OneMemory bietet einen gemeinsamen SQLite-Speicher für KI-Agenten über MCP und REST

Ein neues Open-Source-Projekt namens OneMemory stellt einen leichten, selbst gehosteten Speicherdienst bereit, der darauf ausgelegt ist, von mehreren KI-Agenten und Schnittstellen gemeinsam genutzt zu werden. Das im Oktober 2026 veröffentlichte Tool verwendet eine einzelne SQLite-Datenbankdatei, um Notizen, Aufgaben und Kontextinformationen dauerhaft zu speichern und sie gleichzeitig für Desktop-Coding-Assistenten, mobile Apps und Web-Oberflächen verfügbar zu machen.

Das Projekt richtet sich an Entwickler, die verschiedene KI-Tools wie Claude Code, Cursor oder Copilot nutzen und eine einheitliche Methode suchen, um den Kontext zwischen Sitzungen und Geräten beizubehalten, ohne auf externe Cloud-Dienste oder komplexe Vektordatenbanken angewiesen zu sein.

Was passiert ist

Das unter dem Namen calasdan-sketch/onememory veröffentlichte Repository führt einen Node.js-basierten Server ein, der als zentraler Gedächtnis-Hub fungiert. Er erfordert Node.js Version 24 oder neuer und nutzt das eingebaute Modul node:sqlite, um externe Datenbankabhängigkeiten zu vermeiden. Der Einrichtungsprozess ist nicht-destruktiv gestaltet und bietet Dry-Run-Modi sowie automatische Sicherungen der Konfigurationsdateien, bevor Client-Einstellungen geändert werden.

OneMemory verbindet sich mit KI-Clients über zwei primäre Methoden: das Model Context Protocol (MCP) über Standard-Ein-/Ausgabe für lokale Desktop-Anwendungen und eine einfache REST-API für den Fernzugriff. Dieser doppelte Ansatz ermöglicht es einem Entwickler, auf seinem Desktop-Rechner mit einem lokalen Coding-Agenten eine Notiz zu schreiben und diese wenige Augenblicke später auf einem Smartphone oder über eine webbasierte Chat-Oberfläche abzurufen. Das System unterstützt bereichsbezogene Bearer-Tokens, sodass Fernverbindungen bei Bedarf auf schreibgeschützten Zugriff beschränkt werden können.

Die Architektur ist bewusst minimal gehalten. Sie läuft als einzelner Node-Prozess mit nur zwei direkten Laufzeitabhängigkeiten und vermeidet so die Notwendigkeit von Python-Umgebungen, nativen Modulen oder separaten Vektorsuchmaschinen. Alle Daten, einschließlich der Datenbankdatei, Verschlüsselungsschlüssel und Konfiguration, befinden sich in einem benutzergesteuerten Verzeichnis außerhalb des installierten Pakets, was Backups und Upgrades vereinfacht.

Wichtige Details

• Speicherung in einer einzigen Datei: Der gesamte Zustand wird in einer einzigen SQLite-Datei verwaltet, wodurch Backups so einfach sind wie das Kopieren einer einzelnen Datei, während der Server läuft.
• Zugriff über zwei Protokolle: Unterstützt sowohl MCP für die lokale Desktop-Integration als auch eine REST-API für den Fernzugriff über Tunnels oder direkte Netzwerkverbindungen.
• Sicherheitsfunktionen: Enthält einen Memory-Linter, der Schreibvorgänge auf Geheimnisse wie API-Schlüssel scannt und Prompt-Injection-Versuche blockiert, bevor sie gespeichert werden.
• Änderungsfeed: Bietet einen Live-Wait-Mechanismus, der es Clients ermöglicht, effizient auf Änderungen zu warten und Updates innerhalb von Sekunden zu erhalten, anstatt auf lange Polling-Intervalle zu warten.
• Aufgabenverwaltung: Eingebaute Unterstützung für ein gemeinsames Task-Board, das Agenten erlaubt, Aufgaben über verschiedene Sitzungen und Geräte hinweg zu beanspruchen, abzuschließen und weiterzugeben.
• Datenportabilität: Notizen können als Markdown-Dateien mit YAML-Front-Matter exportiert werden, um sie über Git versionsmäßig zu verwalten oder über Tools wie Syncthing zwischen Maschinen zu synchronisieren.

