💬 NLP

SelfMem: Self-Optimizing Memory for AI Agents

Het artikel introduceert SelfMem, een zelfoptimaliserend geheugenframework dat AI-agenten in staat stelt om autonoom hun eigen geheugenstrategieën te verkennen en te verfijnen door middel van feedback uit de omgeving, waarmee het bestaande fixed-memory baselines aanzienlijk overtreft over diverse long-context taken.

Oorspronkelijke auteurs: Shu Yang, Junchao Wu, Derek F. Wong, Di Wang

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shu Yang, Junchao Wu, Derek F. Wong, Di Wang

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 gesprek probeert te voeren met een zeer intelligente vriend die een bibliotheek aan boeken heeft gelezen. Het probleem is dat je vriend een "kortetermijngeheugen" heeft dat slechts een paar pagina's tegelijk kan vasthouden. Als je urenlang praat, begint hij te vergeten wat je aan het begin hebt gezegd, of raakt hij in de war omdat hij niet alle details in zijn hoofd kan passen.

Huidige AI-assistenten zijn als deze vriend. Ze worden steeds beter in het lezen van lange teksten, maar ze worstelen nog steeds met het onthouden van belangrijke details van het begin van een zeer lang gesprek zonder overweldigd te raken of fouten te maken.

De Oude Manier: De Starre Archiefkast

De meeste AI-geheugensystemen werken vandaag de dag als een strenge bibliothecaris die een vast regelboek volgt.

Hoe het werkt: Ongeacht waar je het over hebt, duwt de bibliothecaris elk gesprek automatisch in een specifiek type map, vat het op een specifieke manier samen en haalt de "belangrijkste" pagina's eruit op basis van een vooraf ingestelde formule.
Het Probleem: Dit is alsof je een chaotische keuken probeert te organiseren met slechts één type lade. Soms heb je een kruidenrek nodig, soms een diepvries, en soms gewoon een briefje met een plakstrip. Een rigide systeem dwingt alles in dezelfde doos, wat er vaak toe leidt dat belangrijke details verloren gaan of dat er nutteloze rommel wordt bewaard.

De Nieuwe Manier: SelfMem (De Agent leren vissen)

Het paper introduceert SelfMem, wat het spel verandert. In plaats van de AI een vast regelboek te geven, geven de onderzoekers de AI een gereedschapskist en een spiegel.

Zie SelfMem als het aanleren van "hoe te vissen" in plaats van de AI alleen een vis te geven.

De Naakte Waarheid: De AI houdt de volledige, onbewerkte gesprekshistorie (het "transcript") veilig in een database, zoals een opname van de hele chat. Het verwijdert nooit de originele bron.
De Gereedschapskist: De AI krijgt een set gereedschappen. Deze kan:
- Lezen: Het opname scannen om specifieke feiten te vinden.
- Schrijven: Een samenvatting of een "spiekbriefje" maken van wat belangrijk is.
- Beoordelen: Zijn eigen spiekbriefje controleren om te zien of het accuraat is of dat er iets ontbreekt.
- Corrigeren: Als het spiekbriefje fout of verouderd is, kan de AI het bewerken.
De Feedbackloop: De AI krijgt signalen zoals "Deze samenvatting is te lang", "Je bent een datum vergeten" of "Dit feit is nog steeds nuttig". Op basis van deze signalen beslist de AI zelf wat hij bijhoudt, wat hij weggooit en hoe hij zijn geheugen organiseert.

Hoe het in de praktijk werkt

Stel je voor dat je met deze AI praat over het kopen van sneakers gedurende meerdere dagen.

De Oude Manier: Het systeem zou elke chat automatisch samenvatten als "Gebruiker houdt van schoenen". Het zou kunnen vergeten dat je specifiek maat 45 wilde of dat je een budget van €100 noemde.
SelfMem:
- De AI leest het transcript en ziet dat je "maat 45" en "budget" hebt genoemd.
- De AI besluit een specifieke notitie te schrijven: "Gebruiker: Maat 45, Budget €100."
- Later noem je een nieuwe schoen. De AI controleert zijn notitie, ziet het budget en realiseert zich dat de nieuwe schoen te duur is.
- Als je van gedachten verandert en zegt: "Eigenlijk heb ik nu €150", update de AI zijn notitie onmiddellijk.
- Als een detail slechts een eenmalige gebeurtenis is (zoals "Ik zag vandaag een rode auto"), besluit de AI dit niet op te schrijven, waardoor er ruimte wordt bespaard voor belangrijkere zaken.

De Resultaten: Beter, Goedkoper en Slimmer

De onderzoekers hebben dit getest op een enorme benchmark genaamd BEAM, die gesprekken simuleert variërend van 100.000 tot 1.000.000 woorden (dat is alsof je meerdere dikke romans in één chat leest).

