Meta’s organisatorische tweede brein: waarom het geheugen van AI-agenten in bestanden moet leven, niet in modelgewichten

Meta's Organizational Second Brain pleit sterk voor het bewaren van snel veranderende institutionele kennis in expliciete bestanden, in plaats van te proberen elke correctie, elk beleid en elk oordeel van experts in modelgewichten te verwerken. Meta destilleert kennis van experts in een gestructureerd bestandssysteem dat door mensen en agenten kan worden gelezen, via afhankelijkheden aan elkaar kan worden gekoppeld, na wijzigingen kan worden getest, kan worden voorzien van versies en kan worden beoordeeld en verbeterd zonder het onderliggende model opnieuw te trainen. Het model levert de intelligentie; de kennislaag bewaart wat de organisatie heeft geleerd.

Dat betekent niet dat elke vorm van AI-geheugen in Markdown thuishoort of dat RAG achterhaald is. Modelgewichten bieden nog steeds algemene kennis, retrieval blijft nuttig voor schaarse referentiematerialen en de actuele taakstatus kan thuishoren in databases of runtimes van agenten. Meta lost een smaller maar steeds belangrijker probleem op: hoe je organisatorische kennis bewaart die in de loop der tijd verandert, een herkomst nodig heeft en moet blijven bestaan ongeacht welk model haar gebruikt.

Wat is Meta's Organizational Second Brain?

Meta's Organizational Second Brain is een interne architectuur voor AI-agenten die is ontworpen om specialistische kennis vast te leggen die anders verspreid zou blijven over documenten of opgesloten zou blijven in de hoofden van experts. Meta beschrijft het systeem als een secundaire expert voor een domein, in plaats van als een chatbot voor algemene doeleinden.

Volgens Meta's officiële architectuur van het Organizational Second Brain combineert het systeem vier onderling afhankelijke lagen:

Het belangrijke punt is dat Meta niet elke keer modelhertraining uitvoert wanneer een expert de agent corrigeert. Correcties kunnen in plaats daarvan leiden tot wijzigingen in externe kennisbestanden of redeneerprocedures.

Dat maakt van één interactie met een expert een tijdelijke chatcorrectie tot een potentieel permanent organisatorisch hulpmiddel.

Waarom zijn duizenden documenten niet hetzelfde als agentgeheugen?

Een map vol documenten is een archief. Die wordt pas bruikbaar agentgeheugen wanneer het systeem begrijpt wat belangrijk is, hoe de bronnen zich tot elkaar verhouden en wanneer bepaalde regels of interpretaties van toepassing zijn.

Grote organisaties beschikken al over enorme hoeveelheden geschreven materiaal: beleid, specificaties, historische beslissingen, controlelijsten, rapporten, projectnotities, normen en interne documentatie. Het probleem is dat de meest waardevolle kennis zich vaak tussen die documenten bevindt.

Een expert weet mogelijk:

• welk beleid voorrang heeft wanneer twee regels met elkaar conflicteren,
• welke uitzondering alleen onder een specifieke voorwaarde van toepassing is,
• welke historische beslissing nog steeds relevant is,
• welke terminologie de organisatie intern gebruikt,
• wanneer een geval ambigu genoeg is om escalatie te vereisen,
• en waarom twee ogenschijnlijk vergelijkbare situaties verschillend moeten worden behandeld.

Een conventioneel retrievalsysteem kan de brondocumenten vinden, maar het model moet die interpretatie mogelijk nog steeds elke keer opnieuw reconstrueren.

Meta beschrijft dit als een van de zwakke punten van het behandelen van onbewerkte documenten als organisatorische kennis. Een agent die tijdens inferentie herhaaldelijk fragmenten ophaalt, moet de redenering van de organisatie telkens opnieuw uit die fragmenten afleiden, wat traag en inconsistent kan zijn.

