Die Tools wechseln. Dein Kontext sollte das nicht. Genau da setzt afair an.
Was afair ist, wie es gebaut ist, worauf es sich stützt. Ein Gedächtnis für deine Arbeit, die Menschen in deinem Leben und alles, was du nicht ständig neu erklären willst, über jede KI hinweg, die du nutzt.
Eine Maschine. Ein Nutzer. Gehört dir.
Es läuft als eine eigene Maschine, nur für einen Nutzer. Betreib sie selbst, oder lass afair.ai sie in der EU für dich betreiben. So oder so allein für dich: deine Daten teilen sich nie eine Datenbank mit jemand anderem. Sie verbindet sich über MCP mit deinen KI-Tools, dem offenen Protokoll, das inzwischen jedes große Modell spricht. Jeder Client, der MCP spricht, kann lesen und schreiben.
Sie speichert Text, PDFs mit extrahierter Textebene, Audio, das Whisper transkribiert, Screenshots und Fotos, die Vision-Modelle beschreiben. Einen Arbeitsvertrag, eine lange Nachricht von einer Freundin, eine Sprachnotiz über dein Kind, das Foto eines Whiteboards, alles davon. Bis zu einem Gigabyte pro Datei. Alles ist über seinen Inhalt abrufbar, nicht nur über den Dateinamen. Du kannst den ganzen Vault jederzeit exportieren.
- Standort
- EU
- Tenancy
- ein Nutzer, eine Maschine
- Protokoll
- MCP v1
- pro Datei
- bis zu 1 GB
- Export
- ganzer Vault, jederzeit
Drei Schichten, jede spiegelt ein Gedächtnissystem des Gehirns.
Die Gehirn-Entsprechung ist echt, keine fürs Marketing zurechtgebogene Metapher. Jedes Gedächtnisprodukt da draußen wurde genau angesehen, ein paar Ideen daraus sind eingeflossen. Aber das meiste, was ein Gedächtnis wirklich braucht, fehlte, also ging der Entwurf dorthin, wo die Aufgabe längst gelöst war: ins Gehirn. Jede Schicht bildet ein Gedächtnissystem nach, das das Gehirn betreibt.
Filtert und leitet alles weiter, was rein- und rausgeht. Drei Verben in v1: remember, recall, observe. Der Thalamus tut dasselbe für sensorische Eingaben, entscheidet, was den Kortex erreicht, und leitet es dorthin.
rememberrecallobserveInspiriert von Menons Triple aus Salienz, Central-Executive und Default-Mode. Ein Salienz-Worker bewertet jedes Ereignis danach, was zählt. Ein Mode-Switcher schaltet zwischen fokussiertem CEN und schweifendem DMN für Integration.
Ein Append-only-Ereignislog, inhaltsadressiert, nie überschrieben, mit einer Deutungsebene darauf: extrahierte Fakten, Entitätsgraphen, Embeddings. Sie spiegelt Complementary Learning Systems, den schnellen spärlichen und den langsamen konsolidierten Speicher.
Die Grundlagen.
Drei Arbeiten haben die Architektur geprägt. Wenn du sie kennst, erkennst du die Nähte. Wenn nicht, hier die kurze Fassung.
Das Gehirn hält zwei Gedächtnissysteme, nicht eins. Ein schneller hippocampaler Speicher schreibt einzelne Erfahrungen spärlich und rasch nieder. Ein langsamer neokortikaler Speicher integriert sie mit der Zeit zu stabiler Struktur. afair trennt genauso, damit neue Eingabe nie überschreiben muss, was sich schon gesetzt hat.
Ein Gehirn ist eine Vorhersagemaschine, die sich an der Lücke zwischen Erwartung und Ankunft korrigiert. Überraschung ist das Signal, das sich zu speichern lohnt. Der Salienz-Worker bewertet Ereignisse ungefähr nach diesem Prinzip: was war unerwartet, und was verändert es.
Intelligenz ist nicht ein einzelner Prozess, sondern viele kleine Agenten, jeder einfach, keiner zuständig, die durch ihr Zusammenspiel Geist hervorbringen. Die Intelligenz-Schicht ist in diesem Geist als Worker gebaut: klein, spezialisiert, koordinierend statt befehlend.
