Het moeilijkste deel van het bouwen van AI-agenten is niet het leren onthouden. Het is het leren vergeten. Mijn collega en ongelooflijk getalenteerde schrijver @helloiamleonie heeft zojuist gepubliceerd wat misschien wel de meest uitgebreide uiteenzetting van agentgeheugen is die ik heb gezien - en geloof me, we hadden dit allemaal nodig. Hier is de kernuitdaging: 𝗟𝗟𝗠𝘀 𝗮𝗿𝗲 𝘀𝘁𝗮𝘁𝗲𝗹𝗲𝘀𝘀. Elk gesprek is een frisse start. Ze herinneren zich niet wat je vijf minuten geleden zei, laat staan wat je vorige week zei. Dus hoe maken we agenten die daadwerkelijk onthouden? 𝗧𝘄𝗼 𝗳𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗮𝗹𝗲 𝗺𝗲𝗺𝗼𝗿𝘆 𝘁𝘆𝗽𝗲𝘀: • 𝗦𝗵𝗼𝗿𝘁-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Informatie in het contextvenster van de LLM (het huidige gesprek) • 𝗟𝗼𝗻𝗴-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Informatie die extern is opgeslagen (vorige gesprekken, gebruikersvoorkeuren, geleerde feiten) Maar hier wordt het interessant - en verwarrend. Verschillende frameworks categoriseren geheugen op verschillende manieren, bijvoorbeeld: 𝗖𝗼𝗔𝗟𝗔'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (geïnspireerd door menselijke cognitie): • Werkgeheugen (huidige gesprek) • Semantisch geheugen (feiten over de gebruiker) • Episodisch geheugen (verleden ervaringen en acties) • Procedureel geheugen (instructies en gedragingen) 𝗟𝗲𝘁𝘁𝗮'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (architectuurgericht): • Berichtenbuffer (recente berichten) • Kerngeheugen (actief beheerde in-context blokken) • Herinneringsgeheugen (ruwe gespreksgeschiedenis) • Archiefgeheugen (expliciet opgeslagen kennis) 𝗧𝗵𝗲 𝗵𝗮𝗿𝗱𝗲𝘀𝘁 𝗽𝗮𝗿𝘁? 𝗙𝗼𝗿𝗴𝗲𝘁𝘁𝗶𝗻𝗴. Het beheren van wat in het geheugen gaat, is supercomplex. Het beheren van wat 𝘥𝘦𝘭𝘦𝘵𝘦𝘦𝘳𝗱 wordt, is nog moeilijker. Hoe automatiseer je het beslissen wat verouderd is? Wanneer is oude informatie echt verouderd versus nog steeds contextueel relevant? Dit is waar de meeste implementaties moeite mee hebben. Leonie behandelt alles van de verschillende geheugentypes (werk-, semantisch, episodisch, procedureel) tot praktische implementatiestrategieën en het groeiende ecosysteem van geheugenkaders zoals mem0, Letta en zep. Dit is een van die berichten die je wilt bookmarken en waar je naar terug wilt keren terwijl je je agentensystemen bouwt. Leonie’s blogpost:

Iedereen heeft het over agentic AI, maar praten we allemaal over hetzelfde? Ik heb gemerkt dat mensen "agentic architecturen" en "agentic workflows" door elkaar gebruiken. Maar het zijn eigenlijk behoorlijk verschillende concepten die samen werken. Hier is het onderscheid: 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝘄𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀 = De reeks stappen die een agent onderneemt om een doel te bereiken Zie het als de "wat" - het daadwerkelijke proces Deze stappen kunnen omvatten: • Het gebruik van LLM's om een plan te maken • Taken opdelen in subtaken • Hulpmiddelen gebruiken zoals internetzoekopdrachten • Reflecteren op uitkomsten en het plan aanpassen 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗮𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗲𝘀 = Het technische kader en systeemontwerp Zie het als de "hoe" - de onderliggende structuur Deze bevatten altijd: • Ten minste één agent met besluitvormingscapaciteiten • Hulpmiddelen die de agent kan gebruiken • Systemen voor kort- en langetermijngeheugen Waarom is dit belangrijk? Omdat dezelfde workflow kan worden geïmplementeerd met verschillende architecturen. Het is alsof je meerdere manieren hebt om hetzelfde recept te maken - de stappen blijven vergelijkbaar, maar de keukenopstelling varieert. Bijvoorbeeld, een agentic RAG workflow (het opdelen van vragen, het ophalen van informatie, het evalueren van relevantie) kan worden opgebouwd met een single-agent routerarchitectuur of een multi-agent systeem. Zelfde workflow, andere architectuur. Dit onderscheid helpt je: • Flexibeler systemen te ontwerpen • De juiste architectuur te kiezen voor jouw specifieke workflow • Duidelijker te communiceren over wat je daadwerkelijk aan het bouwen bent Over welke agentic workflows ben je het meest enthousiast om te implementeren? Hulpmiddelen: 📌 Agentic Architectures gratis Ebook: 📌 Agentic Workflows blogpost: