Aura bringt geplante KI-Agenten und Graph-Memory in Self-Hosted-Stacks

Ein neues Open-Source-Projekt namens Aura ist als Self-Hosted-KI-Agent-Runtime entstanden, das in Go entwickelt wurde. Das Tool, veröffentlicht vom Entwickler chetto1983, positioniert sich nicht nur als Chat-Oberfläche, sondern als autonomer Worker, der Aufgaben planen, Langzeitgedächtnis pflegen und über Messaging-Plattformen wie Telegram und WhatsApp interagieren kann.

Das Projekt erreichte am 3. Oktober 2026 seine aktuelle Vorabversion v1.0.2-rc1. Es richtet sich an Ingenieure und Homelab-Enthusiasten, die intelligente Automatisierung auf ihrer eigenen Infrastruktur betreiben möchten, ohne für Kernlogik oder Datenspeicherung von zentralisierten SaaS-Plattformen abhängig zu sein.

Was passiert ist

Aura wird als Docker-Compose-Appliance verteilt, was bedeutet, dass alle erforderlichen Abhängigkeiten in einem einzigen deploybaren Stack gebündelt sind. Das Kern-Runtime ist eine einzelne Go-Binary, die den Agent-Loop, Tools und die Web-Oberfläche verwaltet. Bei der Bereitstellung startet es mehrere unterstützende Dienste, darunter PostgreSQL für relationale Daten, ArcadeDB für graphenbasiertes Gedächtnis, Garage für Objektspeicher sowie verschiedene Sidecars für Embedding-Generierung und Sprachverarbeitung.

Im Gegensatz zu Standard-Chatbots, die den Kontext nach einer Sitzung vergessen, nutzt Aura einen zeitlichen Wissensgraphen, der in ArcadeDB gespeichert ist. Dies ermöglicht dem Agenten, Fakten, Quellen und Gültigkeitszeiträume über die Zeit hinweg zu erinnern. Er kann diese Informationen später abrufen, um Fragen mit Herkunftsangaben zu beantworten, indem er auf spezifische Momente oder Dokumente verweist, in denen die Information ursprünglich gelernt wurde. Das System unterstützt mehrere Benutzer, jeder mit seiner eigenen isolierten Datenbank und seinem eigenen Workspace.

Der Agent kann auch geplante Arbeiten ausführen. Benutzer können Aufgaben unter Verwendung von Cron-Syntax oder einfachen natürlichsprachlichen Auslösern wie „Erinnere mich jeden Montag“ definieren. Diese Jobs laufen unabhängig von aktiven Chatsitzungen und können Ergebnisse an den Benutzer über Telegram oder E-Mail zurücksenden. Das System enthält Sicherheitsfunktionen wie Genehmigungs-Gates für destruktive Befehle und die Schwärzung von Secrets bei der Ausführung von Shell-Befehlen oder beim Zugriff auf das Host-Dateisystem.

Wichtige Details

• Sprache und Lizenz: Geschrieben in Go 1.27 und unter der MIT-Lizenz veröffentlicht, was uneingeschränkte kommerzielle und private Nutzung erlaubt.
• Speicherarchitektur: Nutzt ArcadeDB für graphennatives Gedächtnis mit zeitlichen Pfaden, neben PostgreSQL für autoritative Gesprächsprotokolle und Benutzerverwaltung.
• Modellflexibilität: Unterstützt OpenRouter (Standard), ChatGPT-Pläne, lokale llama.cpp-Server oder Ollama. Das aktive Modellprofil kann ohne Neustart des Dienstes hot-reloaded werden.
• Hardware-Anforderungen: Der Standard-Stack verbraucht etwa 7 GB RAM auf einem Mini-PC mit insgesamt 16 GB Kapazität. Lokale LLM-Inferenz ist optional; Cloud-Inferenz ist der Standard.
• Kommunikationskanäle: Die primäre Interaktion erfolgt über ein Web-Cockpit, CLI oder Telegram. WhatsApp und E-Mail werden zum Senden von Nachrichten und Job-Ergebnissen unterstützt, jedoch nicht für Zwei-Wege-Chats in der aktuellen Version.
• Teststandards: Das Projekt hält eine aggregierte Testabdeckung der eigenen Oberfläche von mindestens 85 % ein, einschließlich Mutationstests und Live-Integrationsprüfungen.

Hintergrund

Um den Wert von Aura zu verstehen, hilft es, zwischen einem Chatbot und einem Agenten zu unterscheiden. Ein Chatbot antwortet in Echtzeit auf Prompts. Ein Agent hingegen kann Ziele über die Zeit verfolgen, Tools nutzen und den Zustand zwischen Interaktionen beibehalten. Die meisten heutigen Self-Hosted-KI-Tools sind Frontends für große Sprachmodelle, die sich auf Verlaufsgeschichte und Prompt-Management konzentrieren.

