💬 NLP

Semantic XPath: Structured Agentic Memory Access for Conversational AI

Dit paper introduceert Semantic XPath, een boomgestructureerd geheugenmodule voor conversatieve AI die de prestaties aanzienlijk verbetert en de tokenkosten drastisch verlaagt ten opzichte van bestaande methoden, vergezeld van een gedetailleerd demonstratiesysteem.

Oorspronkelijke auteurs: Yifan Simon Liu, Ruifan Wu, Liam Gallagher, Jiazhou Liang, Armin Toroghi, Scott Sanner

Gepubliceerd 2026-03-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yifan Simon Liu, Ruifan Wu, Liam Gallagher, Jiazhou Liang, Armin Toroghi, Scott Sanner

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer slimme persoonlijke assistent hebt die je helpt met complexe taken, zoals het plannen van een reis, het beheren van je boodschappenlijstje of het organiseren van je werkprojecten. Deze assistent moet onthouden wat je eerder hebt gezegd, wat je hebt aangepast en hoe alles met elkaar samenhangt.

Dit artikel introduceert een nieuwe manier om dit "geheugen" van de assistent te bouwen, genaamd Semantic XPath. Hier is de uitleg in simpele taal, met wat creatieve vergelijkingen:

Het Probleem: De Drie Manieren om te Onthouden

Stel je voor dat je assistent een enorme stapel papieren heeft waarop alles staat wat je ooit hebt besproken. Hoe pakt hij die informatie op als je vraagt: "Voeg een koffiepauze toe aan de dag dat we vol zitten met conferenties"?

De Oude Manier (In-Context Memory): De "Alles-Lezen" Benadering
- Hoe het werkt: De assistent leest elke keer alles wat je ooit hebt gezegd, van de eerste zin tot nu, elke keer opnieuw.
- Het probleem: Het is als proberen een boek te lezen terwijl je de hele bibliotheek erbij moet houden. Het wordt snel te groot, te traag en de assistent raakt in de war. Na een paar gesprekken vergeet hij belangrijke details of maakt hij fouten omdat er te veel informatie is.
- Kosten: Het is ook heel duur (in termen van computerkracht en geld).
De Tussenweg (Flat RAG): De "Zoekmachine" Benadering
- Hoe het werkt: De assistent heeft een zoekmachine die zoekt naar woorden die lijken op je vraag. Hij pakt stukjes tekst die "conferentie" of "dag" bevatten.
- Het probleem: Hij mist de structuur. Hij ziet niet dat "dag 2" een onderdeel is van "reisplanning". Hij zou bijvoorbeeld een koffiepauze op de verkeerde dag kunnen zetten, omdat hij niet begrijpt dat de dagen hiërarchisch georganiseerd zijn. Het is alsof je in een rommelige kelder zoekt naar een specifiek gereedschap zonder te weten in welke kist het ligt.
De Nieuwe Manier (Semantic XPath): De "Bibliotheek met Indeling" Benadering
- Hoe het werkt: Dit is wat het papier voorstelt. Het geheugen is geen rommelige stapel, maar een strak georganiseerde boom (of een goed ingedeelde bibliotheek).
- De Magie: De assistent gebruikt een speciale taal (vergelijkbaar met een zoekopdracht in een computerbestand) om precies de juiste tak van de boom te vinden.
- Voorbeeld: Als je vraagt om een koffiepauze op de drukke dag, zoekt hij niet naar het woord "dag" overal. Hij kijkt eerst naar de structuur: Reis -> Dag 1, Dag 2, Dag 3. Dan kijkt hij welke dag het meeste "conferentie-inhoud" heeft en plakt de pauze daar direct bij.

Waarom is dit zo slim? (De Analogieën)

De Boomstructuur:
Stel je een familieboom voor. In de oude methoden moest de assistent door elke naam in de hele lijst bladeren om te zien wie de oom van wie is. Met Semantic XPath kan hij direct de tak "Oom" vinden en daar de specifieke persoon bekijken. Hij negeert alles wat niet relevant is.
De "Semantische" Zoekopdracht:
Normale zoekopdrachten zoeken naar exacte woorden. Deze nieuwe methode zoekt op betekenis.
- Vraag: "Voeg iets toe aan de dag die vol zit."
- Oude zoekmachine: Zoekt naar het woord "vol".
- Semantic XPath: Begrijpt dat "vol zitten" betekent dat er veel activiteiten op die dag staan. Hij telt de activiteiten op die dag en kiest de drukste. Het is alsof de assistent niet alleen leest, maar ook denkt over de structuur van je dag.

