---
term: "Long-Term Memory"
slug: "long-term-memory"
glossar_id: "G234"
variants: ["Persistent Memory"]
category: "memory-und-persistenter-agentenzustand"
marker: ""
short: "Außerhalb des aktiven Kontextfensters dauerhaft gespeicherte Informationen."
sources:
  - label: "LangChain: Memory overview"
    url: "https://docs.langchain.com/oss/python/concepts/memory"
  - label: "Anthropic: Context Engineering"
    url: "https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents"
  - label: "Anthropic: Memory Tool"
    url: "https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool"
  - label: "Redis: Context Poisoning und Memory"
    url: "https://redis.io/blog/context-poisoning-agent-reasoning/"
status: "entwurf"
updated: "2026-09-21"
---

Long-Term Memory bezeichnet Informationen, die ein Agent über einzelne Unterhaltungen oder Arbeitskontexte hinweg speichern und erneut verwenden kann. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory) Bei externem Persistent Memory liegen diese Informationen außerhalb des aktiven Kontextfensters und werden bei Bedarf wieder eingebracht. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

## Dauerhaft verfügbar statt ständig mitgesendet

In Agentenbibliotheken ist Langzeitgedächtnis ein übergreifender Speicher, dessen Einträge beispielsweise einem Nutzer, einer Organisation oder einem anderen Bereich zugeordnet werden. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory) Üblich sind dafür außerhalb des Kontextfensters gespeicherte Notizen und Dateien. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

Der Speicher muss nicht in jedem Modellaufruf vollständig enthalten sein. Relevante Informationen können gezielt abgerufen und in den aktuellen Arbeitskontext übernommen werden. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

„Persistent“ betont die Haltbarkeit der gespeicherten Daten; „Long-Term“ beschreibt hier vor allem ihre Verwendung über einzelne Sitzungen hinaus. Ein in einer Datenbank gesicherter Sitzungszustand kann dagegen weiterhin nur für denselben Thread gelten. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory)

## So kannst du dir das vorstellen

Ein hypothetischer Projektassistent speichert die bestätigte Entscheidung, dass eine Dokumentation für ein bestimmtes Produkt erstellt wird. In einer späteren Sitzung lädt er diese Projektinformation zusammen mit den noch offenen Aufgaben.

Er müsste dafür nicht jede frühere Suchanfrage erneut erhalten. Die Originalbelege könnten separat verfügbar bleiben, wenn eine Entscheidung genauer nachgeprüft werden muss.

Wird das Produkt später geändert, dürfte der alte Eintrag nicht unbemerkt als aktuelle Vorgabe weiterleben. Eine brauchbare Speicherregel müsste solche Änderungen berücksichtigen.

## Dauerhaft heißt weder ewig noch richtig

Bei dokumentierten Memory-Werkzeugen hängt die Wiederverwendung davon ab, dass die Anwendung in späteren Unterhaltungen denselben zugrunde liegenden Speicher bereitstellt. [Anthropic: Memory Tool](https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool) Die konkrete Persistenz ist damit eine Eigenschaft der implementierten Speicherung, nicht des Wortes „Memory“ allein.

Auch fehlerhafte Einträge können über Sitzungen hinweg weiterwirken. [Redis: Context Poisoning und Memory](https://redis.io/blog/context-poisoning-agent-reasoning/) Für eine eigene Anwendung würde ich deshalb Aktualisierung, Löschung, Zugriffsbereich und Herkunft der Erinnerungen ausdrücklich festlegen.

## Verwandte Begriffe

**Short-Term Memory**, **File-Based Memory**, **Semantic Memory**, **Memory Tool**, **Context Freshness**.