---
term: "Short-Term Memory"
slug: "short-term-memory"
glossar_id: "G233"
variants: ["Session State"]
category: "memory-und-persistenter-agentenzustand"
marker: ""
short: "Informationszustand einer laufenden Sitzung."
sources:
  - label: "LangChain: Memory overview"
    url: "https://docs.langchain.com/oss/python/concepts/memory"
status: "entwurf"
updated: "2026-09-21"
---

# Short-Term Memory / Session State

Short-Term Memory bezeichnet hier den auf eine laufende Unterhaltung beziehungsweise einen Thread begrenzten Informationszustand eines Agenten. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory) Session State betont den Sitzungszustand, der neben Nachrichten auch weitere Arbeitsdaten enthalten kann. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory)

## Kurzzeitig beschreibt den Geltungsbereich

LangGraph verwaltet dieses Gedächtnis als Teil des Agentenzustands und kann es über Checkpoints in einer Datenbank sichern. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory) Ein Checkpoint ist dabei ein gespeicherter Zwischenstand, mit dem die Unterhaltung später fortgesetzt werden kann. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory)

„Short-Term“ bedeutet in diesem Modell also nicht zwingend „nur im flüchtigen Arbeitsspeicher“. Auch ein dauerhaft gesicherter Zustand kann weiterhin nur für denselben Thread bestimmt sein. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory)

Der Unterschied zum Langzeitgedächtnis liegt hier im vorgesehenen Abrufbereich: Langzeitinformationen können über einzelne Unterhaltungen hinaus zur Verfügung stehen. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory) Eine feste Minutenzahl für diese Einteilung wird damit nicht vorgegeben.

## So kannst du dir das vorstellen

Eine hypothetische KI unterstützt dich beim Ausfüllen eines komplexen Antrags. In der laufenden Sitzung hält die Anwendung bereits geklärte Felder und noch offene Angaben fest.

Du unterbrichst die Arbeit und setzt später genau diesen Vorgang fort. Der gesicherte Sitzungszustand könnte dabei helfen, an derselben Stelle weiterzumachen.

Daraus würde noch nicht folgen, dass dieselben Angaben automatisch in einem anderen Antrag verwendet werden sollen. Für diesen weiteren Einsatz bräuchte es eine gesonderte Entscheidung über Zweck und Geltungsbereich.

## Gespeicherter Verlauf ist nicht unbegrenzter Kontext

Lange Nachrichtenverläufe können die Modellkapazität überschreiten oder trotz passender Länge die Bearbeitung erschweren. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory) Die Anwendung muss daher entscheiden, welche Teile sie für den nächsten Aufruf bereitstellt, entfernt oder zusammenfasst. [LangChain: Memory overview](https://docs.langchain.com/oss/python/concepts/memory)

Für die Fehlersuche würde ich den gesicherten Sitzungszustand und den tatsächlich übergebenen Modellkontext getrennt prüfen. Eine Information kann im Sitzungsverlauf noch vorhanden sein, ohne im konkreten Aufruf vollständig zur Verfügung zu stehen.

## Verwandte Begriffe

**Working Memory**, **Long-Term Memory**, **Agent State**, **Context Management**, **Context Summarization**.