IronEngine: Towards General AI Assistant

Dit artikel introduceert IronEngine, een geavanceerd AI-assistentplatform dat via een geünificeerde orchestratiekern en een drie-fasenpipeline planning en uitvoering scheidt, waardoor het een robuuste basis vormt voor algemene persoonlijke assistenten en automatiseringsframeworks.

De kern

Stel je voor dat je een superintelligente assistent wilt die niet alleen met je kan praten, maar ook echt werk voor je kan doen: bestanden verplaatsen, op het internet zoeken, e-mails schrijven en zelfs je computerbediening overnemen.

De meeste huidige AI's zijn als een enorme, maar eenzame genie. Ze kunnen heel goed denken, maar als je ze vraagt om iets te doen, raken ze vaak in de war, maken ze fouten of weten ze niet precies welk gereedschap ze moeten pakken.

IronEngine is een nieuw systeem dat dit probleem oplost. Het is geen enkel "genie", maar eerder een slimme fabriek of een hoogwaardig orkest dat samenwerkt om taken te voltooien. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Drie-Fase Systeem: De "Bouwplaat"

In plaats van dat één AI alles in één keer doet (denken, controleren en doen), splitst IronEngine het werk op in drie duidelijke fases, net zoals bij het bouwen van een huis:

• Fase 1: De Architect en de Inspecteur (Discussie)
  • De Architect (een slimme AI) bedenkt een plan: "We moeten eerst dit bestand verplaatsen, dan zoeken op het web."
  • De Inspecteur (een andere AI) kijkt kritisch naar dit plan. Hij zegt: "Wacht, je hebt geen internetverbinding gebruikt om de prijs te checken, dat is gevaarlijk!" of "Je bent vergeten om de map te maken."
  • Ze praten met elkaar tot het plan perfect is. Pas dan gaat het verder. Dit voorkomt dat de AI halverwege vastloopt of domme fouten maakt.
• Fase 2: De Wissel (Model Switch)
  • Stel je voor dat de Architect en de Inspecteur zware, dure machines zijn die veel stroom (computergeheugen) nodig hebben. De Uitvoerder (die het werk doet) is een lichtgewicht machine.
  • IronEngine is slim genoeg om de zware machines uit te schakelen en de lichte machine in te schakelen zodra het plan klaar is. Dit bespaart veel energie en ruimte op je computer, zodat het op een gewone laptop kan draaien.
• Fase 3: De Uitvoerder (Actie)
  • Nu komt de Uitvoerder in actie. Hij pakt het goedgekeurde plan en voert het uit: klikt hier, typt daar, downloadt dat bestand. Hij doet dit stap voor stap en meldt terug als iets misgaat.

2. De "Vertaler" en de "Gereedschapskist"

Een groot probleem met AI's is dat ze soms de naam van een gereedschap verwarren. Ze denken dat ze een "hamer" moeten gebruiken, terwijl ze eigenlijk een "schroevendraaier" nodig hebben.

• De Slimme Vertaler: IronEngine heeft een systeem dat 130+ verschillende manieren waarop een AI een gereedschap kan noemen, omzet naar de juiste naam. Als de AI zegt "zoek op Google", "blader door het web" of "vraag aan Bing", begrijpt het systeem dat dit allemaal hetzelfde is: Zoeken.
• De 24 Gereedschapskisten: Het systeem heeft niet één gereedschap, maar 24 verschillende categorieën: van bestanden verplaatsen en e-mails sturen, tot het analyseren van video's en het bedienen van je bureaublad-applicaties (zoals WeChat of Excel).

3. Het Geheugen: Een Dagboek in plaats van een Schrijfbord

De meeste AI's hebben een kort geheugen. Zodra je het gesprek afsluit, vergeet ze alles. IronEngine heeft een hiërarchisch geheugen:

• Het onthoudt niet alleen wat je gezegd hebt, maar ook of het een goed idee was.
• Het maakt elke dag een samenvatting van wat er gebeurd is.
• Als je een taak vaak goed doet, leert het systeem dit als een "vaardigheid" (een skill). De volgende keer dat je iets soortgelijks vraagt, hoeft de AI niet meer na te denken; het pakt gewoon de opgeslagen instructie en voert het uit. Het wordt dus steeds slimmer en sneller naarmate je het gebruikt.

4. Veiligheid: De "Kinderveilige" Schakelaar

Omdat de AI je computer kan besturen, moet het veilig zijn.

• Toestemming: Als de AI iets risicovers wil doen (zoals een bestand verwijderen of een website bezoeken), vraagt hij eerst: "Mag ik dit doen?"
• Zandbak: De AI werkt in een beveiligde omgeving. Als hij per ongeluk een commando invoert dat je computer kan beschadigen, wordt dit geblokkeerd voordat het gebeurt.
• Privé: Alles gebeurt op jouw eigen computer. Geen enkele data verlaat je huis naar een grote server in de cloud. Je privacy is gewaarborgd.