Meta was eerder in 2026 al een vergelijkbaar probleem tegengekomen. In het eerdere werk aan het samenbrengen van stilzwijgende kennis in contextbestanden voor agents analyseerden meer dan 50 gespecialiseerde agents ruim 4.100 bestanden in vier repositories en produceerden ze 59 beknopte contextbestanden. Meta rapporteerde voorlopige tests met ongeveer 40% minder aanroepen van agenttools per taak.

De les is vergelijkbaar: meer onbewerkte informatie leidt niet automatisch tot beter agentgedrag. Vaak ontbreekt de laag van gedistilleerde structuur.

Waarom slaat Meta zijn agentkennis op in gestructureerde bestanden?

Meta organiseert meer dan 200 bestanden in een strikte taxonomie in plaats van één enorm instructiedocument te onderhouden. De bestanden vertegenwoordigen verschillende soorten institutionele kennis en verschillende routeringsverantwoordelijkheden.

Meta gebruikt ook YAML-frontmatter om relaties tussen bestanden te declareren. Een bestand kan aangeven wat het depends_on en naar welke andere bestanden het referenced_by.

Een vereenvoudigd voorbeeld kan er als volgt uitzien:

---
type: position
topic: customer-data-retention
depends_on:
  - data-classification.md
referenced_by:
  - privacy-review-recipe.md
applies_when:
  - customer_pii = true
---

# Bewaartermijn van klantgegevens

## Standpunt
Definieer hier het huidige organisatorische standpunt.

## Grenzen
Documenteer waar het standpunt wel en niet van toepassing is.

## Uitzonderingen
Vermeld bekende uitzonderingen.

## Escaleren wanneer
Beschrijf gevallen die beoordeling door een expert vereisen.

Dit is een illustratief voorbeeld en geen kopie van Meta's interne bestanden, maar het laat zien waarom eenvoudige gestructureerde bestanden aantrekkelijk zijn.

Dat zijn ze:

• mensleesbaar,
• machineleesbaar,
• gemakkelijk te diffen,
• gemakkelijk onderling te verwijzen,
• gemakkelijk te linteren,
• versiebeheerbaar,
• en afzonderlijk omkeerbaar.

De afhankelijkheidsgraaf is ook van belang wanneer een agent een wijziging voorstelt. Als één beleidsbestand verandert, kan het systeem vaststellen welke procedures, indexen en downstreamregels mogelijk worden beïnvloed, in plaats van aan te nemen dat de wijziging op zichzelf staat.

Vervangt Meta's Second Brain RAG?

Nee. Meta houdt bewust zowel een gecureerde kennislaag als retrieval. De twee lossen verschillende informatieproblemen op.

Meta deelt informatie in op basis van dichtheid en verwachte gebruiksfrequentie.

De gecureerde laag slaat informatie op die de agent waarschijnlijk herhaaldelijk nodig heeft en die de zich ontwikkelende interpretatie van het domein door de organisatie vertegenwoordigt. Schaarse materialen blijven beschikbaar via semantisch of lexicaal zoeken wanneer een specifieke casus daarom vraagt.

Dit sluit aan bij het bredere onderscheid uit het oorspronkelijke onderzoek naar Retrieval-Augmented Generation, waarin kennis die parametrisch in een model is opgeslagen wordt onderscheiden van expliciet extern niet-parametrisch geheugen dat indien nodig kan worden opgehaald.

Meta voegt in feite een extra laag toe tussen die twee uitersten.

MODELGEWICHTEN
Algemene intelligentie
        |
        v
GECUREERDE KENNIS
Standpunten
Regels
Interpretatie
Besluitvormingskaders
        |
        v
RAG / ZOEKEN
Gedetailleerd bewijsmateriaal
Historische gegevens
Zeldzame verwijzingen
        |
        v
RUWE BRONNEN

Een handige manier om de verdeling te beschrijven is:

RAG helpt de agent bewijs te vinden. Een gecureerde kennislaag voorkomt dat de agent telkens opnieuw de interpretatie van de organisatie moet afleiden.

