💻 computer science

Prism: An Evolutionary Memory Substrate for Multi-Agent Open-Ended Discovery

Het paper introduceert Prism, een evolutionair geheugensubstraat voor multi-agent AI-systemen dat vier paradigma's verenigt onder één raamwerk om open-ended ontdekking te bevorderen en aanzienlijk betere prestaties behaalt dan bestaande methoden.

Oorspronkelijke auteurs: Suyash Mishra

Gepubliceerd 2026-04-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Suyash Mishra

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

Prism: Het Evolutiegeheugen voor een Team van AI's

Stel je voor dat je een team hebt van slimme robot-assistenten die samenwerken om een heel moeilijk raadsel op te lossen, zoals het vinden van een nieuwe medicijn of het ontwerpen van een super-efficiënte stad. In het begin zijn ze slim, maar ze maken veel fouten en vergeten snel wat ze hebben geleerd.

Deze paper introduceert Prism. Dit is geen gewone opslagruimte voor data, maar een levend, evoluerend geheugen dat helpt dit team van robots (AI-agenten) om samen slimmer te worden dan ze alleen ooit zouden kunnen.

Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. De Drie Vloeren van het Huis (De "Tri-Partite Hub")

Stel je het geheugen van Prism voor als een groot, modern huis met drie verdiepingen. Niet alles mag op elke verdieping staan; het wordt gesorteerd op basis van hoe "belangrijk" en "herhaalbaar" de informatie is.

De Begane Grond (Vaardigheden/Skills): Dit is de kamer waar je altijd binnenkomt. Hier staan de dingen die de robots altijd moeten weten, zoals "hoe je een deur opent" of "de basisformules voor wiskunde". Dit zijn de lage-entropie, herhaalde dingen. Ze zijn compact en staan direct klaar.
De Eerste Verdieping (Notities/Notes): Hier staan interessante observaties. "Het regende gisteren," of "Die route leek sneller." Dit is informatie die je nodig hebt, maar alleen als je er specifiek naar vraagt. Het is niet altijd direct zichtbaar, maar wel beschikbaar.
De Zolder (Pogingen/Attempts): Dit is de rommelige zolder waar alle mislukte experimenten, oude schetsen en fouten liggen. Je komt hier alleen als je echt wilt weten waarom iets niet werkte. Het is ruwe data, vol met chaos (hoge entropie), maar soms zit er een goudmijn in.

Het slimme trucje: Prism gebruikt een slimme "deurwachter" (een entropie-poort) die beslist waar nieuwe informatie naartoe gaat. Als iets vaak voorkomt en nuttig is, gaat het naar de begane grond. Als het een eenmalige gedachte is, gaat het naar de zolder.

2. Het Kaartspel met Verwijzingen (Het Causale Graf)

In een normaal geheugen staan feiten los van elkaar. In Prism is alles verbonden met een levend kaartspel.

Elke keer als een robot iets doet, wordt er een lijntje getrokken in dit kaartspel.
Belangrijk: Er staat ook een naamplaatje bij elk lijntje. Je weet precies welke robot welke gedachte had.
Dit helpt het team om te zien: "Oh, Robot A probeerde dit en faalde, maar Robot B gebruikte diezelfde info en slaagde." Het voorkomt dat ze dezelfde fouten twee keer maken.

3. Het Hartslag-systeem (De Heartbeat)

Stel je voor dat het team een hartslag heeft. Dit systeem kijkt continu naar de prestaties.

Reflectie: Af en toe zegt het hartslag-systeem: "Stop even, laten we even nadenken over wat we zojuist hebben gedaan."
Consolidatie: Als er te veel losse notities zijn, zegt het: "Laten we deze notities samenvatten tot één sterke vaardigheid."
Redirection (De Draai): Als het hartslag-systeem merkt dat de robots al een tijdje vastlopen (geen vooruitgang), zegt het: "Stop met die route! We gaan een andere kant op." Het helpt hen om vast te zitten te voorkomen.

4. De Evolutie van het Geheugen (Replicator-Dynamiek)

Dit is het meest fascinerende deel. Prism behandelt herinneringen alsof het bacteriën zijn in een laboratorium.

Overleving van de fittest: Herinneringen die vaak worden gebruikt en leiden tot succes, worden "sterker" en blijven bestaan.
Verval: Herinneringen die nooit worden gebruikt of die leiden tot fouten, verzwakken en verdwijnen langzaam.
Mutatie: Soms wordt een herinnering een beetje aangepast om te zien of het nog beter werkt.