Aura führt das Konzept des „temporal graph memory“ ein. In traditionellen Vektordatenbanken werden Informationen als Embeddings gespeichert – mathematische Darstellungen der Textähnlichkeit. Während sie gut geeignet sind, um ähnliche Dokumente zu finden, kämpfen sie mit faktischer Genauigkeit über die Zeit. Eine Graphdatenbank speichert im Gegensatz dazu Entitäten und Beziehungen explizit. Durch Hinzufügen einer zeitlichen Dimension kann Aura nachverfolgen, wann eine Tatsache gelernt wurde und ob sie noch gültig ist. Dies reduziert Halluzinationen und ermöglicht es dem Agenten, über Veränderungen in der Welt zu schlussfolgern.

Das Model Context Protocol (MCP) ist eine weitere Schlüsselkomponente. MCP ist ein entstehender Standard, der es KI-Modellen ermöglicht, sicher mit externen Datenquellen und Tools zu verbinden. Aura nutzt MCP zur Integration mit Kalendern, E-Mail und Suchmaschinen, wodurch der Agent im Namen des Benutzers handeln kann, statt nur Textantworten bereitzustellen.

Warum es wichtig ist

Für Teams, die ihre eigene Software betreiben, sind Datenschutz und Kontrolle von größter Bedeutung. Das Senden sensibler interner Dokumente oder Betriebsdaten an Drittanbieter-KI-Dienstleister birgt Risiken. Auras Architektur stellt sicher, dass zwar Inferenz in der Cloud stattfinden kann (falls konfiguriert), das Gedächtnis, die Tools und die Ausführungsumgebung jedoch vollständig on-premise bleiben. Die pro Identität eingerichtete Sandbox, die auf Linux gVisor zur Isolation nutzen kann, verhindert, dass der Agent versehentlich das Host-System beschädigt oder auf unbefugte Dateien zugreift.

Die Fähigkeit, Jobs zu planen, verwandelt die KI von einem passiven Antwortgeber in einen aktiven Teilnehmer an Workflows. Ein IT-Manager könnte einen Agenten so konfigurieren, dass er täglich Server-Logs überwacht, Anomalien zusammenfasst und diese in einer Telegram-Gruppe postet. Da der Agent ein Langzeitgedächtnis hat, kann er wiederkehrende Muster über Wochen oder Monate erkennen und Erkenntnisse liefern, die einfache Alarmierungstools möglicherweise übersehen.

Darüber hinaus vereinfacht die Verwendung von Go und einer Single-Binary-Distribution die Bereitstellung im Vergleich zu Python-basierten Alternativen, die oft unter Abhängigkeitskonflikten leiden. Die strenge Testsuite, einschließlich Mutationstests, deutet auf eine Reife hin, die für solo gewartete Open-Source-Projekte selten ist, und macht es zu einem viable Kandidaten für produktionsnahe Umgebungen.

Was Sie tun können

• Installer testen: Wenn Sie einen Linux-Rechner mit mindestens 4 CPU-Kernen und 14 GB RAM haben, führen Sie den interaktiven Installer über npx create-aura-appliance aus, um den vollständigen Stack lokal einzurichten.
• Lokale Inferenz konfigurieren: Für vollständigen Datenschutz aktivieren Sie das Profil localllm in Docker Compose, um Gemma 4 12B lokal auszuführen, sodass während der Inferenz keine Daten Ihr Netzwerk verlassen.
• Telegram verbinden: Nutzen Sie den Setup-Wizard, um einen Telegram-Bot zu verknüpfen, damit Sie mit dem Agenten interagieren und geplante Job-Benachrichtigungen direkt auf Ihrem Telefon empfangen können.
• Sicherheitseinstellungen prüfen: Aktivieren Sie das Profil sandbox, wenn Sie natives Linux verwenden, um die Tool-Ausführung des Agenten mittels gVisor zu isolieren und Ihr Host-Dateisystem vor versehentlichen Beschädigungen zu schützen.
• Studio erkunden: Nutzen Sie das integrierte Web-Cockpit, um Bilder zu generieren oder Videos zu bearbeiten, wobei Sie die integrierten Media-Tools ohne separate Kreativsoftware nutzen.
• Updates überwachen: Wenn Sie den Appliance-Modus installieren, aktualisiert sich das System automatisch über einen systemd-Timer. Prüfen Sie regelmäßig die Datei payload_manifest.txt, um zu verifizieren, dass Ihre Installation dem erwarteten Zustand entspricht.