Zum Hauptinhalt springen
awork Helpcenter

Agent Memory und Kontextfenster

Nutze Agent Memory und Kontextfenster im awork Agent, um Gesprächskontext über Threads hinweg zu speichern und bessere Ergebnisse zu erzielen

Memory speichert ausgewählte Informationen über Threads hinweg; das Kontextfenster begrenzt, wie viel innerhalb eines Threads berücksichtigt werden kann.

Der awork Agent nutzt Gesprächskontext und persönliche Memories. Erfahre, was über Chats hinweg erhalten bleibt und wie du bessere Ergebnisse bekommst.


Was der awork Agent sich merkt

Innerhalb eines Threads berücksichtigt der Agent die bisherige Unterhaltung sowie vorhandene Artefakte – also Dateien und Ergebnisse, die im Thread bereitgestellt oder erstellt wurden – und den zugehörigen Kontext. Nach einer Kontextkomprimierung steht davon möglicherweise nur noch eine gekürzte Zusammenfassung zur Verfügung.

Über verschiedene Chats hinweg unterstützt awork derzeit persönliche Memorys für den awork Agent. Dabei können dauerhafte Präferenzen oder Fakten automatisch gespeichert werden oder auf ausdrückliche Aufforderung.

Persönliche Memorys sind privat und an den jeweiligen User gebunden.


Was der Agent nicht über mehrere Threads hinweg merkt

Nicht alles aus einem Chat wird automatisch zum dauerhaften Wissen des Agents.

  • Keine automatische Weiterentwicklung aus Chats: Weder Agent noch Modell lernen aus deinen Chats

  • Custom Agents haben derzeit keine Memory-Funktion: Sie übernehmen solche Informationen nicht automatisch in neue Threads

  • Getrennte Memorys bei geteilten Threads: Bei einem geteilten Thread werden die jeweils userbezogenen Memorys auf die eigenen Nachrichten angewendet

Eigene spezialisierte Agents haben noch keine Memory-Funktion, es kann aber mit der ausdrücklichen Aufforderung zum „Merken“ der Prompt für zukünftige Threads angepasst werden.


Wie du bessere Ergebnisse bekommst

Ein guter Kontext macht einen großen Unterschied. Besonders wichtig ist, Aufgaben sauber zu trennen.

Starte für neue Aufgaben einen neuen Thread

Jeder Chat-Thread hat ein begrenztes Kontextfenster. Je länger ein Thread wird, desto mehr ältere Inhalte müssen komprimiert werden. Dabei können Details verloren gehen.

Für neue, fokussierte oder unabhängige Aufgaben empfiehlt es sich deshalb, einen neuen Chat zu starten. Kurze, klar abgegrenzte Threads funktionieren besser als lange Threads mit wechselnden oder vermischten Aufgaben.

Tipp: Bleib für ein zusammenhängendes Thema im selben Thread. Bei einem neuen Thema oder einem sehr langen Verlauf starte lieber einen neuen. Lass dir für einen Wechsel den aktuellen Stand, die wichtigsten Entscheidungen und offenen Punkte für einen neuen Thread vom Agent zusammenfassen.

Nutze Docs für wiederkehrenden Kontext

Für wiederkehrende Aufgaben kannst du Kontext in Projekten oder Spaces hinterlegen. Dazu gehören Dateien, Anweisungen und Hintergrundwissen.

So musst du diesen Kontext nicht in jedem neuen Thread erneut mitführen.

Tipp: Starte neue Threads für neue Aufgaben und lagere wiederkehrenden Kontext in Docs aus.

Sag ausdrücklich, was dauerhaft relevant sein soll

Wenn der awork Agent etwas über dich dauerhaft berücksichtigen soll, kannst du das ausdrücklich sagen.

Beispielsweise kannst du bei einer Aufgabe festhalten, dass eine bestimmte Präferenz auch künftig berücksichtigt werden soll.

Gib den richtigen Kontext mit

Erwähne relevante Aufgaben, Projekte oder Dokumente oder füge sie mit @ hinzu. Du kannst den Agent auch direkt aus der entsprechenden Aufgabe oder dem Projekt starten.

So erhält der Agent den passenden Kontext für die aktuelle Arbeit.


FAQ

Lernt der awork Agent aus meinen Chats?

Nein. Agent und Modell lernen nicht aus deinen Chats. Über Threads hinweg werden nur persönliche Memorys oder Instruktionen übernommen.

Warum sollte ich für neue Aufgaben einen neuen Thread starten?

Je länger ein Thread wird, desto mehr ältere Inhalte müssen aufgrund des begrenzten Kontextfensters komprimiert werden. Dabei können Details verloren gehen. Neue, fokussierte Threads halten den Kontext übersichtlich und reduzieren das Risiko, dass ältere Informationen durch die Kontextkomprimierung verloren gehen.

Zuletzt aktualisiert HappySupportBereitgestellt von happysupport.ai
© 2026 HappySupport. Alle Rechte vorbehalten.