MAPLE: A Sub-Agent Architecture for Memory, Learning, and Personalization in Agentic AI Systems

Probleemstelling

Huidige Large Language Model (LLM) agenten hebben moeite om zich effectief aan te passen aan individuele gebruikers. De auteurs stellen dat dit fundamentele tekortkoming voortkomt uit een kritieke architecturale verwardheid: bestaande systemen behandelen geheugen (memory), leren (learning) en personalisatie als één geïntegreerde capaciteit.

In werkelijkheid zijn dit drie distincte mechanismen die verschillende infrastructuur vereisen, op verschillende tijdschalen opereren en baat hebben bij onafhankelijke optimalisatie:

• Geheugen: Verantwoordelijk voor opslag en ophalen (infrastructuur).
• Leren: Verantwoordelijk voor het extraheren van intelligentie uit interacties (asynchroon).
• Personalisatie: Verantwoordelijk voor het toepassen van geleerde kennis in real-time binnen de beperkte context van een sessie.

Het vermengen van deze taken leidt tot systemen die wel informatie opslaan, maar geen patronen herkennen of zich niet dynamisch aanpassen, wat resulteert in generieke en teleurstellende antwoorden voor verschillende gebruikersprofielen.

Methodologie: Het MAPLE-Frame

De auteurs stellen MAPLE (Memory-Adaptive Personalized LEarning) voor, een architectuur die deze drie capaciteiten decomposeert in gespecialiseerde sub-agenten met eigen tools en interfaces.

1. Memory (M) - Opslaginfrastructuur:

   • Functie: Verantwoordelijk voor het opslaan en ophalen van data (feiten, voorkeuren, interactiegeschiedenis).
   • Mechanisme: Werkt als een passieve "pakhuis". Het bepaalt niet wat opgeslagen moet worden of hoe het toegepast wordt.
   • Implementatie: Ondersteunt verschillende vormen van geheugen (token-level, parametrisch, latent) en structuren (vlak, planair, hiërarchisch). Het paper pleit voor expliciete, bewerkbare gebruikersmodellen in plaats van ondoorzichtige parametrische aanpassingen.

2. Learning (L) - Intelligentie-extractie:

   • Functie: Analyseert interacties om inzichten te extraheren, patronen te identificeren en generaliseerbare strategieën af te leiden.
   • Mechanisme: Werkt asynchroon op de achtergrond (na een sessie of bij specifieke triggers). Het gebruikt symbolische leerprocessen (LLM-analyse van logs) in plaats van het updaten van neurale netwerkgewichten. Dit voorkomt "catastrophic forgetting" en zorgt voor transparantie.
   • Output: Het schrijft gestructureerde inzichten (bijv. "Gebruiker X prefereert code-voorbeelden") terug naar het geheugen.

3. Personalization (P) - Real-time Adaptatie:

   • Functie: Past het gedrag van de agent aan op basis van de huidige gebruiker en context.
   • Mechanisme: Werkt in de request-pas (real-time). Het haalt relevante context op uit het geheugen, assembleert deze in de prompt en stuurt de generatie aan.
   • Strategie: Gebruikt "Context Engineering" om de beperkte contextwindow optimaal te benutten door alleen relevante voorkeuren te selecteren en conflicten op te lossen.

Architectuurprincipe: De systemen opereren als een gesloten lus: Geheugen levert data aan Personalisatie, Personalisatie genereert een antwoord, Feedback wordt verwerkt door Leren, en Leren schrijft nieuwe inzichten terug naar Geheugen.

Belangrijkste Bijdragen

• Architecturale Decompositie: Het introduceren van een principieel onderscheid tussen opslag, analyse en toepassing als drie aparte sub-agenten. Dit stelt systemen in staat om lage latentie (voor personalisatie) te combineren met diepgaande analyse (voor leren).
• Symbolisch Leren: Een aanpak waarbij inzichten worden opgeslagen als gestructureerde feiten in externe databases in plaats van in modelgewichten, wat transparantie, bewerkbaarheid en continuïteit garandeert.
• MAPLE-Personas Benchmark: Een nieuw evaluatiekader met 150 synthetische gebruikersprofielen (met unieke combinaties van demografische en gedragskenmerken) om proactieve personalisatie te testen over meerdere draai-omwentelingen heen.
• Context Engineering: Een methodologie om "context rot" (verwarring door irrelevante of tegenstrijdige data in de prompt) te voorkomen door selectieve ophaling en hiërarchische compressie.

Resultaten

De evaluatie op de MAPLE-Personas benchmark toont aanzienlijke verbeteringen ten opzichte van een stateless baseline (zonder persistent geheugen of leren):

• Personalisatie Score: Een stijging van 4.17 naar 4.78 (op een schaal van 1-5), wat een verbetering van 14,6% betekent. Dit is statistisch significant ($p < 0.01$).
• Trait Incorporation Rate: Het percentage van de relevante gebruikerskenmerken dat succesvol in het antwoord wordt verwerkt, steeg van 45% naar 75%.
• Perfecte Scores: Het percentage antwoorden met een perfecte personalisatie-score (5/5) steeg drastisch van 15% naar 88%.
• Effectgrootte: Cohen's $d = 0.95$, wat wijst op een zeer groot praktisch effect.

Kwalitatieve analyses tonen aan dat MAPLE-antwoorden meerdere gebruikerskenmerken synthetiseren (bijv. rekening houden met kinderen, huisdieren en stadswonen tegelijkertijd), terwijl baselines generieke, trendgebaseerde antwoorden geven.

Betekenis en Conclusie

Het paper concludeert dat de huidige beperkingen van agenten niet liggen in de capaciteit van de LLM zelf, maar in de architecturale integratie van adaptieve mechanismen. Door Memory, Learning en Personalization te scheiden, kunnen systemen:

1. Genuanceerd leren: Ze kunnen patronen extraheren zonder het risico van het overschrijven van bestaande kennis (catastrophic forgetting).
2. Real-time aanpassen: Ze kunnen direct inspelen op de specifieke context van de gebruiker zonder de latentie te verhogen door complexe achtergrondprocessen.
3. Transparant zijn: Gebruikers kunnen hun opgeslagen voorkeuren inspecteren en corrigeren.

MAPLE biedt een blauwdruk voor de volgende generatie AI-agenten die niet alleen "onthouden" (retrieval), maar echt "leren en aanpassen" (adaptation), waardoor ze van generieke tools veranderen in persoonlijke assistenten die begrijpen wie de gebruiker is en wat deze nodig heeft.