Tekoälyagentti, joka ei muista sinua, on perustavanlaatuisesti rajallinen. Jokainen keskustelu alkaa alusta. Sinun pitää esitellä itsesi, selittää mieltymyksesi ja täsmentää jatkuva työ uudelleen. Kitka kasvaa ja luottamus heikkenee.
Tämä on muistiongelma. Konteksti-ikkuna käsittelee nykyisen keskustelun. Istuntojen, päivien ja kuukausien yli ulottuva pitkäkestoinen muisti tarvitsee oman arkkitehtuurinsa. Sen toteuttaminen on odotettua vaikeampaa.
Tässä artikkelissa käsitellään todellista agenttimuistia tuotannossa: kerroksia, tallennusvalintoja, hakumalleja ja kompromisseja, jotka erottavat hyödyllisen muistin hallusinoivasta muistista.
Mitä ”muisti” tarkoittaa
Yksinkertaistettu näkemys on, että malli muistaa asioita keskustelujen välillä. Todellisuus on vivahteikkaampi. Kognitiotiede erottaa erilaisia muistityyppejä, ja sama erottelu hyödyttää tekoälyagenttia:
Työmuisti. Nykyinen keskustelu konteksti-ikkunassa. Menetetään keskustelun päättyessä, ellei sitä tallenneta.
Episodimuisti. Tietyt aiemmat tapahtumat. ”Viime tiistaina keskustelimme X:stä.” ”Kolme kuukautta sitten päätit Y.”
Semanttinen muisti. Yleiset tosiasiat. ”Nimesi on Alice.” ”Suosit lyhyitä vastauksia.” ”Yrityksesi toimii Tallinnassa.”
Proseduraalinen muisti. Toimintatavat. ”Kun käyttäjä pyytää tapaamista, käytä tätä mallia.” ”Kun asiakas kuuluu tasoon X, noudata prosessia Y.”
Muistityypit palvelevat eri tarkoituksia. Täydellinen agentin muistijärjestelmä kattaa ne kaikki.
Mitä muistin pitäisi saavuttaa
Tavoitteet ennen arkkitehtuuria:
Jatkuvuus. Agentti jatkaa siitä, mihin jäi. Käyttäjän ei tarvitse esitellä itseään uudelleen joka istunnossa.
Henkilökohtaisuus. Agentti soveltaa mieltymyksiäsi pyytämättä. Se kirjoittaa äänelläsi, käyttää työkalujasi ja viittaa tiimiisi.
Kontekstin säilyminen. Aiempien keskustelujen päätökset vaikuttavat nykyisiin. Agentin pitäisi muistaa viime kuussa tehty päätös X.
Taitojen kertyminen. Agentti oppii toimintamallisi ja soveltaa niitä. Kun Python-koodausta on käsitelty 10 keskustelussa, agentin pitäisi käyttää Pythonia oletuksena.
Tietosuoja ja unohtaminen. Mitä muistetaan, mitä ei ja mitä poistetaan. Tämä on olennaista sekä luottamukselle että lainsäädännön noudattamiselle.
Tavoitteet voivat olla ristiriidassa. Jatkuvuus haluaisi muistaa kaiken, tietosuoja ei mitään. Arkkitehtuuri tasapainottaa kompromissit.
Arkkitehtuuri
Tyypillinen kerroksellinen arkkitehtuuri:
┌─────────────────────────────────────┐
│ Working memory (in-context) │ Current conversation
├─────────────────────────────────────┤
│ Session memory (recent) │ Last N conversations
├─────────────────────────────────────┤
│ Episodic memory (long-term) │ Specific past events
├─────────────────────────────────────┤
│ Semantic memory (facts) │ Stable user facts
├─────────────────────────────────────┤
│ Procedural memory (preferences) │ How to behave for this user
└─────────────────────────────────────┘
Jokaisella kerroksella on oma tallennus-, haku- ja vanhenemislogiikkansa.
Käydään kerrokset läpi.
Kerros 1: työmuisti
Työmuisti käsiteltiin jo kontekstisuunnittelun artikkelissa. Nykyinen keskustelu on kontekstissa. Monivuoroisessa keskustelussa viimeisimmät vuorot säilytetään sanatarkasti ja vanhemmat tiivistetään.
Siirto pitkäkestoiseen muistiin tapahtuu istunnon lopussa. Keskustelun keskeinen tieto poimitaan ja tallennetaan.
Kerros 2: istuntomuisti
Viimeaikaiset istunnot, esimerkiksi viimeiset 10 keskustelua, säilytetään kevyellä tarkkuudella seuraavaa istuntoa varten.
Toteutus on aikaleiman ja aiheen kanssa tallennettu istuntokohtainen yhteenveto. Käyttäjän palatessa agentti näkee nopeasti, mitä viime aikoina on tapahtunut.