Waarom zou een AI-agent moeten scheiden wat hij weet van hoe hij redeneert?

Een van Meta’s belangrijkste ontwerpbeslissingen is het scheiden van declaratieve kennis en procedureel redeneren.

De kennisbestanden beschrijven wat de organisatie weet of gelooft. Meta’s ‘recepten’ beschrijven hoe de agent een probleem moet aanpakken.

Door deze scheiding zijn fouten gemakkelijker te diagnosticeren.

Als de agent tot de verkeerde conclusie komt, kunnen de beheerders vragen:

• Bestond de juiste kennis?
• Is het juiste bestand geladen?
• Was de organisatorische positie zelf onjuist of verouderd?
• Of heeft de redeneerprocedure anderszins juiste kennis verkeerd toegepast?

Meta zegt dat het toevoegen van een nieuwe organisatorische functie kan betekenen dat er een kennisbestand wordt toegevoegd en een routeringsindex wordt bijgewerkt, zonder het redeneerrecept te wijzigen. Omgekeerd kan een methodologisch probleem worden opgelost door het recept te wijzigen, zonder de onderliggende domeinfeiten te herschrijven.

Die modulariteit wordt steeds waardevoller naarmate de kennisbank groeit.

Hoe heeft progressieve onthulling het tokengebruik van Meta met ongeveer 80% verlaagd?

Grote contextvensters maken informatiearchitectuur niet overbodig. Een model kan technisch gezien honderdduizenden of zelfs miljoenen tokens accepteren, maar dat betekent niet dat elke beleidsregel, referentie en instructie bij elke taak moet worden geladen.

Meta’s eerdere implementatie gebruikte een relatief vlakke instructiestructuur en semantisch zoeken, waarmee een grote hoeveelheid materiaal met uiteenlopende relevantie in het contextvenster kon worden geladen.

Het receptsysteem veranderde het patroon naar progressieve onthulling.

OUDE AANPAK

Taak
  |
  v
Grote instructieset
+ veel opgehaalde bronnen
+ brede domeincontext
  |
  v
Model


PROGRESSIEVE ONTHULLING

Taak
  |
  v
Stap 1
Laad alleen de instructies en kennis van stap 1
  |
  v
Stap 2
Laad alleen de instructies en kennis van stap 2
  |
  v
Stap 3
Haal alleen bewijs op als dat nodig is

Na de overstap naar receptgestuurde fasen meldt Meta dat elke vraag slechts een kleine, gerichte subset van het kennissysteem benaderde en dat het aantal per beurt verbruikte tokens met ongeveer 80%.

Dat is niet hetzelfde als zeggen dat het Second Brain de totale AI-kosten met 80% heeft verlaagd. Het resultaat betreft specifiek het tokenverbruik per beurt na het herstructureren van de strategie voor het laden van context.

De meer algemene les is belangrijk:

De betere vraag is niet “Hoeveel context kan het model vasthouden?”, maar “Hoe weinig context heeft deze stap nodig om het probleem correct op te lossen?”

Hoe zet Meta feedback van experts om in permanent agentgeheugen?

De zelfverbeteringslus is misschien wel het belangrijkste onderdeel van Meta's architectuur, omdat kennis opslaan eenvoudig is vergeleken met die in de loop der tijd correct houden.

Meta beschouwt onderhoud als een compilatieprobleem. Correcties van experts doorlopen vier fasen:

1. Diagnosticeer de feedback en identificeer de onderliggende oorzaak.
2. Compileer de kwestie tot minimale, geverifieerde bewerkingen.
3. Valideer dat de wijziging het probleem oplost zonder regressies te veroorzaken.
4. Beoordeel de voorgestelde wijziging samen met een domeinexpert.

