Gedeeld en persoonlijk geheugen kunnen naast elkaar bestaan in één gezinsgerichte AI-agent wanneer geheugen wordt gemodelleerd als afgebakende records met expliciete eigenaars en toegangsregels, in plaats van als één transcript of één verzameling vectoren voor het hele huishouden.
Het architectuurprobleem is niet of meerdere mensen hetzelfde model kunnen bevragen. Het gaat erom of de geheugenpijplijn op het moment van schrijven onderscheid kan maken tussen een huishoudelijk feit en een privévoorkeur, dat onderscheid in de opslag kan behouden, het tijdens het ophalen kan afdwingen en het kan verwijderen of vervangen zonder de gegevens van iemand anders te wijzigen.
Gezinsgeheugen heeft meer dan één bereik nodig
Een bruikbaar ontwerp scheidt ten minste persoonlijk geheugen, bewust gedeeld huishoudelijk geheugen en kortstondige sessiestatus. “Het model van de wasmachine is X” kan gelden voor het hele huishouden, terwijl “Ik heb de slaapkamer bij voorkeur op 19 °C” normaal gesproken gekoppeld moet blijven aan de persoon die dit heeft aangegeven. Veronderstellingen uit een sessie mogen niet stilzwijgend promoveren naar een van beide duurzame geheugenniveaus.
Een onderzoek uit 2026 naar een geheugeninfrastructuur voor meerdere gebruikers beschrijft privé-, gedeelde en beheerde geheugenconfiguraties, in plaats van geheugen voor meerdere gebruikers te behandelen als één ongedifferentieerde opslag. De belangrijkste ontwerpimplicatie voor een thuisagent is dat delen een beleidsbeslissing is die aan een geheugenrecord is gekoppeld, en geen neveneffect van meerdere gebruikers die dezelfde database gebruiken.
De scopegrens moet vóór het ophalen worden afgedwongen. Als het systeem de geheugens van iedereen ophaalt en het taalmodel vraagt om “de privégegevens te negeren”, is de isolatie al mislukt. Het model mag alleen records ontvangen die de geauthenticeerde gebruiker en de huidige huishoudcontext mogen gebruiken.
Eigenaar, herkomst en betrouwbaarheid moeten samen met het geheugen worden opgeslagen
Een duurzame voorkeur moet vastleggen wie deze heeft uitgesproken, waar de informatie vandaan komt, of deze expliciet is aangegeven of afgeleid, wanneer deze is waargenomen en of een nieuwer record deze vervangt. Zonder herkomst kan een gezinsagent een directe instructie niet onderscheiden van een zwak patroon dat is afgeleid uit het gedrag van één persoon.
Oracle's uiteenzetting uit 2026 over getypeerd geheugen voor meerdere tenants pleit voor expliciete tenantidentiteit en isolatie op schemaniveau, in plaats van te vertrouwen op conventies in prompts. Een huishoudelijke implementatie is kleiner, maar dezelfde les voor het datamodel geldt: gebruikers- en huishoud-ID's moeten samen met het record worden opgeslagen en onder de promptlaag worden afgedwongen.
Het gerelateerde ZimaSpace-artikel over onjuiste huishoudelijke voorkeuren behandelt wat er gebeurt wanneer afgeleid gedrag verhardt tot gedeelde waarheid. De hier beschreven architectuur voorkomt die fout door van de promotie van persoonlijke of afgeleide status naar huishoudelijk geheugen een expliciete overgang te maken.
Ophaalbeleid is het punt waarop het mengen van geheugen meestal zichtbaar wordt
Twee correct gescheiden opslaglocaties kunnen nog steeds gegevens naar elkaar laten lekken als een zoekopdracht de gebruikersfilter weglaat, een cachesleutel identiteit negeert of een gedeelde semantische zoeknamespace records teruggeeft voordat autorisatiefiltering plaatsvindt. Geheugenisolatie moet daarom de aanvraag volgen door zoeken, herordenen, cachen en het samenstellen van de prompt.
Een implementatiepatroon uit 2026 voor geheugen ophalen per gebruiker laat zien hoe tenantgebonden geheugen kan worden opgehaald, waarbij elke gebruiker zijn eigen status ziet terwijl de applicatie toch één gedeelde geheugenservice kan gebruiken. Het belangrijke mechanisme is niet de specifieke bibliotheek, maar het koppelen van de ophaalnamespace aan een vertrouwde identiteit in plaats van aan tekst die door het model is aangeleverd.
Gedeeld geheugen moet als een tweede geautoriseerde scope worden toegevoegd, niet als terugvaloptie wanneer het ophalen van persoonlijke gegevens niets oplevert. Dat onderscheid voorkomt dat “niets bekend over deze gebruiker” verandert in “gebruik de voorkeur van iemand anders”. Een ontbrekend persoonlijk feit is veiliger dan een onbedoelde vervanging door gegevens van een andere gebruiker.
Verwijdering en conflictoplossing bewijzen of de scopes echt zijn
Een gezinssysteem krijgt uiteindelijk te maken met tegenstrijdige voorkeuren, gebruikers die verhuizen, gecorrigeerde feiten en verwijderingsverzoeken. Als het geheugen van één persoon niet kan worden verwijderd zonder gedeelde huishoudelijke kennis te wissen, of als een gedeeld feit niet kan worden aangepast zonder privégeschiedenissen te herschrijven, was het oorspronkelijke opslagmodel in werkelijkheid niet afgebakend.
De bespreking van WorkOS over fijnmazige autorisatie voor het ophalen van gegevens laat zien waarom toegangscontrole de gegevens tijdens het ophalen moet blijven volgen, in plaats van alleen bij het inloggen te worden gecontroleerd. Voor gezinsgeheugen zorgt hetzelfde handhavingspunt ervoor dat verwijderings- en zichtbaarheidsregels per record effectief blijven wanneer geheugens zijn voorzien van embeddings of semantisch worden opgehaald.
Test de architectuur met twee gezinsaccounts en één huishoudaccount. Sla tegenstrijdige voorkeuren op, promoveer één feit naar de gedeelde scope, trek de toegang van één gebruiker in, verwijder het privérecord van die gebruiker en voer daarna vanuit elke identiteit zoekopdrachten uit. Het ontwerp slaagt alleen wanneer gedeelde feiten beschikbaar blijven, persoonlijke voorkeuren nooit tussen accounts terechtkomen en verwijdering het bedoelde geheugen verwijdert zonder nevenschade.
Tech & AI HUB
Meer om te lezen

Welke invloed heeft downsampling van tijdreeksen op anomaliedetectie in een slimme woning?
Ontdek hoe bucketbreedte, aggregatie, anti-aliasing, ontbrekende gegevens, gebeurtenisduur en retentie op meerdere schalen de detectie van afwijkingen in slimme woningen beïnvloeden.

Hoe combineert een bezettingsraster zwakke signalen van een slim huis?
Leer hoe ruimtelijke cellen, sensormodellen, log-odds-updates, verval, gecorreleerd bewijs en drempelwaarden zwakke signalen uit huis omzetten in bezettingsschattingen.

Hoe beïnvloedt fotometrische normalisatie het clusteren van privégezichten?
Bekijk hoe verlichtingscorrectie gezichtscrops, embeddings, clust afstanden, drempelwaarden, overnormalisatie en de evaluatie van privéfotozoekopdrachten verandert.