{
"session_id": "abc-123",
"user_id": "alice",
"started": "2026-05-14T10:30:00Z",
"ended": "2026-05-14T10:45:00Z",
"topic": "Drafting proposal for Acme Corp",
"summary": "Drafted v1 of the Acme proposal. Decided to lead with the cost-savings angle. Alice will review and send Friday.",
"facts_learned": ["Acme is a current customer", "Alice's deadline is Friday"],
"open_items": ["Alice to review v1 by Thursday"]
}
Uuden istunnon alussa voidaan ladata automaattisesti viimeiset 3-5 istuntoyhteenvetoa. Agentti saa kuvan viimeaikaisista tapahtumista.
Tämä on helpoimmin toteutettava istuntojen välinen muisti ja tuottaa hyötyä heti.
Kerros 3: episodimuisti
Episodimuisti sisältää pidempään muistettavat tietyt tapahtumat: päätökset, virstanpylväät ja tärkeät keskustelut.
Ne poimitaan huomionarvoisista istunnoista ja tallennetaan kattavin metatiedoin.
{
"event_id": "ev-456",
"user_id": "alice",
"date": "2026-04-22",
"type": "decision",
"description": "Alice decided to migrate from Postgres to ClickHouse for the analytics workload, citing query performance.",
"context_summary": "After 3 weeks of evaluation including performance tests and cost analysis.",
"related_topics": ["infrastructure", "analytics", "database"],
"importance": "high"
}
Kun tapahtuma liittyy nykyiseen keskusteluun, agentti hakee sen semanttisella haulla, aiheella tai aikakyselyllä, kuten ”mitä tapahtui viime kuussa?”
Haasteena on päättää, mikä tapahtuma kannattaa muistaa. Jokainen keskustelu ei kuulu episodimuistiin. Istunnon lopussa LLM voi poimia päätökset, sitoumukset ja virstanpylväät; rupattelua ei tallenneta.
Kerros 4: semanttinen muisti
Semanttinen muisti sisältää aina saatavilla olevat vakaat tosiasiat käyttäjästä: ”Alice johtaa Acmea. Hän suosii lyhyttä viestintää. Hän toimii Tallinnan aikavyöhykkeellä.”
Tosiasioita on episodeja vähemmän, mutta niitä haetaan useammin. Ne muodostavat agentin käyttäjämallin.
Toteutus on rakenteinen profiili.
{
"user_id": "alice",
"profile": {
"name": "Alice Tamm",
"role": "CEO at Acme Corp",
"location": "Tallinn, Estonia",
"timezone": "Europe/Tallinn",
"preferred_language": "English",
"communication_style": "concise, direct, no preamble",
"expertise_areas": ["product strategy", "go-to-market"],
"tools_used": ["Notion", "Slack", "Linear"]
}
}
Kun agentti oppii uusia tosiasioita, LLM tunnistaa istunnon jälkeen vakaat ehdokkaat. Ne yhdistetään automaattisesti tai siirretään tarkistettaviksi.
Semanttisten tosiasioiden pitää olla varmoja ja vakaita. Yhden keskustelun ohimenevä huomautus ”saatan kokeilla Pythonia” ei saa muuttua tosiasiaksi ”Alice suosii Pythonia”. Tallennuskynnys on korkeampi.
Luottamukseen perustuva malli:
- Kuultu kerran: ehdokas, jota ei vielä tallenneta.
- Kuultu kahdesti tai ilmaistu eksplisiittisesti: tallennetaan kohtalaisella luottamuksella.
- Eksplisiittisesti vahvistettu tai usein mainittu: tallennetaan suurella luottamuksella.
Näin agentti ei opi ohimenevistä huomautuksista vääriä tosiasioita.
Kerros 5: proseduraalinen muisti
Proseduraalinen muisti määrittää, miten agentin pitää toimia tälle käyttäjälle: työnkulut, mallit ja tiettyjen toimien mieltymykset.
Esimerkkejä:
{
"user_id": "alice",
"procedural": {
"email_signature": "...",
"meeting_preferences": "always offer 3 time slots, never schedule before 9am",
"code_style": "Python, type hints required, dataclasses over dicts",
"tone_for_clients": "warm, direct, with explicit next steps",
"approval_process": "all customer-facing communications need Alice's review before sending"
}
}
Agentti noudattaa näitä malleja vastaavissa tehtävissä.
Päivitys tapahtuu eksplisiittisestä ohjeesta, kuten ”Alice, tee X aina näin”, tai mallintunnistuksesta, kun 5 samankaltaista pyyntöä on käsitelty samalla tavalla.
Tallennusvaihtoehdot
Missä muisti säilytetään?
SQL-tietokanta. Luotettava, kyseltävä ja hyvin tunnettu vaihtoehto. Jokaiselle muistityypille määritetään oma taulunsa, ja tietoja yhdistetään hakua varten. Sopii rakenteisiin hakutapoihin.
Vektoritietokanta. Episodien semanttiseen hakuun, esimerkiksi tiettyyn aiheeseen liittyvien muistojen löytämiseen. Episodeista muodostetaan upotukset, ja haku perustuu samankaltaisuuteen.