De diagnosefase probeert vast te stellen of een fout is ontstaan door ontbrekende kennis, een gebrekkige redeneerprocedure of echte ambiguïteit.

Als het juiste antwoord al in het bronmateriaal stond maar de agent toch faalde, beschouwt Meta dat als een methodologisch probleem. Als de benodigde informatie ontbrak, is er sprake van een kennislacune. Als experts het onderling oneens zijn, kan de kwestie worden geëscaleerd in plaats van het systeem te dwingen een onterechte zekerheid vast te leggen.

Tijdens de compilatiefase worden vervolgens minimale bewerkingen voorgesteld. Meta zegt dat afzonderlijke agents problemen onderzoeken zoals de impact op kruisverwijzingen, conflicten met bestaande standpunten, duplicatie, effecten op het tokenbudget en testdekking.

Een nieuwe adversariële beoordelaar ontvangt de voorgestelde wijzigingen zonder de oorspronkelijke motivatie voor de verbetering en probeert tegenstrijdigheden of randgevallen te vinden. Vervolgens controleert deterministische structurele validatie problemen zoals verbroken verwijzingen, afhankelijkheidscycli, botsingen tussen identificatoren en beperkingen voor de bestandsgrootte.

Het proces kan als volgt worden samengevat:

CORRECTIE DOOR EXPERT
        |
        v
ONDERLIGGENDE OORZAAK DIAGNOSTICEREN
        |
        v
MINIMALE BEWERKING VOORSTELLEN
        |
        v
ADVERSARIËLE BEOORDELING
        |
        v
STRUCTURELE VALIDATIE
        |
        v
OPNIEUW UITVOEREN + REGRESSIETESTS
        |
        v
BEOORDELING DOOR MENS
        |
        v
WIJZIGING DOORVOEREN
        |
        v
FOUT TOEVOEGEN AAN TESTSUITE

Zodra een oplossing is doorgevoerd, wordt het oorspronkelijke scenario waarin de fout optrad onderdeel van de regressietestsuite. Toekomstige wijzigingen moeten dat nieuw gecorrigeerde gedrag daarom behouden.

Meta rapporteert nul regressies gedurende de verbetercycli in de ontwikkelperiode van zes weken die in de release wordt beschreven, terwijl individuele beoordelingen die voorheen dagen duurden, werden teruggebracht tot minuten. Die resultaten zijn Meta's eigen interne implementatieresultaten, geen onafhankelijke benchmark.

Waarom zijn bestanden eenvoudiger bij te werken dan modelgewichten?

Voor snel veranderende institutionele kennis maken bestanden wijzigingen zichtbaar. Dat is het sterkste argument achter de kop.

Dit betekent niet dat modelbewerking overbodig of onmogelijk is. Onderzoek zoals onderzoek naar MEMIT-modelbewerking onderzoekt hoe feitelijke associaties rechtstreeks in Transformer-modellen kunnen worden gewijzigd.

Meta stelt een andere architectuurvraag:

Als organisatorische kennis vaak verandert en mensen elke belangrijke update moeten kunnen inspecteren, waarom zou je die kennis dan überhaupt in het model opslaan?

Meta zegt dat de uiteindelijke uitvoer van zijn verbeteringspipeline een diff is die een domeinexpert snel kan beoordelen. Het bredere ontwerpprincipe is om deze complexiteit onder te brengen in tekst die versiebeheerbaar, diffbaar en omkeerbaar blijft.

Daardoor komt kennisonderhoud veel dichter in de buurt van softwareconfiguratiebeheer dan van het opnieuw trainen van modellen.

Worden Markdown en YAML een draagbare geheugenlaag voor AI-agents?

Meta’s ontwerp maakt deel uit van een bredere beweging richting kennisrepresentaties die zowel mensen als agents rechtstreeks kunnen inspecteren.

