ICM

Persistentes Gedächtnis für KI-Agenten. Einzelne Binärdatei, keine Abhängigkeiten, MCP-nativ.

ICM gibt Ihrem KI-Agenten ein echtes Gedächtnis — kein Notiztool, kein Kontextmanager, sondern ein Gedächtnis.

                       ICM (Infinite Context Memory)
            ┌──────────────────────┬─────────────────────────┐
            │   MEMORIES (Topics)  │   MEMOIRS (Knowledge)   │
            │                      │                         │
            │  Episodisch, temporal│  Permanent, strukturiert│
            │                      │                         │
            │  ┌───┐ ┌───┐ ┌───┐  │    ┌───┐               │
            │  │ m │ │ m │ │ m │  │    │ C │──depends_on──┐ │
            │  └─┬─┘ └─┬─┘ └─┬─┘  │    └───┘              │ │
            │    │decay │     │    │      │ refines      ┌─▼─┐│
            │    ▼      ▼     ▼    │    ┌─▼─┐            │ C ││
            │  weight decreases    │    │ C │──part_of──>└───┘│
            │  over time unless    │    └───┘                 │
            │  accessed/critical   │  Concepts + Relations    │
            ├──────────────────────┴─────────────────────────┤
            │             SQLite + FTS5 + sqlite-vec          │
            │        Hybrid search: BM25 (30%) + cosine (70%) │
            └─────────────────────────────────────────────────┘

Zwei Gedächtnismodelle:

Memories — Speichern und Abrufen mit zeitlichem Verfall nach Wichtigkeit. Kritische Erinnerungen verblassen nie, unwichtige verblassen natürlich. Nach Thema oder Schlüsselwort filtern.
Memoirs — Permanente Wissensgraphen. Konzepte verknüpft durch typisierte Relationen (depends_on, contradicts, superseded_by, ...). Nach Label filtern.
Feedback — Korrekturen aufzeichnen, wenn KI-Vorhersagen falsch sind. Vergangene Fehler durchsuchen, bevor neue Vorhersagen gemacht werden. Geschlossener Lernkreislauf.

Installation

# Homebrew (macOS / Linux)
brew tap rtk-ai/tap && brew install icm

# Schnellinstallation
curl -fsSL https://raw.githubusercontent.com/rtk-ai/icm/main/install.sh | sh

# Aus Quellcode
cargo install --path crates/icm-cli

Einrichtung

# Alle unterstützten Tools automatisch erkennen und konfigurieren
icm init

Konfiguriert 17 Tools mit einem einzigen Befehl (vollständige Integrationsanleitung):

Tool	MCP	Hooks	CLI	Skills
Claude Code	`~/.claude.json`	5 Hooks	`CLAUDE.md`	`/recall` `/remember`
Claude Desktop	JSON	—	—	—
Gemini CLI	`~/.gemini/settings.json`	5 Hooks	`GEMINI.md`	—
Codex CLI	`~/.codex/config.toml`	4 Hooks	`AGENTS.md`	—
Copilot CLI	`~/.copilot/mcp-config.json`	4 Hooks	`.github/copilot-instructions.md`	—
Cursor	`~/.cursor/mcp.json`	—	—	`.mdc`-Regel
Windsurf	JSON	—	`.windsurfrules`	—
VS Code	`~/Library/.../Code/User/mcp.json`	—	—	—
Amp	JSON	—	—	`/icm-recall` `/icm-remember`
Amazon Q	JSON	—	—	—
Cline	VS Code globalStorage	—	—	—
Roo Code	VS Code globalStorage	—	—	`.md`-Regel
Kilo Code	VS Code globalStorage	—	—	—
Zed	`~/.zed/settings.json`	—	—	—
OpenCode	JSON	TS-Plugin	—	—
Continue.dev	`~/.continue/config.yaml`	—	—	—
Aider	—	—	`.aider.conventions.md`	—

Oder manuell:

# Claude Code
claude mcp add icm -- icm serve

# Kompaktmodus (kürzere Antworten, spart Tokens)
claude mcp add icm -- icm serve --compact

# Beliebiger MCP-Client: command = "icm", args = ["serve"]

Skills / Regeln

icm init --mode skill

Installiert Slash-Befehle und Regeln für Claude Code (/recall, /remember), Cursor (.mdc-Regel), Roo Code (.md-Regel) und Amp (/icm-recall, /icm-remember).