De Resultaten in Gewone Woorden

De onderzoekers hebben dit getest en de resultaten zijn indrukwekkend:

Veel Slimmer: De nieuwe methode is 176% beter dan de "Flat RAG" (de zoekmachine-methode) als het gaat om het juist beantwoorden van vragen.
Veel Goedkoper: Het gebruikt 91% minder computerkracht (tokens) dan de methode waarbij de assistent alles opnieuw moet lezen.
- Vergelijking: Als de oude methode een vrachtwagen vol papier nodig heeft om een boodschap te brengen, doet de nieuwe methode dit met een postzegel.
Stabiel: Bij lange gesprekken (veel wisselwerkingen) blijft de nieuwe methode even snel en accuraat. De oude methode wordt steeds trager en maakt meer fouten naarmate het gesprek langer duurt.

De Demo: "SemanticXpath Chat"

De auteurs hebben ook een live demo gebouwd (een soort spelletje) waar je kunt zien hoe dit werkt. Je ziet drie schermen:

Het gesprek: Wat jij zegt.
Het geheugen: Een visuele boom die laat zien hoe de assistent je reisplannen opslaat. Je ziet precies welke tak (bijv. "Dag 2") wordt geselecteerd.
De uitvoering: Een kijkje in de keuken die laat zien hoe de assistent de zoekopdracht stap voor stap uitvoert en waarom hij voor die specifieke dag koos.

Conclusie

Kortom: Semantic XPath is een manier om AI-assistenten te leren om niet alleen te "lezen", maar om te "begrijpen" hoe informatie gestructureerd is. Het maakt ze slimmer, sneller en goedkoper, zodat ze je kunnen helpen met complexe taken (zoals een reisplannen) zonder dat ze de draad kwijtraken of de hele wereldgeschiedenis hoeven te herlezen om een simpele vraag te beantwoorden.

Het is de overstap van een assistent die een rommelige notitieblok heeft, naar een assistent met een perfect georganiseerd, digitaal archief dat hij moeiteloos kan doorzoeken.

1. Het Probleem

Conversational AI (ConvAI) agents worden steeds vaker ingezet voor langdurige, taakgerichte interacties (zoals reisplanning, takenlijstbeheer of receptaanbevelingen). Voor deze taken is het essentieel dat de agent gestructureerd geheugen behoudt om conversatiegeschiedenis, revisies en hiërarchische taakartefacten te beheren. Bestaande benaderingen hebben echter aanzienlijke beperkingen:

In-context geheugen: Hierbij wordt de volledige conversatiegeschiedenis aan de input van het model toegevoegd. Dit schaalt slecht vanwege contextvensterlimieten, leidt tot hoge tokenkosten en latentie, en veroorzaakt vaak hallucinaties of slechte redeneerprestaties bij lange contexten. Experimenten tonen aan dat deze methode na slechts vijf interactierondes faalt bij de helft van de gebruikersverzoeken.
Flat RAG (Retrieval-Augmented Generation): Bestaande RAG-methoden halen relevante informatie op uit een "plat" verzameling geheugenitems. Ze negeren de natuurlijke hiërarchische structuur van het geheugen. Bijvoorbeeld: bij een reisplanning kan een plat systeem activiteiten van de verkeerde dag ophalen als de gebruiker vraagt om een koffiepauze op een dag met veel conferentiesessies, omdat het de dag-structuur niet begrijpt.

2. Methodologie: Semantic XPath

De auteurs stellen Semantic XPath voor, een module voor boomgestructureerd geheugen die een XPath-achtige querytaal gebruikt om alleen de relevante substructuren van het geheugen op te halen en bij te werken.