Die Schnittstelle ist eingefroren. Was darunter lernt, nicht.
Drei Verben: remember, recall, observe. Am ersten Tag festgelegt, ändern sich nicht. Deine KI-Tools bauen auf diesen dreien auf, also laufen sie weiter.
Darunter verbessert sich das Substrat fortlaufend. Schärfere Extraktoren. Bessere Salienz. Genauere Auflösung von Entitäten. Ein Überraschungswert, der lernt, was hochgeholt werden muss. Neue Worker kommen dazu, wenn ältere die Aufgabe nicht mehr decken. afair beobachtet seinen eigenen Betrieb und justiert sich.
Jede Änderung muss sich erst beweisen, bevor sie live geht, zuerst an deinem eigenen Vault. Drei unabhängige Modelle von Anthropic, OpenAI und Google vergleichen die neue Variante mit dem aktuellen Verhalten anhand echter, vergangener Ereignisse. Aktuell läuft das im Beobachtungs-Modus, während die Bewertung an konkreten Recall-Metriken verankert wird. Sobald das steht, gehen nur Mehrheitsentscheide live. Ein separater Monitor beobachtet die ersten Ereignisse nach jeder Änderung. Wenn das Signal abrutscht, wird die Änderung zurückgerollt. Alles protokolliert, alles umkehrbar.
All das bleibt dir aus dem Weg. Dieselben drei Aufrufe liefern mit der Zeit bessere Antworten, ohne Migration und ohne Version, an die du dich kettest. Das Gehirn lernt, der Vertrag bleibt.
Anbieter-Gedächtnis erinnert sich für den Anbieter.
| Anbieter-Gedächtnis | afair | |
|---|---|---|
| wem die Daten gehören | dem Anbieter | dir |
| funktioniert über KI-Tools hinweg | nein, nur in ihren eigenen | ja, jeder MCP-Client, auch der nächste, den es noch nicht gibt |
| Tenancy | geteilt, multi-tenant | ein Nutzer, eine Maschine |
| Schema | von ihnen festgelegt | entsteht aus dem, was du einlegst |
| siehst und korrigierst du es | undurchsichtig; in Gewichte gebackenes gar nicht | ja, es sind deine Daten zum Lesen und Korrigieren |
| Datenstandort | wo auch immer sie hosten | EU als Standard |
| Recht auf Export | teilweise, undurchsichtig | der ganze Vault, jederzeit |
Die großen Labore stehen hier unter strukturellem Druck. Portables Gedächtnis schwächt Lock-in, und Lock-in ist Teil davon, wie sie Nutzer halten. Anthropic hat MCP genau für diese Art Interoperabilität geschaffen.
Eine neuere Wette geht noch weiter: deinen Kontext in die Gewichte eines Modells trainieren, damit es dich einfach kennt. Das bringt Tempo und den tiefsten Lock-in überhaupt, denn Gedächtnis in Gewichten lässt sich weder lesen noch mitnehmen noch korrigieren. Je mehr das Feld in diese Richtung drückt, desto mehr lohnt ein Gedächtnis, das du öffnen, mitnehmen und korrigieren kannst.
afair liegt unter MCP, nicht dagegen. Es ist das Substrat, mit dem sich ein MCP-Client verbindet, wenn er ein Gedächtnis will, das der Person gehört, nicht der Plattform.
Weiterführende Literatur.
- Why there are complementary learning systems in the hippocampus and neocortex. Psychological Review.
- What learning systems do intelligent agents need? Trends in Cognitive Sciences.
- Large-scale brain networks and psychopathology: a unifying triple network model. Trends in Cognitive Sciences.
- The free-energy principle: a unified brain theory? Nature Reviews Neuroscience.
- Society of Mind. Simon & Schuster.
Dir gehört das Gedächtnis hinter jeder KI, die du nutzt.
Trag deine E-Mail ein für die erste Einladung, am Tag, an dem das gehostete afair startet. Eine Nachricht, sonst nichts. Oder betreib den Open-Source-Core schon heute selbst.
Mit dem Absenden willigst du ein, eine Bestätigungsmail und eine einzelne Willkommensmail zu erhalten. Deine E-Mail-Adresse wird verarbeitet wie in unserer Datenschutzerklärung und du stimmst unseren AGB zu.