Hooks (5 Tools)

icm init --mode hook

Installiert Auto-Extraktions- und Auto-Abruf-Hooks für alle unterstützten Tools:

Tool	SessionStart	PreTool	PostTool	Compact	PromptRecall	Config
Claude Code	`icm hook start`	`icm hook pre`	`icm hook post`	`icm hook compact`	`icm hook prompt`	`~/.claude/settings.json`
Gemini CLI	`icm hook start`	`icm hook pre`	`icm hook post`	`icm hook compact`	`icm hook prompt`	`~/.gemini/settings.json`
Codex CLI	`icm hook start`	`icm hook pre`	`icm hook post`	—	`icm hook prompt`	`~/.codex/hooks.json`
Copilot CLI	`icm hook start`	`icm hook pre`	`icm hook post`	—	`icm hook prompt`	`.github/hooks/icm.json`
OpenCode	session start	—	tool extract	compaction	—	`~/.config/opencode/plugins/icm.ts`

Was jeder Hook macht:

Hook	Funktion
`icm hook start`	Injiziert ein Startpaket mit kritischen/wichtigen Erinnerungen bei Sitzungsbeginn (~500 Tokens)
`icm hook pre`	`icm` CLI-Befehle automatisch erlauben (keine Berechtigungsabfrage)
`icm hook post`	Fakten aus Tool-Ausgaben alle N Aufrufe extrahieren (Auto-Extraktion)
`icm hook compact`	Erinnerungen aus Transkript vor der Kontextkomprimierung extrahieren
`icm hook prompt`	Abgerufenen Kontext am Anfang jeder Benutzereingabe einfügen

CLI vs MCP

ICM kann über die CLI (icm-Befehle) oder den MCP-Server (icm serve) verwendet werden. Beide greifen auf dieselbe Datenbank zu.

	CLI	MCP
Latenz	~30ms (direkte Binärdatei)	~50ms (JSON-RPC stdio)
Token-Kosten	0 (hook-basiert, unsichtbar)	~20-50 Tokens/Aufruf (Tool-Schema)
Einrichtung	`icm init --mode hook`	`icm init --mode mcp`
Kompatibel mit	Claude Code, Gemini, Codex, Copilot, OpenCode (über Hooks)	Allen 17 MCP-kompatiblen Tools
Auto-Extraktion	Ja (Hooks lösen `icm extract` aus)	Ja (MCP-Tools rufen store auf)
Geeignet für	Power-User, Token-Einsparung	Universelle Kompatibilität

CLI

Memories (episodisch, mit Verfall)

# Speichern
icm store -t "my-project" -c "Use PostgreSQL for the main DB" -i high -k "db,postgres"

# Abrufen
icm recall "database choice"
icm recall "auth setup" --topic "my-project" --limit 10
icm recall "architecture" --keyword "postgres"

# Verwalten
icm forget <memory-id>
icm consolidate --topic "my-project"
icm topics
icm stats

# Fakten aus Text extrahieren (regelbasiert, keine LLM-Kosten)
echo "The parser uses Pratt algorithm" | icm extract -p my-project

Memoirs (permanente Wissensgraphen)

# Memoir erstellen
icm memoir create -n "system-architecture" -d "System design decisions"

# Konzepte mit Labels hinzufügen
icm memoir add-concept -m "system-architecture" -n "auth-service" \
  -d "Handles JWT tokens and OAuth2 flows" -l "domain:auth,type:service"