In april 2026 publiceerde Andrej Karpathy het LLM-wikipatroon. Het idee is dat een LLM stapsgewijs een persistente, gestructureerde wiki onderhoudt, in plaats van bij elke zoekopdracht kennis uit meerdere documenten opnieuw op te bouwen uit onbewerkte RAG-resultaten.

De belangrijke eigenschap is accumulatie.

Bron A
   |
   v
Gestructureerde wiki

Bron B
   |
   v
Bestaande pagina’s bijwerken
Relaties toevoegen
Tegenstrijdigheden markeren

Bron C
   |
   v
Kennis wordt rijker
zonder opnieuw vanaf nul te beginnen

Googles specificatie van het Open Knowledge Format werkt hetzelfde idee verder uit met het oog op interoperabiliteit. OKF v0.2 definieert een bewust minimaal formaat dat is opgebouwd rond mappen met Markdown-bestanden met YAML-frontmatter, die door mensen en agents kunnen worden gelezen zonder een centraal schemaregister of een bedrijfseigen runtime.

Dit wijst op een mogelijk belangrijke ontwikkeling:

Agentkennis in platte tekst kan een interoperabiliteitslaag worden.

Als de belangrijke kennis van een organisatie bestaat uit expliciete bestanden in plaats van verborgen te zijn in het propriëtaire geheugensysteem van één provider, kan dezelfde kennislaag theoretisch door verschillende agents en verschillende modellen worden gebruikt.

              KENNIS
            Markdown / YAML
                 |
       +---------+---------+
       |         |         |
       v         v         v
    Claude     Gemini     Qwen
       |         |         |
       +---------+---------+
                 |
              AGENTS

Het model wordt vervangbaar. De opgebouwde kennis hoeft dat niet te zijn.

Als AI-agentgeheugen bestanden wordt, waar moeten die bestanden dan worden opgeslagen?

Zodra agentkennis een duurzame verzameling bestanden wordt, ontstaat een nieuwe infrastructuurvraag: die bestanden hebben dezelfde bescherming nodig als alle andere waardevolle organisatorische gegevens.

Een serieuze kennislaag kan het volgende bevatten:

• zorgvuldig samengestelde standpunten,
• beslissingen van experts,
• taxonomieën,
• redeneerrecepten,
• routeringslogica,
• evaluatiegevallen,
• brondocumenten,
• citaten,
• door agents gegenereerde verbeteringen,
• en historische versies.

Dat leidt tot vereisten die weinig te maken hebben met de omvang van het LLM:

Aan die vereisten kan worden voldaan op een werkstation, privéserver, NAS voor langdurige agentkennis, Git-repository of beheerde cloudomgeving. De architectuur van Meta vereist geen specifiek opslagproduct.

Het belangrijkste punt is dat agentkennis steeds minder op vluchtige promptcontext en steeds meer op een langdurig waardevol gegevensbestand begint te lijken.

Waarom is versiebeheer niet genoeg voor AI-geheugen?

Versiebeheer in Git-stijl is uiterst nuttig voor gestructureerde agentkennis, omdat het verschillen, geschiedenis, beoordeling, vertakkingen en logisch terugdraaien biedt. Maar het is geen volledige strategie voor gegevensbescherming.

Versiebeheer beantwoordt in de eerste plaats:

Wat is er veranderd?

Momentopnamen van het bestandssysteem voor snel herstel beantwoorden een andere vraag:

Kan ik de volledige werkstatus van vóór een slechte wijziging snel herstellen?

Back-ups beantwoorden een andere vraag:

Kan ik herstellen als het oorspronkelijke opslagsysteem zelf verloren is gegaan of beschadigd is?

Dit onderscheid wordt belangrijker wanneer agents hun eigen kennislaag mogen bijwerken.

Een onjuiste bewerking is in Git eenvoudig terug te draaien. Een beschadigde repository, ontbrekende verzameling bijlagen, beschadigde vectorindex, per ongeluk verwijderd archief met ruwe bronnen of defect opslagapparaat vormt een ander soort probleem.