Hintergrund

Für Teams, die mehrere KI-Assistenten verwalten, ist die Fragmentierung des Kontexts eine häufige Herausforderung. Ein Agent, der an einer lokalen Codebasis arbeitet, weiß möglicherweise nichts von Entscheidungen, die in einer webbasierten Chat-Sitzung getroffen wurden, was zu redundanten Erklärungen oder inkonsistenten Ratschlägen führt. Traditionelle Lösungen beinhalten oft komplexe Vektordatenbanken oder proprietäre Cloud-Gedächtnisdienste, die Latenz, Kosten und Datenschutzbedenken einführen können.

Das Model Context Protocol (MCP) hat sich als Standard für die Verbindung von KI-Modellen mit lokalen Daten und Tools etabliert. OneMemory nutzt dieses Protokoll, damit Desktop-Anwendungen nahtlos auf einen gemeinsamen Speicher lesen und schreiben können. Durch die Kombination von MCP mit einer standardmäßigen REST-API überbrückt das Tool die Kluft zwischen lokalen Entwicklungsumgebungen und Remote- oder mobilen Schnittstellen und stellt sicher, dass alle Agenten mit demselben Satz an Fakten und Historie arbeiten.

Warum es wichtig ist

Für Engineering-Teams und individuelle Entwickler, die ihre Tools selbst hosten, bietet OneMemory eine Möglichkeit, die Kontinuität über fragmentierte Workflows hinweg aufrechtzuerhalten. Anstatt jede KI-Interaktion als isoliertes Ereignis zu betrachten, können Nutzer eine persistente Wissensbasis aufbauen, die mit ihren Projekten wächst. Dies ist besonders wertvoll für komplexe Debugging-Sitzungen oder langfristige Entwicklungsaufgaben, bei denen der Kontext aus früheren Tagen entscheidend ist.

Der Fokus auf lokale Speicherung und einfache Abhängigkeiten reduziert den operativen Aufwand. Es ist nicht nötig, einen PostgreSQL-Cluster zu verwalten oder komplizierte Vektor-Indexierungs-Pipelines zu konfigurieren. Die Fähigkeit, den gesamten Gedächtniszustand durch das Kopieren einer einzelnen Datei zu sichern, passt gut zu bestehenden Disaster-Recovery-Praktiken für kleine Infrastruktur-Setups. Darüber hinaus hilft die integrierte Secret-Scanning-Funktion dabei, versehentliche Lecks von Zugangsdaten in KI-Kontexte zu verhindern, ein wachsendes Risiko, da Agenten mehr Zugang zu lokalen Systemen erhalten.

Nutzer müssen sich jedoch der Kompromisse bewusst sein. Das System bietet in seiner Standard-Sicherung keine Snapshots der Bearbeitungshistorie pro Änderung, was bedeutet, dass Wiederherstellungen nur die neueste Version jeder Notiz zurückgewinnen. Teams, die detaillierte Audit-Trails jeder Änderung benötigen, müssen dies möglicherweise durch externes Logging ergänzen oder sich auf die Markdown-Exportfunktion zur Versionskontrolle verlassen.

Was Sie tun können

• Setup sicher testen: Verwenden Sie das Flag --dry-run während der Installation, um genau zu sehen, welche Konfigurationsdateien geändert werden, bevor Sie Änderungen bestätigen.
• Fernzugriff absichern: Wenn Sie die REST-API für mobile Geräte freigeben, setzen Sie einen authentifizierten Tunnel wie Cloudflare Tunnel oder Tailscale vor den Dienst, um Zugriffssteuerungen durchzusetzen.
• Regelmäßige Backups implementieren: Planen Sie automatisierte Kopien der SQLite-Datenbankdatei und speichern Sie den Verschlüsselungsschlüssel getrennt vom Backup, um die Datenwiederherstellbarkeit zu gewährleisten.
• Gespeicherte Daten prüfen: Überprüfen Sie regelmäßig die Quarantäne-Warteschlange auf markierte Inhalte und verwenden Sie bereichsbezogene Tokens, um Schreibzugriffe von weniger vertrauenswürdigen Geräten einzuschränken.
• Mit Versionskontrolle integrieren: Exportieren Sie Notizen im Markdown-Format und committen Sie sie in ein privates Git-Repository, um eine menschenlesbare Historie Ihrer KI-unterstützten Entscheidungen zu pflegen.
• Ressourcennutzung überwachen: Behalten Sie die Rebuilds des Ähnlichkeitsgraphen nach großen Imports im Auge, da diese Operationen rechenintensiv sein können, obwohl sie verzögert ausgeführt werden, um die Schnittstelle responsiv zu halten.