# Konzepte verknüpfen
icm memoir link -m "system-architecture" --from "api-gateway" --to "auth-service" -r depends-on

# Mit Label-Filter suchen
icm memoir search -m "system-architecture" "authentication"
icm memoir search -m "system-architecture" "service" --label "domain:auth"

# Nachbarschaft inspizieren
icm memoir inspect -m "system-architecture" "auth-service" -D 2

# Graphen exportieren (Formate: json, dot, ascii, ai)
icm memoir export -m "system-architecture" -f ascii   # Boxzeichnungen mit Konfidenzbalkenz
icm memoir export -m "system-architecture" -f dot      # Graphviz DOT (Farbe = Konfidenzgrad)
icm memoir export -m "system-architecture" -f ai       # Markdown optimiert für LLM-Kontext
icm memoir export -m "system-architecture" -f json     # Strukturiertes JSON mit allen Metadaten

# SVG-Visualisierung erzeugen
icm memoir export -m "system-architecture" -f dot | dot -Tsvg > graph.svg

MCP-Tools (22)

Gedächtnis-Tools

Tool	Beschreibung
`icm_memory_store`	Speichern mit Auto-Deduplizierung (>85% Ähnlichkeit → Aktualisierung statt Duplikat)
`icm_memory_recall`	Suche nach Abfrage, Filter nach Thema und/oder Schlüsselwort
`icm_memory_update`	Erinnerung direkt bearbeiten (Inhalt, Wichtigkeit, Schlüsselwörter)
`icm_memory_forget`	Erinnerung anhand ID löschen
`icm_memory_consolidate`	Alle Erinnerungen eines Themas zu einer Zusammenfassung zusammenführen
`icm_memory_list_topics`	Alle Themen mit Anzahl auflisten
`icm_memory_stats`	Globale Gedächtnisstatistiken
`icm_memory_health`	Hygiene-Prüfung pro Thema (Veralterung, Konsolidierungsbedarf)
`icm_memory_embed_all`	Fehlende Embeddings für die Vektorsuche nachträglich erzeugen

Memoir-Tools (Wissensgraphen)

Tool	Beschreibung
`icm_memoir_create`	Neues Memoir erstellen (Wissenscontainer)
`icm_memoir_list`	Alle Memoirs auflisten
`icm_memoir_show`	Memoir-Details und alle Konzepte anzeigen
`icm_memoir_add_concept`	Konzept mit Labels hinzufügen
`icm_memoir_refine`	Definition eines Konzepts aktualisieren
`icm_memoir_search`	Volltextsuche, optional nach Label gefiltert
`icm_memoir_search_all`	Über alle Memoirs hinweg suchen
`icm_memoir_link`	Typisierte Relation zwischen Konzepten erstellen
`icm_memoir_inspect`	Konzept und Graph-Nachbarschaft inspizieren (BFS)
`icm_memoir_export`	Graphen exportieren (json, dot, ascii, ai) mit Konfidenzgraden

Feedback-Tools (Lernen aus Fehlern)

Tool	Beschreibung
`icm_feedback_record`	Korrektur aufzeichnen, wenn eine KI-Vorhersage falsch war
`icm_feedback_search`	Vergangene Korrekturen durchsuchen, um künftige Vorhersagen zu verbessern
`icm_feedback_stats`	Feedback-Statistiken: Gesamtanzahl, Aufschlüsselung nach Thema, am häufigsten angewandt

Relationstypen

part_of · depends_on · related_to · contradicts · refines · alternative_to · caused_by · instance_of · superseded_by

Funktionsweise

Duales Gedächtnismodell

Das episodische Gedächtnis (Topics) erfasst Entscheidungen, Fehler und Präferenzen. Jede Erinnerung hat ein Gewicht, das im Laufe der Zeit je nach Wichtigkeit abnimmt:

Wichtigkeit	Verfall	Bereinigung	Verhalten
`critical`	keiner	nie	Wird nie vergessen, nie bereinigt
`high`	langsam (0,5× Rate)	nie	Verblasst langsam, wird nie automatisch gelöscht
`medium`	normal	ja	Standardverfall, bereinigt wenn Gewicht < Schwellenwert
`low`	schnell (2× Rate)	ja	Wird schnell vergessen

Der Verfall ist zugriffsbewusst: häufig abgerufene Erinnerungen verblassen langsamer (decay / (1 + access_count × 0.1)). Wird automatisch beim Abrufen angewendet (wenn >24h seit dem letzten Verfall).