Als de kennisbank onderdeel wordt van de manier waarop een organisatie werkt, moet de bescherming van die kennis worden beschouwd als data-infrastructuur en niet slechts als promptengineering.

Hoe ziet een duurzame lokale kennisstack voor agents eruit?

Een praktische geheugenarchitectuur voor agents kan intelligentie, gecureerde kennis, retrieval, brongegevens en bescherming van elkaar scheiden, in plaats van ze in één laag te dwingen.

AI-MODEL
Claude / Gemini / Qwen / andere
        |
        v
AGENTRUNTIME
Tools / routering / sessies
        |
        v
GECUREERDE KENNIS
Standpunten
Taxonomie
Recepten
Regels
        |
        v
RAG / ZOEKEN
Indexen
Embeddings
Lexicaal zoeken
        |
        v
RUWE BRONNEN
Pdf’s
Documentatie
Code
Historische gegevens
        |
        v
GEGEVENSBESCHERMING
Versiebeheer
Momentopnamen
Back-up

Het voordeel van deze architectuur is onafhankelijkheid.

Het model kan veranderen zonder de kennisbank opnieuw te moeten schrijven. De retrieval-engine kan veranderen zonder de ruwe bronnen te verwijderen. Het agentframework kan worden vervangen zonder deskundige beslissingen te verliezen. De opslaghardware kan worden geüpgraded zonder de logische structuur van de kennis zelf te veranderen.

Dit is een veel duurzamere definitie van AI-geheugen dan ‘wat de huidige chatbot toevallig onthoudt’.

Laat Meta’s Second Brain zien waar het geheugen van AI-agents naartoe gaat?

De architectuur van Meta suggereert dat het langetermijnactief in een AI-agentsysteem steeds vaker de kennislaag kan zijn in plaats van het model.

Modellen zullen snel verder verbeteren. Organisaties kunnen overstappen tussen bedrijfseigen frontiermodellen, lokale open-weight-modellen, gespecialiseerde agenten of combinaties van alle drie.

Institutionele kennis verandert op een ander tijdsschaal.

Een bedrijf kan jarenlang bezig zijn met het ontdekken van:

• welke procedures daadwerkelijk werken,
• welke uitzonderingen ertoe doen,
• welke terminologie dubbelzinnigheid voorkomt,
• welke historische beslissingen relevant blijven,
• en welke correcties van experts nooit opnieuw ontdekt hoeven te worden.

Die kennis mag niet wegwerpmateriaal worden alleen omdat het redeneermodel verandert.

Meta’s ontwerp maakt ook duidelijk dat bestandsgebaseerd geheugen geen vervanging is voor elke andere geheugentechniek. De sterkere architectuur bestaat uit lagen:

modelgewichten voor algemene intelligentie, gestructureerde bestanden voor onderhouden institutionele kennis, RAG voor schaarse onderbouwing, recepten voor methodologie, runtime-status voor actieve taken en versiebeheer plus back-ups voor duurzaamheid.

Het resultaat verandert de manier waarop we over een AI-“second brain” zouden moeten denken.

Het is niet simpelweg een groter contextvenster.

Het is geen map vol pdf’s.

Het is op zichzelf geen vectordatabase.

En het is geen kennis die permanent opgesloten zit in één model.

Een duurzaam second brain is een onderhouden kennissysteem dat kan worden geïnspecteerd, gecorrigeerd, getest, hersteld en overgedragen aan het volgende model.

Het model kan volgende maand worden vervangen. De kennis waar een organisatie jarenlang aan heeft gebouwd, moet behouden blijven.

Veelgestelde vragen: Meta’s Organizational Second Brain en het geheugen van AI-agenten

Wat is Meta’s Organizational Second Brain?