Waarom is dit belangrijk?

Vroeger moest je kiezen tussen:

1. Een gemakkelijke, maar beperkte AI (zoals ChatGPT) die alleen kan praten en niet veel kan doen op je computer.
2. Een krachtige, maar onbetrouwbare AI die veel kan, maar vaak fouten maakt en veel stroom kost.

IronEngine combineert het beste van beide werelden. Het is een systeem dat zorgt dat je computer veilig, privé en slim wordt aangestuurd, zelfs als je geen dure supercomputer hebt. Het is alsof je een ervaren projectmanager hebt die een team van gespecialiseerde werknemers leidt, in plaats van één werknemer die alles probeert te doen en faalt.

Kortom: IronEngine maakt AI niet alleen "slimmer", maar vooral betrouwbaarder en bruikbaarder voor het echte werk in je dagelijkse leven.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "IronEngine: Towards General AI Assistant" in het Nederlands.

Titel: IronEngine: Naar een Algemene AI-assistent

Auteur: Xi Mo (NiusRobotLab)
Datum: Maart 2026

---

1. Het Probleem

Het paper identificeert vijf fundamentele systemische problemen in de huidige generatie AI-assistenten en agent-systemen:

1. Fragmentatie: AI-assistenten bestaan vaak als geïsoleerde eindpunten (bijv. een webinterface voor ChatGPT, een CLI-tool voor Claude Code, een IDE-plugin voor Cursor). Gebruikers moeten schakelen tussen verschillende tools met verschillende modellen en contextvensters om complexe taken (zoals bestandsbeheer, webzoekopdrachten en desktop-automatisering) uit te voeren. Er ontbreekt een uniek orchestratiekern dat deze capaciteiten consolideert.
2. De Single-Model Bottleneck: De meeste systemen vertrouwen op één enkel model voor alle cognitieve taken (planning, evaluatie, uitvoering). Dit creëert een spanning: grote modellen zijn goed in redeneren maar inefficiënt voor simpele taken, terwijl kleine modellen efficiënt zijn maar moeite hebben met complexe planning. Er is weinig ondersteuning voor heterogene modeltoewijzing op consumer-hardware.
3. Het Ephemere (Tijdelijke) Assistent-probleem: Huidige assistenten zijn vaak stateloos tussen sessies. Ze hebben geen persistent geheugen voor geleerde vaardigheden, voorkeuren of domeinkennis, waardoor gebruikers context telkens opnieuw moeten uitleggen.
4. De Uitdaging van Lokale Implementatie: Privacygevoelige taken vereisen lokale inferentie, maar dit introduceert uitdagingen zoals VRAM-beperkingen (Video RAM) en het beheer van verschillende modelarchitecturen op één GPU.
5. Het Tool-Integratieprobleem: Er is geen uniforme distributielaag voor tools. Modellen maken vaak fouten bij het specificeren van tool-types (bijv. "cli" in plaats van "file_ops" voor bestandsbewerkingen), en systemen falen vaak zonder automatische correctie of alias-normalisatie.

---

2. Methodologie en Architectuur

IronEngine is een systeem-georiënteerd platform dat deze problemen aanpakt via een vier-laags architectuur en een driefasige pijplijn.

A. Driefasige Pijplijn (Three-Phase Pipeline)

In plaats van één doorlopende inferentie, splitst IronEngine taken in drie gescheiden fasen om planning en uitvoering te ontkoppelen:

1. Fase 1: Discussie (Planning & Review):
   • Een Planner-model genereert een taakoplossingsplan.
   • Een Reviewer-model evalueert dit plan op kwaliteit, hallucinaties en haalbaarheid.
   • Als de kwaliteit onder een drempelwaarde valt, krijgt de Planner feedback en wordt het plan herzien (tot maximaal 3-5 rondes).
   • Voordeel: Kwaliteitsborging voordat er daadwerkelijk acties worden ondernomen.
2. Fase 2: Modelwissel (Model Switch):
   • Zodra het plan is goedgekeurd, worden de Planner en Reviewer uit het VRAM van de GPU verwijderd.
   • Een gespecialiseerd Executor-model (vaak kleiner en sneller) wordt geladen om de tools uit te voeren.
   • Dit maakt het mogelijk om grotere modellen voor planning en kleinere voor uitvoering te gebruiken op één GPU (VRAM-bewust beheer).
3. Fase 3: Uitvoering (Execution):
   • De Executor voert de goedgekeurde plannen uit via een Tool Router.
   • De uitvoering is iteratief: tool-resultaten worden teruggevoerd naar de Executor voor de volgende stap totdat de taak voltooid is.