Gedächtnis-Hygiene ist eingebaut:

Auto-Deduplizierung: Wird Inhalt mit >85% Ähnlichkeit zu einer bestehenden Erinnerung im selben Thema gespeichert, wird diese aktualisiert statt ein Duplikat zu erstellen
Konsolidierungshinweise: Überschreitet ein Thema 7 Einträge, warnt icm_memory_store den Aufrufer zur Konsolidierung
Hygiene-Prüfung: icm_memory_health meldet Eintragsanzahl, durchschnittliches Gewicht, veraltete Einträge und Konsolidierungsbedarf pro Thema
Kein stiller Datenverlust: Kritische und hochwertige Erinnerungen werden nie automatisch bereinigt

Das semantische Gedächtnis (Memoirs) erfasst strukturiertes Wissen als Graphen. Konzepte sind permanent — sie werden verfeinert, nicht veraltet. Verwenden Sie superseded_by, um veraltete Fakten zu kennzeichnen, anstatt sie zu löschen.

Hybridsuche

Mit aktivierten Embeddings verwendet ICM Hybridsuche:

FTS5 BM25 (30%) — Volltextstichwortsuche
Kosinus-Ähnlichkeit (70%) — Semantische Vektorsuche via sqlite-vec

Standardmodell: intfloat/multilingual-e5-base (768d, 100+ Sprachen). Konfigurierbar in der Konfigurationsdatei:

[embeddings]
# enabled = false                          # Vollständig deaktivieren (kein Modell-Download)
model = "intfloat/multilingual-e5-base"    # 768d, mehrsprachig (Standard)
# model = "intfloat/multilingual-e5-small" # 384d, mehrsprachig (leichter)
# model = "intfloat/multilingual-e5-large" # 1024d, mehrsprachig (beste Genauigkeit)
# model = "Xenova/bge-small-en-v1.5"      # 384d, nur Englisch (schnellstes)
# model = "jinaai/jina-embeddings-v2-base-code"  # 768d, code-optimiert

Um den Embedding-Modell-Download vollständig zu überspringen, verwenden Sie eine der folgenden Optionen:

icm --no-embeddings serve          # CLI-Flag
ICM_NO_EMBEDDINGS=1 icm serve     # Umgebungsvariable

Oder setzen Sie enabled = false in Ihrer Konfigurationsdatei. ICM fällt auf FTS5-Schlüsselwortsuche zurück (funktioniert weiterhin, nur ohne semantisches Matching).

Durch Ändern des Modells wird der Vektorindex automatisch neu erstellt (vorhandene Embeddings werden gelöscht und können mit icm_memory_embed_all neu erzeugt werden).

Speicherung

Einzelne SQLite-Datei. Keine externen Dienste, keine Netzwerkabhängigkeit.

~/Library/Application Support/dev.icm.icm/memories.db                    # macOS
~/.local/share/dev.icm.icm/memories.db                                   # Linux
C:\Users\<user>\AppData\Local\icm\icm\data\memories.db                   # Windows

Konfiguration

icm config                    # Aktive Konfiguration anzeigen

Speicherort der Konfigurationsdatei (plattformspezifisch oder $ICM_CONFIG):

~/Library/Application Support/dev.icm.icm/config.toml                    # macOS
~/.config/icm/config.toml                                                # Linux
C:\Users\<user>\AppData\Roaming\icm\icm\config\config.toml              # Windows

Alle Optionen finden Sie unter config/default.toml.

