Geteiltes und persönliches Gedächtnis können in einem Familien-KI-Agenten koexistieren, wenn Erinnerungen als Datensätze mit festgelegten Geltungsbereichen, eindeutigen Besitzern und Zugriffsregeln modelliert werden – statt als ein haushaltsweites Protokoll oder eine gemeinsame Vektorsammlung.
Das architektonische Problem besteht nicht darin, ob mehrere Personen dasselbe Modell abfragen können. Entscheidend ist, ob die Speicherpipeline bereits beim Schreiben zwischen einer Information über den Haushalt und einer privaten Präferenz unterscheiden, diese Unterscheidung bei der Speicherung bewahren, während des Abrufs durchsetzen und Informationen entfernen oder ersetzen kann, ohne den Zustand einer anderen Person zu verändern.
Familiengedächtnis braucht mehr als einen Geltungsbereich
Ein sinnvolles Design trennt mindestens persönliches Gedächtnis, bewusst geteiltes Haushaltsgedächtnis und kurzlebigen Sitzungsstatus. „Das Waschmaschinenmodell ist X“ kann für den gesamten Haushalt gelten, während „Ich bevorzuge im Schlafzimmer 19 °C“ normalerweise mit der Person verknüpft bleiben sollte, die dies geäußert hat. Vermutungen aus einer Sitzung sollten nicht stillschweigend in einen der beiden dauerhaften Geltungsbereiche übergehen.
Eine Studie aus dem Jahr 2026 über ein Gedächtnissystem für mehrere Benutzer beschreibt private, geteilte und verwaltete Speicherformen, anstatt Multiuser-Gedächtnis als einen undifferenzierten Speicher zu behandeln. Die wichtige Designfolgerung für einen Heimagenten lautet: Das Teilen ist eine Richtlinienentscheidung, die an eine Erinnerung gebunden ist, und kein Nebeneffekt davon, dass mehrere Benutzer auf dieselbe Datenbank zugreifen.
Die Abgrenzung der Geltungsbereiche sollte vor dem Abruf durchgesetzt werden. Wenn das System die Erinnerungen aller Personen abruft und das Sprachmodell bittet, „die privaten zu ignorieren“, ist die Isolation bereits gescheitert. Das Modell sollte nur Datensätze erhalten, die der authentifizierte Benutzer und der aktuelle Haushaltskontext verwenden dürfen.
Besitzer, Herkunft und Sicherheit müssen mit der Erinnerung gespeichert werden
Eine dauerhafte Präferenz sollte festhalten, wer sie geäußert hat, woher sie stammt, ob sie ausdrücklich genannt oder abgeleitet wurde, wann sie beobachtet wurde und ob ein neuerer Datensatz sie ersetzt. Ohne Herkunftsinformationen kann ein Familienagent eine direkte Anweisung nicht von einem schwachen Muster unterscheiden, das aus dem Verhalten einer einzelnen Person abgeleitet wurde.
Oracles Ausführungen von 2026 zu typisiertem mandantenfähigem Gedächtnis sprechen für eine eindeutige Mandantenidentität und Isolation auf Schemaebene, statt sich auf Konventionen im Prompt zu verlassen. Ein Haushalt ist zwar kleiner, aber dieselbe Lehre für das Datenmodell gilt auch hier: Benutzer- und Haushaltskennungen sollten zusammen mit dem Datensatz gespeichert und unterhalb der Prompt-Ebene durchgesetzt werden.
Der verwandte ZimaSpace-Artikel über falsche Haushaltspräferenzen beschreibt, was geschieht, wenn abgeleitetes Verhalten zu einer gemeinsamen Wahrheit verfestigt wird. Die hier beschriebene Architektur verhindert diesen Fehler, indem die Übernahme persönlicher oder abgeleiteter Informationen in das Haushaltsgedächtnis als ausdrücklicher Übergang gestaltet wird.
Die Abrufrichtlinie macht sichtbar, wenn Erinnerungen vermischt werden