B. Sleutelcomponenten

• Intelligente Tool Routing: Een systeem met 24 tool-categorieën dat alias-normalisatie (meer dan 130 varianten naar 24 canonieke types) en automatische foutcorrectie toepast. Als een model de verkeerde tool kiest, corrigeert het systeem dit op basis van de instructie-inhoud.
• Hiërarchisch Geheugen (MemoMap): Geen simpele chatgeschiedenis, maar een gestructureerd systeem met vier niveaus: sessie-inzendingen, pijplijn-uitvoeringen, dagelijkse samenvattingen en verfijnde langetermijnkennis. Het gebruikt een dubbele merge-strategie (snelle deduplicatie en model-gestuurde consolidatie) en integreert gebruikersbeoordelingen voor prioritering.
• Vectorized Skill Repository: Een ChromaDB-gebaseerde opslag voor herbruikbare procedures ("skills"). Succesvolle taken worden automatisch omgezet in nieuwe skills als ze nieuw genoeg zijn (gebaseerd op cosine-afstand) en hoog zijn beoordeeld.
• Adaptief Modelbeheer: Het systeem beheert 92 modelprofielen en past de contextgrootte en prompt-complexiteit aan op basis van de beschikbare VRAM en het modelformaat (Tiered Prompt System).
• MCP-Compatibiliteit: Ondersteuning voor het Model Context Protocol (MCP) voor het dynamisch ontdekken en integreren van externe tools.

---

3. Belangrijkste Bijdragen

1. Rolgescheiden Orchestration: IronEngine introduceert een formele kwaliteitspoort (Reviewer) die planning en uitvoering scheidt, wat ongebruikelijk is in bestaande frameworks die vaak op één model vertrouwen.
2. VRAM-bewust Heterogeen Beheer: Het vermogen om verschillende modellen (bijv. een 27B Planner en een 3.8B Executor) sequentieel te laden op consumer-hardware (zoals een RTX 3090) om complexe taken te plannen en uit te voeren zonder het geheugen te overbelasten.
3. Robuuste Tool-Integratie: De implementatie van een geavanceerde routering met automatische correctie en alias-normalisatie, wat de betrouwbaarheid van lokale modellen aanzienlijk verhoogt.
4. Lokaal Eerst met Persistente Intelligentie: Een volledig lokaal draaiend platform dat toch beschikt over een complex geheugensysteem en vaardigheidslering, wat privacy garandeert zonder functionaliteit in te leveren.
5. Observabiliteit: Een desktop-workbench die de denkprocessen (thinking blocks), tool-uitvoering en kwaliteitscores in real-time visualiseert, waardoor het "black box"-probleem van AI-agenten wordt opgelost.

---

4. Resultaten en Evaluatie

De auteurs hebben experimenten uitgevoerd op een workstation met een NVIDIA RTX 3090 (24 GB VRAM) met lokale modellen (Qwen3.5:27B, GPT-OSS:20B, Phi4-mini:3.8B).

• Bestandsbewerking Benchmark: IronEngine behaalde 100% correctheid (4/4 taken) bij het uitvoeren van complexe bestandsoperaties (zoals verplaatsen van bestanden met spaties in paden, hernoemen, wissen).
• Tijdsverdeling: De meeste tijd wordt besteed aan model-inferentie (70-80%), terwijl de daadwerkelijke tool-uitvoering minder dan 1% van de tijd kost. De modelwissel kost ongeveer 27 seconden.
• Kwaliteitsverbetering: De Reviewer verbeterde de planningskwaliteit aanzienlijk. Voor kleinere planners (14B) steeg de score van 0.10-0.20 naar 0.80-0.85 na feedback van de Reviewer.
• Tool Routing: Het systeem behaalde 100% nauwkeurigheid in tool-distributie dankzij de automatische correctie van foutieve tool-types door het model.
• Vergelijking: IronEngine presteert beter dan bestaande systemen (zoals OpenClaw, AutoGen, Cursor) op het gebied van tool-breedte (24 categorieën), geheugenstructuur en lokale implementatiecapaciteit.

---

5. Betekenis en Conclusie

IronEngine demonstreert dat de toekomst van algemene AI-assistenten niet alleen afhangt van het trainen van grotere modellen, maar van systemarchitectuur.

• Paradigmaverschuiving: Het paper stelt dat door rollen te scheiden (Planner, Reviewer, Executor) en slimme engineering toe te passen (VRAM-beheer, foutcorrectie), middelgrote open-source modellen op consumer-hardware bruikbare automatisering kunnen bieden.
• Privacy en Kosten: Het biedt een alternatief voor cloud-gebaseerde oplossingen, waarbij privacy gewaarborgd blijft en kosten worden verlaagd door lokale inferentie.
• Betrouwbaarheid: De architectuur lost het probleem van hallucinaties en foutieve tool-keuzes op door een formele kwaliteitscontrole en een robuuste distributielaag.

IronEngine positioneert zich niet als een concurrent van cloud-giganten, maar als een fundamenteel platform voor privacy-bewuste, aanpasbare en continu lerende AI-assistenten die volledig onder controle zijn van de gebruiker. Het vult de gaten in het huidige ecosysteem door diepe orchestration te combineren met lokale implementatie.