Het is een interne architectuur voor AI-agenten die Meta heeft gebouwd om specialistische organisatiekennis te behouden. De architectuur combineert gestructureerde kennisbestanden, samenstelbare redeneerrecepten, evaluatie en een zelfverbeteringslus die correcties van experts omzet in geteste updates zonder het onderliggende model opnieuw te trainen.

Slaat Meta al het geheugen van zijn AI-agenten op in Markdown-bestanden?

Nee. Het systeem gebruikt een gestructureerde kennislaag op basis van bestanden voor waardevolle institutionele kennis, en behoudt semantische en lexicale retrieval voor schaars referentiemateriaal. Het model zelf levert nog altijd algemene intelligentie, en andere runtime-status kan buiten de kennisbestanden worden opgeslagen.

Vervangt Meta’s Second Brain RAG?

Nee. Meta combineert bewust gecureerde kennis met RAG. Veelgebruikte standpunten, besliskaders en interpretaties worden gedistilleerd tot gestructureerde bestanden, terwijl gedetailleerde specificaties, historische gegevens en zelden benodigde onderbouwing toegankelijk blijven via retrieval.

Waarom gewoon geen contextvenster van één miljoen tokens gebruiken?

Een groot contextvenster maakt irrelevante context niet automatisch gratis of nuttig. Meta ontdekte dat gefaseerde, stapsgewijze onthulling ervoor zorgde dat elke redeneerstap alleen de benodigde instructies en kennis laadde, waardoor het aantal verbruikte tokens per beurt met ongeveer 80% afnam ten opzichte van de eerdere aanpak waarbij meer context tegelijk werd geladen.

Waarom organisatorische kennis buiten de modelgewichten bewaren?

Externe bestanden zijn voor mensen gemakkelijker te inspecteren, bewerken, citeren, versiebeheer toe te passen, vergelijken, testen en terug te draaien. Ze stellen de organisatie ook in staat dezelfde kennis te behouden wanneer zij van modelleverancier verandert of het onderliggende LLM upgradet.

Wat zijn de redeneerrecepten van Meta?

Recepten zijn procedurele instructies die bepalen hoe de agent een taak moet analyseren. Ze zijn bewust gescheiden van kennisbestanden: kennisbestanden beschrijven organisatorische feiten en standpunten, terwijl recepten het redeneerproces beschrijven waarmee deze worden toegepast.

Hoe leert Meta’s Second Brain van experts?

Correcties van experts worden teruggebracht tot de onderliggende oorzaken, vertaald naar minimale bewerkingen, gecontroleerd met adversariële en structurele validatie, getest aan de hand van replay- en regressietests en vervolgens beoordeeld door een menselijke expert. Succesvolle oplossingen worden aan de regressietests toegevoegd, zodat toekomstige updates deze moeten behouden.

Is bestandsgebaseerd agentgeheugen hetzelfde als een vectordatabase?

Nee. Een vectordatabase is in de eerste plaats een mechanisme voor het ophalen van informatie. Gestructureerde kennisbestanden kunnen gecureerde interpretaties, regels, afhankelijkheden, grenzen aan het redeneerproces, bronverwijzingen en door mensen beoordeelde wijzigingen behouden. De twee kunnen samen worden gebruikt.

Kunnen dezelfde kennisbestanden met verschillende AI-modellen werken?

Potentieel wel. Modelonafhankelijke indelingen zoals Markdown en YAML kunnen door verschillende agentomgevingen worden gebruikt, zolang de bijbehorende tools het schema en de routeringsregels begrijpen. Dit is een van de redenen waarom draagbare kennisindelingen meer aandacht krijgen.

Heeft het geheugen van een agent een NAS of thuisserver nodig?

Niet noodzakelijk. De kennis kan op elk betrouwbaar opslagsysteem met de juiste toegangsrechten staan. Een lokale server of NAS voor gedeelde, permanente AI-kennis wordt nuttig wanneer de kennisbank ook snapshots, grote bronarchieven en onafhankelijke back-ups nodig heeft.