Wer KI-Agenten in unternehmenskritischen Workflows einsetzt, stößt schnell auf zwei gegenläufige Anforderungen: Einerseits benötigen Agenten wie Hermes, Claude Code oder Cursor ein verlässliches Langzeitgedächtnis sowie direkten Zugriff auf Unternehmenswissen (Jira, Confluence, GitHub). Andererseits verbieten strenge Datenschutz– und Compliance-Vorgaben oft die Auslagerung sensibler Unternehmensdaten in externe Cloud-Memory-Dienste.
Das Open-Source-Projekt Metronix Memory (verfügbar unter Apache-2.0-Lizenz auf GitHub) adressiert genau diesen Spagat: Es liefert eine vollumfängliche, self-hosted Memory-Infrastruktur, die native MCP-Unterstützung (Model Context Protocol) mit modernstem Hybrid-RAG, temporalen Wissensgraphen und lokalen KI-Modellen kombiniert.
Das Dilemma herkömmlicher Memory- und RAG-Ansätze
In vielen Unternehmen wird versucht, das Gedächtnisproblem von KI-Agenten mit simplen Hilfskonstrukten zu lösen. In der Praxis zeigen sich dabei jedoch gravierende Schwachstellen:
- Reine Vektordatenbanken greifen zu kurz: Vektordatenbanken bieten semantische Ähnlichkeitssuche, verfügen jedoch über keinerlei Verständnis für Agenten-Zustände, Präferenzen, Berechtigungsstrukturen oder zeitliche Zusammenhänge.
- RAG-Frameworks sind keine fertige Infrastruktur: Frameworks wie LangChain oder LlamaIndex liefern nützliche Code-Bausteine, erfordern jedoch enormen Eigenentwicklungsaufwand für Betrieb, Monitoring, Authentifizierung und Daten-Synchronisation.
- Verlust von Kontext und Aktualität: Verändern sich Dokumente oder Projektstände, liefern statische Embeddings veraltete Antworten (Halluzinationen), weil Mechanismen zur Erkennung veralteter Daten fehlen.
Die Architektur von Metronix Memory im Überblick
Metronix wurde als robuste Server-Infrastruktur konzipiert, die streng nach dem Prinzip einer unidirektionalen Schichtenarchitektur (Layer 0 bis 6) aufgebaut ist. Kern des Systems ist das nahtlose Zusammenspiel verschiedener Retrieval- und Speichertechnologien:
1. Dreistufiges Hybrid-RAG (Dense + Sparse + Graph)
Statt sich auf einen einzigen Suchmechanismus zu verlassen, kombiniert Metronix drei komplementäre Verfahren in einer Pipeline:
- Dichte Vektorsuche (Dense Vectors): Über Qdrant werden semantische Bedeutungen präzise erfasst (standardmäßig mit lokalen Einbettungsmodellen wie nomic-embed-text).
- Sparse Retrieval via SPLADE: Ergänzt die Suche um lexikalische Keyword-Genauigkeit, um spezifische Fachbegriffe, IDs und Code-Fragmente treffsicher zu finden.
- Temporaler Wissensgraph (Neo4j): Erkennt Entitäten, Relationen und zeitliche Abhängigkeiten zwischen Dokumenten und Ereignissen. Ein lokales Modell (z. B. Qwen 2.5 3B) extrahiert Beziehungen automatisch beim Ingestion-Prozess.
2. Strukturierte Agenten-Erinnerungen mit Workspace-Scoping
Metronix unterscheidet strikt zwischen allgemeinem Unternehmenswissen und individuellem Agenten-Gedächtnis. Das System verwaltet typisierte Speicher-Einträge:
-
1fact
: Faktenwissen, das der Agent im Laufe der Interaktionen lernt.
-
1preference
: Spezifische Arbeits- und Formatierungspräferenzen des Nutzers oder Teams.
-
1pinned
: Dauerhaft fixierter Kontext, der bei jeder relevanten Aufgabe priorisiert geladen wird.
Jeder Eintrag ist über
1 | workspace_id |
und
1 | agent_id |
isoliert. Dadurch können mehrere Agenten unabhängig voneinander auf derselben Infrastruktur arbeiten, ohne dass es zu Datenlecks zwischen Projekten kommt.
3. Integrierte Freshness-Pipeline
Ein herausragendes Merkmal von Metronix ist die automatisierte Freshness- und Reconciliation-Pipeline. Komponenten wie Linker, Reconciler, Monitor und DecisionEngine prüfen kontinuierlich, ob neue Erkenntnisse bestehenden Erinnerungen widersprechen oder veraltete Projektstände überholt wurden. Stale Records werden markiert und bereinigt.
