AI-agenten krijgen een geheugen dat blijft groeien
De meeste AI-agenten lijken slim, maar hebben één fundamenteel probleem: ze maken dezelfde fouten keer op keer. Hoewel ze tijdens iedere interactie waardevolle informatie verzamelen, verdwijnt die kennis vaak zodra de sessie eindigt. Er ontstaat wel een spoor van gebeurtenissen, maar geen blijvende ervaring.
Tijdens een technische demonstratie laat Jake Broekhuizen zien hoe dat anders kan. Met LangSmith Engine en Context Hub ontstaat een architectuur waarin AI-agenten niet alleen taken uitvoeren, maar zichzelf voortdurend verbeteren. Het resultaat is een AI-systeem dat leert zoals mensen dat doen: door ervaringen op te slaan, ervan te leren en het gedrag structureel aan te passen.
Waarom de meeste AI-agenten blijven struikelen
Veel moderne AI-agenten beschikken over indrukwekkende redeneervermogens, maar missen een duurzaam geheugen. Ze onthouden informatie slechts tijdelijk, waardoor eerder gemaakte fouten eenvoudig terugkeren.
Iedere interactie levert wel data op in de vorm van zogenaamde traces: gedetailleerde logboeken van alle beslissingen die een agent neemt. Zonder een mechanisme om deze gegevens te analyseren en om te zetten in blijvende kennis, blijven deze sporen echter ongebruikt.
Volgens Broekhuizen ligt daar precies de grootste beperking van de huidige generatie AI-agenten.
Het verschil tussen werkgeheugen en langetermijngeheugen
Net als mensen beschikken AI-agenten over verschillende soorten geheugen.
Werkgeheugen
Het werkgeheugen bevat uitsluitend informatie die nodig is tijdens een actieve sessie. Zodra de taak is afgerond, verdwijnt deze context weer.
Langetermijngeheugen
Veel interessanter is het langetermijngeheugen. Hierin kunnen ervaringen, voorkeuren, regels en opgedane kennis blijvend worden opgeslagen.
Tijdens de presentatie wordt uitgelegd dat dit langetermijngeheugen uit meerdere lagen bestaat. Iedere laag heeft een eigen functie, variërend van gebruikersvoorkeuren tot algemene gedragsregels en domeinspecifieke kennis.
Juist deze gelaagde structuur maakt voortdurende verbetering mogelijk.
Een continue lees- en schrijflus
De kern van het systeem is een permanente feedbackcyclus.
De AI-agent leest bestaande kennis uit zijn geheugen voordat hij een taak uitvoert. Tijdens het uitvoeren ontstaan nieuwe inzichten. Die worden vervolgens geëvalueerd en – indien waardevol – opnieuw opgeslagen als permanente kennis.
Daardoor ontstaat een gesloten leercyclus:
- bestaande kennis gebruiken;
- nieuwe ervaringen verzamelen;
- fouten analyseren;
- geheugen actualiseren;
- beter presteren bij volgende opdrachten.
In plaats van iedere sessie opnieuw te beginnen, groeit de agent stap voor stap uit tot een steeds betere assistent.
Context Hub wordt de centrale kennisbank
Binnen deze architectuur fungeert Context Hub als de centrale opslagplaats voor alle blijvende kennis.
In plaats van losse geheugenbestanden lokaal op te slaan, worden alle contextregels versiebeheerbaar opgeslagen. Dat biedt verschillende voordelen:
- wijzigingen zijn volledig traceerbaar;
- meerdere ontwikkelaars kunnen samenwerken;
- eerdere versies blijven beschikbaar;
- geheugen kan gecontroleerd worden aangepast.
Hierdoor verandert AI-geheugen van een onzichtbare interne functie in een beheersbare kennisdatabase.
LangSmith Engine ontdekt fouten automatisch
Waar Context Hub de kennis bewaart, zorgt LangSmith Engine voor de kwaliteitscontrole.
De Engine analyseert automatisch alle productietraces van een AI-agent en zoekt patronen die op problemen wijzen.
Dat kunnen uiteenlopende zaken zijn, zoals:
- terugkerende fouten;
- ongewenste woordkeuzes;
- inefficiënte antwoorden;
- inconsistent gedrag;
- overtredingen van ingestelde richtlijnen.
Tijdens de demonstratie ontdekt Engine bijvoorbeeld dat de financiële assistent NOVA regelmatig ongewenste stopwoorden gebruikt. Zonder handmatig speurwerk wordt dit probleem automatisch gesignaleerd.
Van foutdetectie naar automatische verbetering
De echte innovatie zit niet in het vinden van fouten, maar in het oplossen ervan.
Zodra LangSmith Engine een probleem identificeert, kan direct een wijziging worden voorgesteld voor het geheugen in Context Hub.
Na goedkeuring wordt de nieuwe gedragsregel opgeslagen. Bij volgende gesprekken raadpleegt de AI-agent deze bijgewerkte kennis automatisch.
De demonstratie laat zien hoe dezelfde fout daarna niet meer voorkomt. De agent heeft daadwerkelijk geleerd van eerdere ervaringen.
NOVA toont hoe zelfverbeterende AI werkt
Als praktijkvoorbeeld wordt de financiële AI-assistent NOVA opgebouwd.
De demonstratie verloopt stap voor stap:
- een lokale Deep Agent wordt ontwikkeld;
- een Context Hub-repository wordt aangemaakt;
- alle agenttraces worden gekoppeld aan LangSmith;
- GitHub en Context Hub worden verbonden met Engine;
- Engine analyseert automatisch alle interacties;
- gevonden verbeterpunten worden voorgesteld;
- geheugenregels worden bijgewerkt;
- de nieuwe versie wordt opnieuw getest.
Hiermee ontstaat een volledig geautomatiseerde verbetercyclus waarin AI zichzelf continu verfijnt.
Van statische chatbot naar lerende digitale collega
De demonstratie maakt duidelijk dat de volgende generatie AI-agenten veel verder gaat dan traditionele chatbots.
In plaats van telkens dezelfde fouten te maken, ontwikkelen deze systemen een groeiend kennisarchief dat steeds rijker wordt naarmate ze meer taken uitvoeren.
Voor organisaties betekent dit minder handmatig onderhoud, consistenter gedrag en AI-oplossingen die zich aanpassen aan veranderende processen zonder telkens opnieuw geprogrammeerd te hoeven worden.
Zelfverbeterende AI verschuift daarmee van onderzoeksconcept naar praktische technologie die klaar is voor productieomgevingen.
|
EngineLangSmith Engine analyzes production traces, groups related failures, and recommends fixes so your team can improve agent quality faster. |