Zwei korrekt getrennte Speicher können dennoch Daten untereinander preisgeben, wenn eine Abrufabfrage den Benutzerfilter auslässt, ein Cache-Schlüssel die Identität ignoriert oder eine gemeinsame semantische Suchumgebung Datensätze vor der Autorisierungsprüfung zurückgibt. Die Isolation muss daher die Anfrage durch Suche, Neurangfolge, Caching und Prompt-Erstellung begleiten.
Ein Implementierungsmuster aus dem Jahr 2026 für benutzerbezogenen Gedächtnisabruf zeigt einen mandantenbezogenen Abruf, bei dem jeder Benutzer seinen eigenen Zustand sieht, während die Anwendung weiterhin einen gemeinsamen Gedächtnisdienst nutzen kann. Entscheidend ist nicht die konkrete Bibliothek, sondern die Bindung des Abrufnamensraums an eine vertrauenswürdige Identität und nicht an Text, den das Modell bereitstellt.
Geteiltes Gedächtnis sollte als zweiter autorisierter Geltungsbereich hinzugefügt werden und nicht als Ersatz dienen, wenn beim persönlichen Abruf nichts gefunden wird. So wird verhindert, dass „über diesen Benutzer ist nichts bekannt“ zu „verwende die Präferenz einer anderen Person“ wird. Eine fehlende persönliche Information ist sicherer als eine versehentliche Ersetzung durch Daten eines anderen Benutzers.
Löschung und Konfliktlösung zeigen, ob die Geltungsbereiche tatsächlich getrennt sind
In einem Familiensystem kommt es irgendwann zu widersprüchlichen Präferenzen, ausgezogenen Benutzern, korrigierten Fakten und Löschanfragen. Wenn sich die Erinnerung einer Person nicht entfernen lässt, ohne geteiltes Haushaltswissen zu löschen – oder wenn eine gemeinsame Information nicht geändert werden kann, ohne private Verläufe umzuschreiben –, war das ursprüngliche Speichermodell tatsächlich nicht nach Geltungsbereichen getrennt.
Die Ausführungen von WorkOS zur granularen Autorisierung beim Abruf zeigen, warum Zugriffskontrollen die Daten durch den Abruf begleiten sollten, statt nur bei der Anmeldung geprüft zu werden. Für Familiengedächtnis ermöglicht derselbe Durchsetzungspunkt, dass Lösch- und Sichtbarkeitsregeln für einzelne Datensätze auch dann wirksam bleiben, wenn Erinnerungen eingebettet oder semantisch abgerufen werden.
Testen Sie die Architektur mit zwei Familienkonten und einem Haushaltskonto. Schreiben Sie widersprüchliche Präferenzen, übernehmen Sie eine Information in den gemeinsamen Geltungsbereich, entziehen Sie einem Benutzer den Zugriff, löschen Sie dessen privaten Datensatz und führen Sie anschließend Abfragen unter jeder Identität aus. Das Design besteht den Test nur, wenn gemeinsame Informationen verfügbar bleiben, persönliche Präferenzen niemals zwischen Konten übertragen werden und die Löschung genau die gewünschte Erinnerung entfernt, ohne andere Daten zu beeinträchtigen.
Tech- & KI-Zentrum
Mehr zum Lesen

Wie beeinflusst das Downsampling von Zeitreihen die Anomalieerkennung im Smart Home?
Sehen Sie, wie Bucket-Breite, Aggregation, Anti-Aliasing, fehlende Daten, Ereignisdauer und Aufbewahrung über mehrere Skalen die Erkennungsrate von Anomalien im Smart Home verändern.

Wie kombiniert ein Belegungsraster schwache Smart-Home-Signale?
Erfahren Sie, wie räumliche Zellen, Sensormodelle, Log-Odds-Aktualisierungen, Zerfall, korrelierte Evidenz und Schwellenwerte schwache Signale aus dem Zuhause in Belegungsschätzungen umwandeln.

Wie beeinflusst die photometrische Normalisierung das private Clustering von Gesichtern?
Sehen Sie, wie die Beleuchtungskorrektur Gesichtsausschnitte, Einbettungen, Clusterabstände, Schwellenwerte, Übernormalisierung und die Bewertung der privaten Fotosuche verändert.