Auto-Extraktion

ICM extrahiert Erinnerungen automatisch über drei Ebenen:

  Ebene 0: Pattern-Hooks            Ebene 1: PreCompact           Ebene 2: UserPromptSubmit
  (keine LLM-Kosten)                (keine LLM-Kosten)            (keine LLM-Kosten)
  ┌──────────────────┐                ┌──────────────────┐          ┌──────────────────┐
  │ PostToolUse hook  │                │ PreCompact hook   │          │ UserPromptSubmit  │
  │                   │                │                   │          │                   │
  │ • Bash-Fehler     │                │ Kontext wird      │          │ Nutzer sendet     │
  │ • git commits     │                │ komprimiert →     │          │ Eingabe           │
  │ • Konfig-Änder.   │                │ Erinnerungen aus  │          │ → icm recall      │
  │ • Entscheidungen  │                │ Transkript         │          │ → Kontext einfügen│
  │ • Präferenzen     │                │ extrahieren bevor │          │                   │
  │ • Erkenntnisse    │                │ sie verloren gehen│          │ Agent startet mit  │
  │ • Einschränkungen │                │                   │          │ relevanten Erinne-│
  │                   │                │ Gleiche Muster +  │          │ rungen geladen    │
  │ Regelbasiert,     │                │ --store-raw Fallbk│          │                   │
  │ kein LLM          │                │                   │          │                   │
  └──────────────────┘                └──────────────────┘          └──────────────────┘

Ebene	Status	Hook-Befehl	Beschreibung
Ebene 0	Implementiert	`icm hook post`	Regelbasierte Schlüsselwortextraktion aus Tool-Ausgaben
Ebene 1	Implementiert	`icm hook compact`	Extraktion aus Transkript vor der Kontextkomprimierung
Ebene 2	Implementiert	`icm hook prompt`	Erinnerungen bei jeder Nutzereingabe einfügen

Alle 3 Ebenen werden automatisch durch icm init --mode hook installiert.

Vergleich mit Alternativen

System	Methode	LLM-Kosten	Latenz	Erfasst Komprimierung?
ICM	3-Ebenen-Extraktion	0 bis ~500 Tok/Sitzung	0ms	Ja (PreCompact)
Mem0	2 LLM-Aufrufe/Nachricht	~2k Tok/Nachricht	200-2000ms	Nein
claude-mem	PostToolUse + async	~1-5k Tok/Sitzung	8ms Hook	Nein
MemGPT/Letta	Agent selbstverwaltend	0 marginal	0ms	Nein
DiffMem	Git-basierte Diffs	0	0ms	Nein

Benchmarks

Speicherleistung

ICM Benchmark (1000 memories, 384d embeddings)
──────────────────────────────────────────────────────────
Store (no embeddings)      1000 ops      34.2 ms      34.2 µs/op
Store (with embeddings)    1000 ops      51.6 ms      51.6 µs/op
FTS5 search                 100 ops       4.7 ms      46.6 µs/op
Vector search (KNN)         100 ops      59.0 ms     590.0 µs/op
Hybrid search               100 ops      95.1 ms     951.1 µs/op
Decay (batch)                 1 ops       5.8 ms       5.8 ms/op
──────────────────────────────────────────────────────────

Apple M1 Pro, In-Memory-SQLite, single-threaded. icm bench --count 1000

Agenteneffizienz

Mehrere Sitzungen mit einem echten Rust-Projekt (12 Dateien, ~550 Zeilen). Ab Sitzung 2 zeigen sich die größten Gewinne, da ICM abruft statt Dateien erneut zu lesen.