Op de lange termijn zorgt dit ervoor dat het geheugen van het team "stabiliseert" in de beste, meest efficiënte vorm. Het is alsof het geheugen zichzelf traint en selecteert.

5. Waarom werkt dit zo goed? (De Resultaten)

De auteurs hebben Prism getest op twee dingen:

Gesprekken: Het kon veel beter onthouden wat er eerder was gezegd dan andere systemen (zoals Mem0). Het was 31% beter in het beantwoorden van vragen over lange gesprekken.
Samenwerken: Toen ze 4 robots samen lieten werken met Prism, waren ze 2,8 keer sneller in het vinden van de beste oplossing dan als ze alleen werkten.

De kernboodschap:
Prism is niet zomaar een database. Het is een ecosysteem. Het zorgt ervoor dat een team van AI's niet alleen informatie opslaat, maar dat ze samenwerken, van elkaars fouten leren, en hun kennis continu "evoluëren" naar een slimmere, efficiëntere vorm. Het maakt van een groep individuele robots een super-intelligent team.

Titel: Prism: Evolutionaire Geheugen voor Multi-Agent Ontdekking

1. Het Probleem

Open-ended ontdekking (het aanhouden van een zoektocht naar nieuwe oplossingen voor problemen waarvoor voortgang iteratief, langetermijn en niet-voor de hand liggend is) vormt een centrale uitdaging voor autonome AI-systemen. Hoewel LLM-agenten superieure resultaten kunnen behalen op taken zoals wiskundige conjecturen en systeemengineering, missen huidige architecturen vaak drie cruciale voorwaarden voor succes:

Persistente geheugen over sessies heen.
Multi-agent samenwerking via gedeelde kennis.
Reflectieve consolidatie die ruwe ervaring omzet in herbruikbare vaardigheden.

Bestaande systemen (zoals Claude Code, Mem0, DeerFlow 2.0 en Coral) lossen deze problemen slechts gedeeltelijk op. Ze missen vaak een formeel raamwerk dat evolutionaire dynamiek, causale redenering en informatie-theoretische stratificatie verenigt.

2. Methodologie: De Prism Architectuur

Prism (Probabilistic Retrieval with Information-Stratified Memory) is een evolutionair geheugen-substraat dat vier paradigma's verenigt onder één besluitvormingsraamwerk. Het bestaat uit acht onderling verbonden subsystemen rondom een centraal tripartit hub (vaardigheden/notes/pogingen).

Kerncomponenten:

S1: Extractie Engine: Verwerkt elke interactie van agenten en past een vier-operatie protocol toe (Toevoegen, Updaten, Verwijderen, Geen-operatie) op de gedeelde opslag. Elke geheugenunit krijgt een agent-provenance tag ( $\alpha(m)$ ) voor kennis-traceerbaarheid.
S2: Entropie-gated Tri-Partit Hub: Geheugen wordt ingedeeld in drie niveaus op basis van Shannon-entropie ( $H(m)$ $H (m)$ ) en frequentie:
- Tier 1 (Vaardigheden/Skills): Lage entropie, hoge frequentie, compact en altijd geladen.
- Tier 2 (Notities/Notes): Gemiddelde entropie, contextafhankelijk, opgehaald via ANN (Approximate Nearest Neighbor).
- Tier 3 (Pogingen/Attempts): Hoge entropie, ruwe evaluatielogs, alleen opgehaald bij hoge Value-of-Information (VoI).
- Theorema 3.1 bewijst dat dit de tokenkosten binnen de contextvenster-begroting houdt.
S3: Causaal Geheugengrafiek: Een graaf $G = (V, E_r, E_c)$ met relationele en causale randen (annotatie met do-calculus operatoren). Dit stelt agenten in staat om kennis te traceren en exploratie-divergentie ( $D_{KL}$ ) tussen agenten te meten, wat de diversiteit van verkenning maximaliseert.
S4: Replicator-Verval Dynamiek: Dit is de theoretische kern. Geheugenvertrouwen wordt geherinterpreteerd als evolutionaire fitness.
- Fitness ( $f$ ) wordt bepaald door succesvolle retrievals.
- De evolutie volgt een vergelijking met replicator-selectie, temporale verval en mutatie.
- Theorema 3.3 bewijst dat het systeem convergeert naar een Evolutionair Stabiel Geheugen Set (ESMS), waarbij geen nieuwe "invasieve" geheugen de gemiddelde fitness van de populatie kan verbeteren.
S5: Evolutionaire VoI Retrieval: Een bandit-gebaseerde strategie-selector leert welke ophaalconfiguraties de beste uitkomsten opleveren, met bewezen regret-bounds (Theorema 3.5).
S6: AutoDream Consolidatie: Een proces dat notities distilleert tot vaardigheden en redundantie elimineert op basis van wederzijdse informatie.
S7: Hartslag-Controller (Heartbeat Controller): Monitort stagnatie via optimal stopping theory. Als de gemiddelde vertraging stagneert, worden interventies getriggerd: reflectie, consolidatie of strategische heroriëntatie (redirection) naar gebieden met het hoogste risico van inactiviteit.
S8: Prompt Samenstelling: Structureert de opgehaalde context in blokken voor Skills, Notities en Causale relaties.

