-Genauigkeit bei 4,97 % der Full-Context-Token
MemoriLabs hat Memori auf den Markt gebracht, eine LLM-agnostische strukturierte Agenten-Speicherschicht, die auf dem LoCoMo-Langzeitgedächtnis-Benchmark 81,95 % Genauigkeit bei etwa 1.294 Token pro Anfrage behauptet — rund 5 % des Full-Context-Fußabdrucks, 67 % kleinere Prompts als Zep und mehr als 20-fach günstiger als Full-Context-Retrieval. Memori verwendet ein Attributionsmodell, das Entitäten, Prozesse und Sessions verfolgt, stellt einen MCP-Endpoint bereit und lässt sich in Pydantic AI, LangChain und Agno integrieren.
Warum das relevant ist
Die LoCoMo-Kennzahlen sind die bislang konkreteste Validierung in der aktuellen Welle von Agenten-Gedächtnis-Releases. Sollten die Benchmark-Ergebnisse einer unabhängigen Überprüfung standhalten, bietet Memori einen praktikablen Weg zu effizientem Langzeitgedächtnis ohne die Kosten oder Latenz von Full-Context-Retrieval — relevant für jedes produktive Agentensystem, bei dem Gesprächshistorie sitzungsübergreifend persistiert werden muss.