Living Brain ist eine interoperable Speicherschicht, die Konversationen, Dateien und Updates über API, SDK und MCP in externes, strukturiertes Wissen für KI-Agenten und -Modelle kompiliert.
Funktion und offizielle Positionierung des Produkts
Living Brain ist eine von ChatAndBuild entwickelte externe, persistente Speicherschicht, die sich mit Agenten und Modellen künstlicher Intelligenz verbindet. Sie strukturiert verstreute Konversationen, Dateien und Aufgabenaktualisierungen in persistente Wissensdatensätze, sodass Systeme relevanten Kontext abrufen können, ohne wiederholt vollständige historische Protokolle verarbeiten zu müssen.
Das System nutzt Compiler- und Speicherrichtlinien zusammen mit spezifischen Bewertungsmetriken, um zu entscheiden, welche Informationen beibehalten und während der Aufgabenausführung wieder bereitgestellt werden. Neben dem Abruf zur Inferenzzeit ermöglicht Living Brain Entwicklern, gespeicherte Interaktionen, Entscheidungen und Rückmeldungen in Trainingsdatensätze für die nachgelagerte Modellanpassung zu kompilieren.
Durch offizielle Quellen belegte Anwendungsfälle
KI-Agenten rufen aufgabenrelevanten Kontext bei Bedarf ab, anstatt vollständige sitzungsübergreifende Konversationsverläufe in Prompt-Fenster zu laden.
Entwicklungsteams kuratieren angesammelte Aufgabenergebnisse, Benutzerkorrekturen und Feedback zu strukturierten Datensätzen für das Post-Training von Modellen.
Entwickler verknüpfen benutzerdefinierte Tools, Datenquellen und Agent-Harnesses über Verbindungen mit dem Model Context Protocol mit dem geteilten Speicher.
Living Brain fungiert als ausgelagerte Speicherinfrastruktur, die darauf ausgelegt ist, die langfristige Aufbewahrung von Informationen von den Kontextgrenzen der Modelle zu entkoppeln. Indem die Plattform Eingabedateien, Nachrichten und Statusänderungen in strukturierte Datensätze kompiliert, wählt sie relevanten Kontext über ein Agent-Harness nur dann aus und stellt ihn bereit, wenn er für eine Aufgabe benötigt wird.
Die Plattform unterstützt zwei Ansätze zur KI-Anpassung. Zur Inferenzzeit behält sie Wissen, Entscheidungen und Korrekturen bei, um Modellantworten anzupassen, ohne die Modellgewichte zu verändern. Für die Post-Training-Anpassung können kumulierte Interaktionsprotokolle und Evaluierungsergebnisse in kuratierte Trainingsbeispiele für Open-Weight-Modelle oder Closed-Weight-Modelle mit Trainingszugriff exportiert werden.
Prüfungen mit eigenen Inhalten und Arbeitsabläufen
Welche Quellen wann geprüft wurden
Antworten auf Basis des quellengeprüften Produkteintrags
Living Brain speichert Wissen außerhalb des Sprachmodells und ruft relevanten Kontext für jede einzelne Aufgabe ab, wodurch das wiederholte Senden vollständiger Konversationsverläufe oder Dokumentensammlungen reduziert wird.
Das System verwendet Compiler- und Speicherrichtlinien sowie Metriken wie Markdown Quality Score, Memory Worthiness Score, Placement Fit Score, Connection Resonance Score und Re-entry Priority Score, um Daten zu organisieren und zu priorisieren.
Living Brain verbindet sich mit kompatiblen Tools und Agent-Frameworks über eine API, ein SDK sowie benutzerdefinierte Integrationen für das Model Context Protocol (MCP).
Ja. Gesammeltes Wissen, Benutzerfeedback und Aufgabenergebnisse können als Trainingsbeispiele und Evaluierungsdatensätze für das Fine-Tuning von Open-Weight-Modellen oder Closed-Weight-Modellen mit entsprechendem Anbieterzugriff kuratiert werden.
In internen Tests auf LoCoMo erzielte Living Brain eine mediane Speicherabruflatenz von 464 ms und eine bewertete Genauigkeit von 92,2 % bei 1.540 Fragen. Auf LongMemEval-S zeigten interne Tests 22,6-mal weniger Token pro Frage im Vergleich zu einer Baseline mit 116K Token im Vollkontext.