3. Belangrijkste Bijdragen

De paper presenteert vijf hoofdcontributies:

Entropie-gated stratificatie: Een formeel mechanisme om geheugen toe te wijzen aan een tripartit hub op basis van informatie-inhoud, met bewezen grenzen voor contextvenster-gebruik.
Causale graaf met agent-provenance: Een graafstructuur met interventie-randen en agent-attributie voor multi-agent kennis-traceerbaarheid.
Zelf-evoluerende ophaalstrategie: Een Value-of-Information (VoI) beleid dat zijn eigen strategie selecteert via een bandit-algoritme.
Hartslag-gedreven consolidatie: Stagnatie-detectie via optimal stopping theorie die automatisch reflectie of heroriëntatie triggert.
Replicator-verval dynamiek: Een raamwerk dat geheugenvertrouwen koppelt aan evolutionaire fitness, met een wiskundig bewijs voor convergentie naar een Evolutionair Stabiel Geheugen Set (ESMS).

4. Resultaten

De evaluatie vond plaats op twee benchmarks:

LOCOMO (Conversatiegeheugen): Prism behaalde een score van 88.1 (LLM-as-a-Judge), wat een 31,2% verbetering is ten opzichte van de huidige state-of-the-art (Mem0). De grootste winst werd geboekt bij temporale queries (+26,6%), dankzij de causale graaf.
Evolutionaire Optimalisatie (Multi-Agent): Op taken zoals TSP (Traveling Salesman Problem), cirkelpacking en kernel-engineering presteerde een 4-agent Prism-systeem 2,8x beter dan single-agent baselines.
- Er was een sterke correlatie ( $r=0.89$ ) tussen kennishergebruik (knowledge reuse) en verbeteringssnelheid.
- Hogere exploratie-divergentie tussen agenten leidde tot betere dekking van de oplossingsruimte (correlatie $r=0.91$ ).
Ablatie-studie: Toonde aan dat voor conversatiegeheugen de causale graaf en VoI-retrieval het belangrijkst zijn, terwijl voor open-ended ontdekking multi-agent samenwerking en evolutionaire VoI de dominante factoren zijn.

5. Betekenis en Toekomstperspectief

Prism vertegenwoordigt een paradigmaverschuiving: van een passieve dataopslag naar een evolutionair kennis-ecosysteem.

Theoretische Unificatie: Het verbindt informatietheorie, Bayesiaanse inferentie en evolutionaire speltheorie in één formeel raamwerk.
Toepassingen: De architectuur is veelbelovend voor complexe domeinen zoals farmaceutische besluitvorming (bijv. het simuleren van markt-dynamieken via causale randen) en strategische planning.
Synergie met Coral: Prism biedt het formele substraat dat nodig is voor systemen zoals Coral, die empirisch al bewezen hebben dat autonome multi-agent evolutie werkt.

Beperkingen: Het systeem is afhankelijk van LLM-calls voor extractie en causale identificatie (wat kosten en fouten met zich meebrengt), en de bewezen convergentie naar een ESMS garandeert niet de uniciteit van de oplossing (meerdere stabiele toestanden zijn mogelijk).

Conclusie: Prism biedt een wiskundig onderbouwde basis voor AI-agenten die niet alleen "onthouden", maar hun geheugen actief laten evolueren, aanpassen en verbeteren via natuurlijke selectie-dynamiek, wat essentieel is voor langetermijn, open-ended ontdekking.