Prestaties: SelfMem scoorde aanzienlijk hoger dan alle andere methoden. Het was beter in het beantwoorden van vragen over feiten, tijdlijnen en voorkeuren, zelfs na een miljoen woorden aan gesprek.
Efficiëntie: Het werkte niet alleen beter, het werkte ook goedkoper. Andere methoden probeerden het probleem op te lossen door meer computerkracht en dure tools te gebruiken (zoals het scannen van elk woord met complexe algoritmen). SelfMem was slimmer in wat het scant, wat geld en tijd bespaart.
Flexibiliteit: Het werd niet alleen beter op één type vraag. Het verbeterde over de hele linie, of de vraag nu ging over "Wat zei ik gisteren?" of "Wat is mijn lievelingskleur?".

De Kernboodschap

SelfMem dwingt de AI niet om alles te onthouden of niets te onthouden. In plaats daarvan geeft het de AI de vrijheid om te leren hoe hij zijn eigen geheugen beheert. Door de AI toe te staan het verleden te inspecteren, zijn eigen aantekeningen te maken en zijn eigen fouten te corrigeren, creëert het een systeem dat adaptiever, nauwkeuriger en efficiënter is dan enig rigide, vooraf geprogrammeerd geheugensysteem dat we tot nu toe hebben gehad.

Kortom: Vertel de AI niet wat hij moet onthouden; geef hem de tools om uit te zoeken hoe hij het beste kan onthouden.

Technische Samenvatting: SelfMem: Zelf-optimaliserend Geheugen voor AI-agenten

1. Probleemstelling

Naarmate AI-agenten meer capaciteiten krijgen in het verwerken van lange contexten, meerstapsplanning en het gebruik van tools, worden zij geconfronteerd met toenemende eisen om gebruikersvoorkeuren, projectachtergronden en feitelijke details over uitgebreide interacties heen te behouden. Bestaande geheugenframeworks (bijv. LoCoMo, MemGPT, MemoryBank, A-Mem) vertrouwen doorgaans op vaste opslag-, ophaal- en samenvattingsmechanismen. Deze systemen maken vaak gebruik van handmatig gespecificeerde strategieën om historische kennis te construeren, bij te werken en op te halen.

De kernbeperking die wordt geïdentificeerd, is dat deze vooraf gedefinieerde structuren rigide zijn voor verschillende taken. Hoewel methoden zoals A-Mem agenten in staat stellen om geheugens te schrijven en te indexeren, blijft de fundamentele uitdaging: verschillende taken en gesprekshistorieën vereisen verschillende geheugengedragingen, maar het is onduidelijk hoe agenten hun strategieën moeten aanpassen aan specifieke taakeisen en omgevingsfeedback zonder handmatige afstemming. Huidige benaderingen dwingen het model vaak om een vooraf gedefinieerd geheugenformaat te volgen, in plaats van het model toe te staan de optimale strategie voor de specifieke context te leren.

2. Methodologie: SelfMem

De auteurs stellen SelfMem voor, een zelf-optimaliserend geheugenframework geïnspireerd door het principe van "een agent leren vissen in plaats van hem een vis te geven". In plaats van een vaste geheugenstrategie voor te schrijven, creëert SelfMem een omgeving waarin de agent leert om geheugen adaptief te beheren door middel van exploratie, evaluatie en verfijning.

Kernarchitectuur

SelfMem scheidt framework-beperkingen van de geheugenstrategie. Het framework biedt de tools en feedback, terwijl de agent de concrete geheugenacties bepaalt.

Onveranderlijke Transcript-opslag (Bron van Waarheid): De ruwe gesprekshistorie wordt opgeslagen als een alleen-lezen SQLite-database (turns tabel). De agent kan deze niet direct wijzigen, maar kan deze wel inspecteren met alleen-lezen tools (bijv. conversation_manifest, conversation_sql_query) om specifieke beurten, entiteiten of statistieken op te halen.
Geheugen Werkruimte (Memory Workspace): Een door het model beheerde werkruimte ( $M_i$ ) waar de agent een compacte representatie van het gesprek construeert. Dit kan gebruikersprofielen, voorkeurslijsten, tijdlijnen of beleidsnotities bevatten.
Actieruimte ( $A$ ): De agent selecteert uit een set tools om te interageren met het transcript en de werkruimte:
- Transcript-lees tools: Inspecteer de onveranderlijke historie.
- Geheugen-lees tools: Inspecteer de huidige werkruimte om duplicaten te voorkomen of veroudering te detecteren.
- Geheugen-schrijf tools: Voeg geheugeninhoud toe, vervang, combineer, verfijn of archiveer deze.
- Geheugen-review tools: Diagnosticeer de kwaliteit van het geheugen (bijv. controleren op bronondersteuning, tegenstrijdigheden of risico's voor de vindbaarheid) zonder het te muteren.
- Zelf-test tools: Genereer interne probes om te testen of de geheugenorganisatie een plausibele toekomstige vraag ondersteunt.
Feedbacksignalen ( $F$ ): De agent ontvangt feedback niet als een enkele scalaire beloning of gouden labels, maar als observeerbare signalen:
- Observaties van transcript en geheugen.
- Diagnostische feedback van review- en schrijfoperaties.
- Operationele signalen (tokengebruik, latentie, cache-hergebruik, kosten).
  Dit ontwerp stelt de agent in staat om te redeneren over trade-offs (bijv. meer informatie opslaan versus het verhogen van de contextkosten) in natuurlijke taal.

