Agentgeheugen

Wat is agentgeheugen?

Agentgeheugen is het geheel van mechanismen waarmee een AI-agent informatie kan vasthouden en hergebruiken voorbij één enkel contextvenster: sessiestatus, notities die naar bestanden worden weggeschreven, databases en vectorstores. Het is wat een agent in staat stelt feiten, voorkeuren en lessen mee te dragen tussen taken, in plaats van elke sessie vanaf nul te beginnen. De leemte die het opvult is goed gedocumenteerd: op de LoCoMo-benchmark van zeer lange gesprekken, gemiddeld 300 beurten over maximaal 35 sessies, ontdekten Maharana en collega's in 2024 dat LLM-agents aanzienlijk achterblijven bij menselijke prestaties in het herinneren van eerdere context [1].

De belangrijkste punten

• Modellen zijn stateless. Alles wat een agent "onthoudt" is er omheen gebouwd, door de juiste opgeslagen informatie op het juiste moment terug in de context te zetten.
• De werkverdeling is kortetermijn versus langetermijn: aan de ene kant het huidige contextvenster en sessie-scratchstatus, aan de andere kant duurzame opslag die de sessie overleeft.
• Gewone bestanden zijn een volwaardig geheugensysteem. Agents die markdown-notities schrijven en herlezen, een aanpak die wordt gebruikt door CLAUDE.md-achtige projectbestanden, verslaan vaak uitgebreide vector-opzetten op betrouwbaarheid en debugbaarheid.
• Retrieval is de moeilijke helft. Alles opslaan is makkelijk; op het juiste moment de drie relevante herinneringen naar boven halen, zonder de context te overspoelen, is het eigenlijke technische probleem.

Hoe het werkt

Kortetermijngeheugen is het contextvenster zelf: het gesprek, tooloutput en bestanden die deze sessie zijn gelezen. Het is snel en compleet, maar eindig, en verdampt zodra de sessie eindigt. Agents breiden het binnen een sessie uit door compactie, waarbij oudere beurten worden samengevat om ruimte terug te winnen, en door delegatie, waarbij een subagent een rommelige taak absorbeert en alleen de conclusie teruggeeft.

Langetermijngeheugen blijft bestaan buiten het model. De gangbare substraten zijn bestanden die de agent leest en schrijft, gestructureerde opslag zoals SQL- of key-value-records voor feiten en voorkeuren, en een vectordatabase voor semantische herinnering over grote geschiedenissen, opgehaald op aanvraag in de stijl van retrieval-augmented generation. Speciaal daarvoor gebouwde lagen presteren aantoonbaar beter dan aangeplakte functies; de Mem0-geheugenlaag scoorde in de evaluatie van 2025 een relatieve verbetering van 26% ten opzichte van de geheugenfunctie van OpenAI op de LOCOMO-benchmark [2]. Rond deze substraten draaien drie processen: beslissen wat de moeite waard is om vast te leggen (saillantie), ophalen wat relevant is voor de huidige taak (retrieval), en herzien of verwijderen van verouderde items (onderhoud). Onderhoud overslaan is hoe geheugen verrot: een agent die vastlegde "deploys gebeuren vanaf de release branch" blijft daarnaar handelen lang nadat het team is overgestapt op trunk-based deploys.

In multi-agent-omgevingen dient geheugen ook de coördinatie. Een gedeelde opslag laat de bevindingen van de ene agent het werk van een andere informeren, en het wordt de institutionele kennis van het systeem. Die kracht brengt risico met zich mee, want een geheugen dat eenmaal vergiftigd is, of dat nu door een fout gebeurt of door prompt injection verstopt in verwerkte content, verspreidt zich naar elke toekomstige sessie die het opvraagt. Schrijfacties naar langetermijngeheugen verdienen dus validatie en herkomstregistratie.

Voorbeeld

Een team draait dagelijks een coding-agent op zijn monorepo. In week één herontdekt elke sessie dezelfde feiten: welke package manager, hoe de affected-only testsuite te draaien, welke flaky integratietest te negeren. Ze voegen een geheugenbestand toe dat de agent onderhoudt, aangevuld via de CLAUDE.md-conventies van hun project. Wanneer de agent nu leert dat de betalingstests een lokale stubserver nodig hebben, voegt hij dat met een datum toe aan het geheugenbestand. De volgende sessie leest het bestand bij het opstarten en slaat veertig minuten herontdekking over. Eén keer per maand snoeit een engineer het bestand, en verwijdert items die door refactors zijn achterhaald. Het hele systeem is een paar honderd regels markdown onder versiebeheer, te reviewen in pull requests zoals elke andere wijziging.