4. Native Konnektoren für Unternehmensdaten
Über vorgefertigte Datenkonnektoren bindet Metronix gängige Kollaborations-Tools an: Jira, Confluence, Notion, GitHub, Google Drive und Slack. Dateien (PDF, Office, HTML, Markdown, CSV) können zudem per API oder über die integrierte Administrations-Konsole direkt hochgeladen werden.
Vergleich: Metronix Memory vs. Alternativen
Die nachfolgende Tabelle veranschaulicht, wo sich Metronix im Vergleich zu Standard-Vektordatenbanken und isolierten Cloud-Lösungen positioniert:
| Kriterium / Funktion | Metronix Memory | Reine Vektordatenbank | Klassisches RAG-Framework |
|---|---|---|---|
| Retrieval-Verfahren | Hybrid: Qdrant + SPLADE + Neo4j Graph | Nur Vektorsuche | Muss selbst gebaut werden |
| Agenten-Memory-Typen | Ja (Fact, Preference, Pinned Context) | Nein | Manuell / Individuell |
| Protokolle & Schnittstellen | MCP-Server, REST-API, OpenAI-kompatibel | REST / gRPC | Code-Bibliotheken |
| Daten-Konnektoren | Integriert (Jira, GitHub, Confluence etc.) | Nein (ETL extern erforderlich) | Community-Plugins |
| Betriebsmodell & Privatsphäre | 100 % Self-Hosted via Docker / On-Prem | Cloud oder Self-Hosted | Abhängig von Modellen |
Einsatz und Integration in Entwickler-Workflows
Metronix glänzt durch seine breite Ökosystem-Anbindung. Über den integrierten MCP-Server an Port
1 | 8000/mcp |
lässt sich der Memory-Dienst direkt an moderne Entwicklungs- und Agenten-Werkzeuge anbinden:
- Hermes Agent: Metronix bietet sowohl ein nativer Memory-Provider-Plugin (für automatischen Pre-Fetch relevanter Erinnerungen vor jedem Ausführungsschritt) als auch MCP-Tools für gezielte Abfragen.
- Cursor, Claude Desktop & Claude Code: Einbindung als MCP-Server über einen simplen JSON-Eintrag – schon kann der Agent das zentrale Unternehmensgedächtnis abfragen und aktualisieren.
- Open WebUI: Ermöglicht den Aufbau eines internen, geschützten ChatGPT-Pendants mit direkter Anbindung an das kuratierte Unternehmensgedächtnis.
2
3
4
5
6
7
8
9
10
"mcpServers": {
"metronix": {
"url": "http://localhost:8000/mcp",
"headers": {
"Authorization": "Bearer YOUR_METRONIX_KEY"
}
}
}
}
Schnellstart via Docker Compose
Die Bereitstellung im eigenen Rechenzentrum oder auf einem lokalen Server erfordert lediglich wenige Schritte mit Docker Compose:
2
3
4
cd metronix-memory
cp .env.example .env
docker compose up -d --build
Das System bringt alle benötigten Dienste (PostgreSQL, Qdrant, Neo4j, Redis, SPLADE und Ollama für lokale Einbettungen) vorkonfiguriert mit. Für den reinen Memory- und Retrieval-Betrieb ist kein externer Cloud-API-Schlüssel zwingend erforderlich.
Fazit: Vollständige Datenkontrolle für anspruchsvolle KI-Architekturen
Metronix Memory schließt eine wesentliche Lücke in modernen KI-Architekturen: Es vereint Unternehmens-RAG, Wissensgraphen und persistentes Agenten-Gedächtnis in einer einheitlichen, sofort einsatzbereiten Self-Hosted-Lösung. Für Unternehmen, die maximale Datensouveränität fordern und ihren KI-Agenten verlässliches Langzeitwissen bereitstellen möchten, ist Metronix eine herausragende Open-Source-Alternative zu proprietären Cloud-Diensten.
Sie möchten KI-Agenten und Memory-Systeme sicher in Ihrem Unternehmen einsetzen?
Wir unterstützen Sie bei der Architektur, Implementierung und Absicherung zukunftsfähiger KI- und Memory-Infrastrukturen. Kontaktieren Sie uns über unser Kontaktformular – wir melden uns innerhalb von 24 Stunden bei Ihnen.