Optimalisatielus

Geheugenconstructie is een door het model gecontroleerde lus:

Inspecteren: De agent leest het transcript en het huidige geheugen.
Beslissen: De agent selecteert een actie (schrijven, herzien, reviewen) op basis van de huidige staat en feedback.
Verfijnen: De agent kan een concept-geheugen reviewen, diagnostische feedback ontvangen (bijv. "verouderde feiten gedetecteerd"), en de werkruimte herzien.
Antwoorden: Voor een query $q$ haalt het systeem relevante transcript-fragmenten ( $E_q$ ) op op basis van de geoptimaliseerde geheugenwerkruimte ( $M^*$ ) en voert beide aan de LLM voor het uiteindelijke antwoord.

3. Belangrijkste Bijdragen

Zelf-optimaliserend Framework: Een nieuw concept waarbij de verschuiving van geheugenbeheer van een vaste pijplijn naar een door de agent gecontroleerd optimalisatieproces, waardoor agenten specifieke geheugenstrategieën kunnen ontdekken.
Tool-gebaseerde Actieruimte: De introductie van een fijnmazige set tools (lezen, schrijven, reviewen, zelf-testen) die agenten in staat stellen om iteratief hun eigen geheugenrepresentaties te construeren, te auditeren en te verfijnen.
Feedback-gestuurde Adaptatie: Een mechanisme waarbij agenten multidimensionale feedbacksignalen gebruiken (kosten, nauwkeurigheid, veroudering) om de balans tussen geheugenkwaliteit en efficiëntie te vinden zonder externe supervisie of updates van modelparameters.
Uitgebreide Evaluatie: Een rigoureuze evaluatie op de BEAM-benchmark over drie schalen (100K, 500K en 1M tokens), die robuustheid aantoont over diverse vraagtypen.

4. Experimentele Resultaten

De auteurs hebben SelfMem geëvalueerd op de BEAM-benchmark (Tavakoli et al., 2025), waarbij het werd vergeleken met baselines inclusief RAG, volledige context, compressie, LoCoMo, MemoryBank, MemGPT, A-Mem en Mem0.

Prestatiewinst: SelfMem presteerde consistent beter dan alle baselines over alle token-schalen.
- 100K tokens: Verbeterde de officiële score met 48,7% ten opzichte van de sterkste baseline (RAG).
- 500K tokens: Verbeterde de officiële score met 40,8%.
- 1M tokens: Verbeterde de officiële score met 41,9%.
- In absolute termen verbeterde SelfMem de Score met 0,165, 0,141 en 0,134 bij respectievelijk 100K, 500K en 1M vergeleken met de beste niet-SelfMem baseline.
Robuustheid: SelfMem behaalde de beste scores op 9/10 vraagtypen bij 100K, 8/10 bij 500K en 7/10 bij 1M, wat een brede adaptiviteit toont aan informatie-extractie, temporele redenering en multi-sessie redenering.
Efficiëntie: Ondanks de hogere nauwkeurigheid behield SelfMem een gunstige kwaliteit-kostenverhouding. Bij 1M tokens behaalde het een score van 0,454 met een kostenpost van $2,004 en nul embedding-verzoeken, terwijl concurrenten zoals Mem0 $18,830 kostten met 25.799 embedding-verzoeken voor een lagere score (0,292).
Strategische Verfijning: Een optimalisatiestudie toonde aan dat het toestaan van de agent om zijn geheugenstrategie-notities iteratief te verfijnen op basis van geaggregeerde feedback de prestaties verder verbeterde, waarbij de score steeg van 0,472 (Iteratie 0) naar 0,510 (beste geobserveerde waarde).

5. Betekenis en Claims

Het artikel beweert dat SelfMem aantoont dat geheugengedrag in taal geoptimaliseerd kan worden. Door geheugenbeheerbeslissingen bloot te leggen aan de agent zelf, in plaats van te vertroukken op rigide, vooraf gedefinieerde strategieën, kunnen agenten principes en trade-offs leren die beter zijn aangepast aan specifieke taakeisen.

De auteurs benadrukken dat:

Adaptiviteit is essentieel: Vaste geheugenstructuren beperken de prestaties in langdurige taken waarbij relevante informatie schaars en verspreid is.
Kostenefficiëntie: Hoge nauwkeurigheid vereist geen dure, zware geheugenpijplijnen; selectieve constructie en revisie door de agent leveren betere resultaten op met lagere computationele kosten.
Optimalisatieoppervlak: SelfMem legt een nuttig optimalisatieoppervlak bloot voor langdurig geheugenbeheer, wat suggereert dat model-gestuurde strategieverfijning de prestaties van agenten aanzienlijk kan verbeteren zonder de onderliggende modelgewichten bij te werken.

Dit werk positioneert zich als een stap naar agenten die zichzelf kunnen "leren" om geheugen effectief te beheren, voorbij de beperkingen van handmatig ontworpen geheugenarchitecturen.