Kerncomponenten:

Data Model: Het geheugen wordt gemodelleerd als een gewortelde boom $T = (V, E, r)$ , waarbij knopen corresponderen met eenheid van conversatiestatus (bijv. Itinerary $\rightarrow$ Version $\rightarrow$ Day $\rightarrow$ POI). Een schema definieert de knoptypen en attributen.
Query Grammatica: De taal combineert traditionele XPath-navigatie met semantische relevantie. Een query bestaat uit stappen met:
- As-navigators: / (kinderen) en // (afstammelingen).
- Knopselectoren: Specifieke knoptypen of wildcards.
- Positieve selectoren: Voor het selecteren van specifieke indexen (bijv. dag 3).
- Semantische relevantie-operatoren: Dit is de innovatie. In plaats van exacte matches, worden scores toegekend op basis van semantische overeenkomst. Operatoren omvatten lokale matching ([node ≈ "string"]), aggregatie (avg, max, min over een subboom), en logische operatoren.
Query Executie: Een recursieve evaluatiefunctie traverseert de boom. Eerst worden knopen gefilterd op basis van navigatie en selectie, waarna semantische scores worden berekend. De hoogst gerankte knopen worden doorgegeven aan de generatiestap.

Voorbeeld:
Voor de vraag "Voeg een koffiepauze toe op de dag die volgepakt is met conferentiesessies", wordt de query vertaald naar:
//Day[avg(/POI[node~="conference"])]
Dit selecteert alle dagen, berekent de gemiddelde semantische dichtheid van conferentie-activiteiten per dag, en selecteert de dag met de hoogste score.

3. Belangrijkste Bijdragen

Semantic XPath Module: Een nieuw systeem voor het opslaan en ophalen van gestructureerd conversatiegeheugen dat hiërarchische relaties respecteert en semantische zoekopdrachten ondersteunt.
SemantXPATH Chat: Een end-to-end demo-systeem dat de interactie visualiseert, inclusief een "Conversation View", een "Memory View" (waar de relevante boomstructuur wordt gehighlight) en een "Execution View" (die de stap-voor-stap query-uitvoering en scores toont).
Empirisch Bewijs: Uitgebreide evaluaties tonen aan dat de methode superieur is aan bestaande baselines.

4. Resultaten

De prestaties zijn getest op drie scenario's: reisplanning, takenlijst en maaltijdpakketten, vergeleken met In-context memory en Flat RAG.

Prestatieverbetering: Semantic XPath presteert 176,7% beter dan Flat RAG-baselines op het gebied van pass-rate (het succesvol uitvoeren van de taak volgens de grondwaarheid).
Efficiëntie: Het systeem gebruikt slechts 9,1% van de tokens die nodig zijn voor de in-context memory-benadering.
Multi-turn Stabiliteit:
- In-context: De pass-rate daalt drastisch naarmate het aantal interactierondes toeneemt door de groeiende context.
- Semantic XPath: Houdt een stabiele pass-rate (vergelijkbaar met single-turn) omdat het alleen relevante data ophaalt.
- Tokengebruik: In-context memory toont een lineaire toename in tokenverbruik per ronde. Semantic XPath houdt het tokenverbruik stabiel en laag, ongeacht de lengte van de conversatiegeschiedenis.

5. Betekenis en Conclusie

Dit paper presenteert een kandidaat voor de volgende generatie langdurige, taakgerichte Conversational AI-systemen. De belangrijkste implicaties zijn:

Schalbaarheid: Door de afhankelijkheid van enorme contextvensters te doorbreken, kunnen agents veel langere en complexere taken ondersteunen zonder exponentieel stijgende kosten.
Structuur-bewustzijn: Het erkennen dat geheugen vaak hiërarchisch is (in plaats van plat) is cruciaal voor nauwkeurige redenering in complexe domeinen.
Ontwikkelkader: Semantic XPath biedt een praktisch raamwerk voor ontwikkelaars om efficiëntere, structuur-bewuste geheugensystemen te bouwen die zowel nauwkeurig als kosteneffectief zijn.

De auteurs benadrukken echter dat, hoewel de methode de relevantie en efficiëntie verbetert, het geen garantie biedt voor feitelijke juistheid en gebruikers voorzichtig moeten zijn in veiligheidskritieke contexten.