ICM Agent Benchmark (10 sessions, model: haiku, 3 runs averaged)
══════════════════════════════════════════════════════════════════
                            Without ICM         With ICM      Delta
Session 2 (recall)
  Turns                             5.7              4.0       -29%
  Context (input)                 99.9k            67.5k       -32%
  Cost                          $0.0298          $0.0249       -17%

Session 3 (recall)
  Turns                             3.3              2.0       -40%
  Context (input)                 74.7k            41.6k       -44%
  Cost                          $0.0249          $0.0194       -22%
══════════════════════════════════════════════════════════════════

icm bench-agent --sessions 10 --model haiku

Wissenserhalt

Der Agent ruft spezifische Fakten aus einem dichten technischen Dokument über mehrere Sitzungen ab. Sitzung 1 liest und memoriert; Sitzung 2+ beantwortet 10 Sachfragen ohne den Quellentext.

ICM Recall Benchmark (10 questions, model: haiku, 5 runs averaged)
══════════════════════════════════════════════════════════════════════
                                               No ICM     With ICM
──────────────────────────────────────────────────────────────────────
Average score                                      5%          68%
Questions passed                                 0/10         5/10
══════════════════════════════════════════════════════════════════════

icm bench-recall --model haiku

Lokale LLMs (ollama)

Gleicher Test mit lokalen Modellen — reine Kontextinjektion, keine Tool-Nutzung erforderlich.

Model               Params   No ICM   With ICM     Delta
─────────────────────────────────────────────────────────
qwen2.5:14b           14B       4%       97%       +93%
mistral:7b             7B       4%       93%       +89%
llama3.1:8b            8B       4%       93%       +89%
qwen2.5:7b             7B       4%       90%       +86%
phi4:14b              14B       6%       79%       +73%
llama3.2:3b            3B       0%       76%       +76%
gemma2:9b              9B       4%       76%       +72%
qwen2.5:3b             3B       2%       58%       +56%
─────────────────────────────────────────────────────────

scripts/bench-ollama.sh qwen2.5:14b

Testprotokoll

Alle Benchmarks verwenden echte API-Aufrufe — keine Mocks, keine simulierten Antworten, keine gecachten Ergebnisse.

Agenten-Benchmark: Erstellt ein echtes Rust-Projekt in einem temporären Verzeichnis. Führt N Sitzungen mit claude -p --output-format json aus. Ohne ICM: leere MCP-Konfiguration. Mit ICM: echter MCP-Server + Auto-Extraktion + Kontextinjektion.
Wissenserhalt: Verwendet ein fiktives technisches Dokument (das „Meridian Protocol"). Bewertet Antworten durch Schlüsselwortabgleich mit erwarteten Fakten. 120s Zeitlimit pro Aufruf.
Isolation: Jeder Lauf verwendet ein eigenes temporäres Verzeichnis und eine frische SQLite-Datenbank. Keine Sitzungspersistenz.

Einheitliches Multi-Agenten-Gedächtnis

Alle 17 Tools teilen dieselbe SQLite-Datenbank. Eine von Claude gespeicherte Erinnerung ist sofort für Gemini, Codex, Copilot, Cursor und jedes andere Tool verfügbar.

ICM Multi-Agent Efficiency Benchmark (10 seeded facts, 5 CLI agents)
╔══════════════╦═══════╦══════════╦════════╦═══════════╦═══════╗
║ Agent        ║ Facts ║ Accuracy ║ Detail ║ Latency   ║ Score ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ Claude Code  ║ 10/10 ║   100%   ║  5/5   ║    ~15s   ║   99  ║
║ Gemini CLI   ║ 10/10 ║   100%   ║  5/5   ║    ~33s   ║   94  ║
║ Copilot CLI  ║ 10/10 ║   100%   ║  5/5   ║    ~10s   ║  100  ║
║ Cursor Agent ║ 10/10 ║   100%   ║  5/5   ║    ~16s   ║   99  ║
║ Aider        ║ 10/10 ║   100%   ║  5/5   ║     ~5s   ║  100  ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ AVERAGE      ║       ║          ║        ║           ║   98  ║
╚══════════════╩═══════╩══════════╩════════╩═══════════╩═══════╝

Score = 60% Abruf-Genauigkeit + 30% Faktendetail + 10% Geschwindigkeit. 98% Multi-Agenten-Effizienz.