Veelvoorkomende misvattingen

De reflex is om agentgeheugen gelijk te stellen aan een vectordatabase en daar te beginnen. Semantisch zoeken over embeddings is één retrievaltechniek, nuttig wanneer herinneringen talrijk en losjes gestructureerd zijn, maar het is probabilistisch: het haalt naar boven wat lijkt, haalt opnieuw naar boven wat verouderd is, en mist wat anders is geformuleerd. Feiten die elke sessie betrouwbaar aanwezig moeten zijn, zoals conventies, locaties van credentials en harde beperkingen, horen thuis in deterministisch geheugen: een bestand of record dat bij elke run wordt geladen. De meeste teams hebben eerst de saaie laag nodig en pas de semantische laag zodra de saaie laag overloopt.

Langetermijngeheugen

Langetermijngeheugen is de duurzame laag, en wordt van oudsher op drie manieren verdeeld, losjes ontleend aan de cognitiewetenschap. Episodisch geheugen registreert wat er gebeurd is: eerdere sessies, beslissingen en uitkomsten, nuttig voor "hebben we dit al eerder geprobeerd?" Semantisch geheugen slaat feiten en voorkeuren op: de stack van de gebruiker, de conventies van het project, het abonnement van de klant. Procedureel geheugen legt vast hoe je dingen doet, gecodeerd als geleerde instructies of updates die de agent in zijn eigen richtlijnbestanden schrijft. De lagen verschillen in hoe ze het best worden opgeslagen: episodische geschiedenis past bij append-only logs met semantisch zoeken erover, semantische feiten passen bij gestructureerde records met expliciete updates, en procedurele kennis past bij geversioneerde instructiebestanden die mensen kunnen reviewen. Wat een van deze "langetermijn" maakt, is overleven over sessies heen plus een retrievalpad terug de context in, want een herinnering die nooit wordt opgehaald, kan net zo goed niet bestaan.

FAQ

Hebben LLM's ingebouwd geheugen? Nee. Een large language model onthoudt niets tussen API-aanroepen; de gewichten liggen vast en de context wordt weggegooid. Productfuncties die als geheugen worden verkocht, zowel in ChatGPT als Claude, zijn technische lagen die informatie extern opslaan en later opnieuw in prompts invoegen.

Wat is het verschil tussen agentgeheugen en het contextvenster? Het contextvenster is wat het model op dit moment kan zien, en het is de enige plek waar geheugen bruikbaar wordt. Agentgeheugen is de machinerie die beslist wat een plek in dat venster verdient: wat wordt opgeslagen als het venster vol is of de sessie eindigt, en wat later wordt teruggeladen. Die selectiviteit is ook een economische beslissing: Mem0's benchmarks van 2025 lieten zien dat een speciale geheugenlaag 91% lagere p95-latentie oplevert en meer dan 90% van de tokenkosten bespaart, vergeleken met het invoeren van de volledige gespreksgeschiedenis in de context [3].

Hoe voorkom je dat agentgeheugen na verloop van tijd verslechtert? Behandel het als data met een levenscyclus. Leg herkomst en datums vast bij items, geef de voorkeur aan het bijwerken van een feit boven het toevoegen van een tegenspraak, snoei volgens een schema, en houd door mensen te reviewen geheugen (bestanden onder versiebeheer) aan voor alles wat het gedrag van de agent stuurt.

Bronnen

1. Maharana et al. (arXiv). "LoCoMo-benchmark: LLM-agents blijven achter bij mensen in het herinneren van context in zeer lange gesprekken van gemiddeld 300 beurten." https://arxiv.org/abs/2402.17753. Geraadpleegd augustus 2026.
2. Mem0 (arXiv). "Mem0 behaalt een relatieve verbetering van 26% ten opzichte van de geheugenfunctie van OpenAI op de LOCOMO-benchmark." https://arxiv.org/abs/2504.19413. Geraadpleegd augustus 2026.
3. Mem0 (arXiv). "Speciale geheugenlaag levert 91% lagere p95-latentie en meer dan 90% tokenkostenbesparing op ten opzichte van volledige gespreksgeschiedenis." https://arxiv.org/abs/2504.19413. Geraadpleegd augustus 2026.