Mijn AI Agent Heeft 6 Geheugenlagen — Dit Leerde Ik Tijdens Het Bouwen
Toen ik Hermes Agent voor het eerst installeerde, dacht ik dat geheugen simpel was: de agent onthoudt wat ik vertel, of niet. Zes maanden later heb ik een 6-laags geheugensysteem gebouwd dat elke nacht kennis opstapelt — en het verschil is dag en nacht. Laat me je meenemen door elke laag en waarom jij misschien iets vergelijkbaars wilt voor je eigen AI-setup.
Laag 1: Het Werkgeheugen (Altijd Beschikbaar)
Dit is de kleinste laag — ongeveer 2KB aan tekst die in elk gesprek wordt geïnjecteerd. Het bevat de essentie: mijn server-IP’s, bestandspaden, tool-eigenaardigheden en conventies. Zie het als de plakbrief van de agent die altijd zichtbaar is. Ik pas het misschien één keer per week aan als er iets verandert. Het is bewust klein — je wilt geen tokens verspillen aan informatie die de agent al in zijn trainingsdata heeft.
Laag 2: Vector Search (Semantisch Geheugen)
Dit wordt pas echt interessant. Elk feit dat ik toevoeg wordt omgezet in een wiskundige vector (768 dimensies, met nomic-embed-text) en opgeslagen in een Qdrant-database. Wanneer de agent iets moet vinden, zoekt hij niet op trefwoord — hij zoekt op betekenis. Dus als ik vraag “wat was dat ding over serverkosten?” vindt hij het relevante feit, zelfs als ik nooit de woorden “server” of “kosten” gebruikte toen ik het opsloeg. Dit draait lokaal op mijn machine, kost niets per query, en duurt ongeveer 2 seconden om door alles te zoeken.
Laag 3: Volledige Gespreksgeschiedenis (Session DB)
Elk gesprek dat ik ooit met mijn agent heb gehad, staat in een SQLite-database met full-text search — inmiddels ongeveer 1,6GB aan geschiedenis. Ik kan in milliseconden door maanden aan gesprekken zoeken. De truc? Ik gebruik FTS5 (SQLite’s full-text search engine), dat op trefwoorden werkt. Voor semantisch zoeken combineer ik het met Laag 2. Samen dekken ze alles: exacte matches en betekenis-gebaseerde matches.
Laag 4: De Kennisgraaf (Wie Kent Wie)
Deze draait elke nacht om 22:30. Een script scant al mijn gesprekken en extraheert entiteiten — personen, projecten, servers, tools, fouten — en de relaties ertussen. Het bouwt een graaf: “John werkt aan genealogie-app, die draait op openclaw:5000, die Flask en SQLite gebruikt.” De graaf is regex-gebaseerd (niet AI-gestuurd), dus snel en goedkoop. Maar het is verrassend effectief in het blootleggen van verbanden waar ik niet expliciet naar vroeg.
Laag 5: De Obsidian Vault (Lange-Termijn Kennis)
Dit is mijn tweede brein — 71+ wiki-pagina’s, CRM-entries, systeemdocumentatie en dagboeken. Elk artikel dat ik lees, elk project waar ik aan werk, elke les die ik leer wordt hier gedocumenteerd. De agent kan erin zoeken via de Seekstone MCP-tool. Wat dit krachtig maakt is het compounding-effect: elke nieuwe kennis verbindt met bestaande kennis, en na verloop van tijd wordt de vault meer waard dan de som der delen.
Laag 6: Skills (Procedureel Geheugen)
Dit is hoe de agent weet hoe hij dingen moet doen — niet alleen wat dingen zijn. Ongeveer 50 skills die alles dekken van WordPress-publicatie tot vault-onderhoud tot afbeeldingen genereren. Elke skill is een markdown-bestand met YAML frontmatter, on-demand geladen. Het systeem houdt zelfs bij welke skills het meest gebruikt worden en archiveert oude automatisch. Het is als een gereedschapskist die zichzelf organiseert.
Het Compounding-Effect
De echte magie zit niet in één enkele laag — het is hoe ze samenwerken. Elke nacht om 23:30 draait een batchproces dat kennis synchroniseert tussen de lagen: nieuwe gesprekken worden geanalyseerd, entiteiten worden geëxtraheerd, de graaf wordt bijgewerkt en de vault wordt gevuld. Tegen de ochtend weet de agent meer dan de dag ervoor. Na een maand is het verschil dramatisch. De agent begint patronen te suggereren die jij niet zag, verbanden te leggen die je vergat, en vragen te beantwoorden voordat je ze afmaakt.
Ik heb de volledige architectuur gedocumenteerd in mijn vault — 365 regels notities, 6 lagen, 8 cron jobs, en een nachtelijke cyclus die als een trein loopt. Het kostte maanden om het goed te krijgen, maar nu draait het vanzelf.
Hoe ziet jouw AI-geheugen eruit? Ik ben benieuwd hoe anderen dit aanpakken — laat een reactie achter!
Wat vond je van dit bericht?