Warum ICM

Fähigkeit	ICM	Mem0	Engram	AgentMemory
Tool-Unterstützung	17	Nur SDK	~6-8	~10
Ein-Befehl-Einrichtung	`icm init`	manuelles SDK	manuell	manuell
Hooks (Auto-Abruf beim Start)	5 Tools	keine	über MCP	1 Tool
Hybridsuche (FTS5 + Vektor)	30/70 gewichtet	nur Vektor	nur FTS5	FTS5+Vektor
Mehrsprachige Embeddings	100+ Sprachen (768d)	abhängig	keine	Englisch 384d
Wissensgraph	Memoir-System	keiner	keiner	keiner
Zeitlicher Verfall + Konsolidierung	zugriffsbewusst	keiner	einfach	einfach
TUI-Dashboard	`icm dashboard`	keines	ja	Web-Viewer
Auto-Extraktion aus Tool-Ausgaben	3 Ebenen, kein LLM	keine	keine	keine
Feedback-/Korrekturschleife	`icm_feedback_*`	keine	keine	keine
Laufzeit	Einzelne Rust-Binärdatei	Python	Go	Node.js
Local-first, keine Abhängigkeiten	SQLite-Datei	cloud-first	SQLite	SQLite
Multi-Agenten-Abrufgenauigkeit	98%	N/A	N/A	95,2%

Dokumentation

Dokument	Beschreibung
Integrationsanleitung	Einrichtung für alle 17 Tools: Claude Code, Copilot, Cursor, Windsurf, Zed, Amp, usw.
Technische Architektur	Crate-Struktur, Such-Pipeline, Verfallsmodell, sqlite-vec-Integration, Tests
Benutzerhandbuch	Installation, Themenorganisation, Konsolidierung, Extraktion, Fehlerbehebung
Produktübersicht	Anwendungsfälle, Benchmarks, Vergleich mit Alternativen

Lizenz

Source-Available — Kostenlos für Einzelpersonen und Teams mit bis zu 20 Personen. Für größere Organisationen ist eine Unternehmenslizenz erforderlich. Kontakt: contact@rtk-ai.app

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

ICM

Installation

Einrichtung

Skills / Regeln

Hooks (5 Tools)

CLI vs MCP

CLI

Memories (episodisch, mit Verfall)

Memoirs (permanente Wissensgraphen)

MCP-Tools (22)

Gedächtnis-Tools

Memoir-Tools (Wissensgraphen)

Feedback-Tools (Lernen aus Fehlern)

Relationstypen

Funktionsweise

Duales Gedächtnismodell

Hybridsuche

Speicherung

Konfiguration

Auto-Extraktion

Vergleich mit Alternativen

Benchmarks

Speicherleistung

Agenteneffizienz

Wissenserhalt

Lokale LLMs (ollama)

Testprotokoll

Einheitliches Multi-Agenten-Gedächtnis

Warum ICM

Dokumentation

Lizenz

FilesExpand file tree

README_de.md

Latest commit

History

README_de.md

File metadata and controls

ICM

Installation

Einrichtung

Skills / Regeln

Hooks (5 Tools)

CLI vs MCP

CLI

Memories (episodisch, mit Verfall)

Memoirs (permanente Wissensgraphen)

MCP-Tools (22)

Gedächtnis-Tools

Memoir-Tools (Wissensgraphen)

Feedback-Tools (Lernen aus Fehlern)

Relationstypen

Funktionsweise

Duales Gedächtnismodell

Hybridsuche

Speicherung

Konfiguration

Auto-Extraktion

Vergleich mit Alternativen

Benchmarks

Speicherleistung

Agenteneffizienz

Wissenserhalt

Lokale LLMs (ollama)

Testprotokoll

Einheitliches Multi-Agenten-Gedächtnis

Warum ICM

Dokumentation

Lizenz