Yhdistelmä. Usein paras ratkaisu: SQL rakenteisiin kyselyihin ja vektorihaku semanttisiin kyselyihin. Muistikohteet tallennetaan kumpaankin samoilla tunnisteilla.
Erikoistuneet muistityökalut. Mem0, Letta (aiemmin MemGPT) ja Zep ovat nimenomaan agenteille rakennettuja muistikerroksia. Niitä kannattaa harkita, jos halutaan korkeamman tason abstraktio.
Useimmille tiimeille riittää yksinkertainen SQL:n ja vektorihaun yhdistelmä. Erikoistuneista työkaluista on hyötyä, mutta ne lisäävät uuden riippuvuuden.
Hakumallit
Miten agentti tuo muistin kontekstiin?
Malli 1: automaattinen lataus istunnon alussa
Uuden istunnon alkaessa ladataan automaattisesti:
- Käyttäjän semanttinen profiili.
- Viimeisimpien N istunnon yhteenvedot.
- Avoimet sitoumukset ja jatkotoimet.
Tämä on agentin peruskonteksti käyttäjän saapuessa.
Malli 2: kyselyyn perustuva haku
Kun käyttäjän viesti viittaa aiempiin aiheisiin, haetaan siihen liittyvät episodit.
Esimerkiksi käyttäjä kysyy: ”Mihin päädyimme tietokantakeskustelussa?” Agentti hakee episodeista sanalla ”tietokanta” ja palauttaa asiaankuuluvan tapahtuman.
Toteutuksessa käyttäjän viestistä muodostetaan upotus, etsitään samankaltaiset episodit ja lisätään ne kontekstiin.
Malli 3: eksplisiittiset muistityökalut
Agentilla on työkalut muistista hakemiseen:
search_episodes(query): etsii tiettyjä aiempia tapahtumia.get_user_profile(): hakee semanttisen profiilin.list_open_items(): hakee avoimet sitoumukset.
Agentti päättää keskustelun perusteella, milloin työkaluja tarvitaan.
Malli 4: muistin taustarikastus
Taustaprosessi tarkistaa muistin säännöllisesti ja:
- Yhdistää toisiinsa liittyviä episodeja teemoiksi.
- Päivittää tosiasioiden luottamustasoja.
- Vanhentaa vanhoja muistoja, joita ei ole käytetty.
Tämä on muistin ylläpitoa: sillä muistivarasto pidetään hyödyllisenä ajan kuluessa.
Muistiin kirjoittaminen
Milloin muistiin kirjoitetaan?
Poiminta istunnon lopussa
Luotettava toimintamalli istunnon päättyessä:
- LLM analysoi keskustelun.
- Se poimii:
- Istuntoyhteenvedon.
- Huomionarvoiset tapahtumat episodimuistiin.
- Uudet tosiasiat semanttiseen muistiin.
- Mieltymyssignaalit proseduraaliseen muistiin.
- Se päivittää ja tallentaa tiedot.
Tämä eräajo pitää istunnon aikaisen käyttökokemuksen nopeana, koska muistiin ei kirjoiteta keskustelun aikana.
Poimintakehote:
Analyze this conversation. Output JSON with:
1. summary: 2-3 sentence summary of what happened.
2. notable_events: array of significant events worth remembering (decisions made, milestones, important context).
3. new_facts: array of stable facts learned about the user (only include if you have high confidence).
4. preference_signals: array of preferences observed (only if expressed clearly or repeated).
5. open_items: array of unresolved items the user might want to revisit.
Be conservative. Only include items with high confidence. Better to miss something than to hallucinate.
Arvokkaiden tosiasioiden reaaliaikainen päivitys
Joidenkin tosiasioiden kohdalla ei pidä odottaa istunnon loppua. Jos käyttäjä sanoo: ”Itse asiassa nimeni on Alex, ei Alice”, korjaus pitää ottaa käyttöön heti.
Agentti voidaan ohjata tunnistamaan eksplisiittiset korjaukset ja tärkeät uudet tosiasiat reaaliaikaisesti sekä päivittämään muisti keskustelun aikana.
Tämä vaatii huolellista suunnittelua, koska LLM saattaa oppia väärän tosiasian. Osa tiimeistä edellyttää käyttäjän vahvistusta ennen reaaliaikaisen päivityksen käyttöönottoa.
Käyttäjän käynnistämät päivitykset
Käyttäjä voi pyytää agenttia eksplisiittisesti muistamaan tietoja:
- ”Muista, että suosin X:ää.”
- ”Unohda, mitä sanoin Y:stä.”
- ”Tee Z aina.”
Näiden pitää olla ensisijaisia toimintoja. Pyynnöt toteutetaan heti, sillä ne ovat luotettavimpia signaaleja.
Agentille voidaan tarjota erillinen työkalu:
remember(content: string, type: "fact" | "preference" | "procedure")
forget(content: string)
list_what_you_remember()
Tällainen käyttäjän hallinta vahvistaa luottamusta.
Unohtaminen ja vanheneminen
Loputtomasti kasvava muisti muuttuu kohinaksi. Muistojen vanheneminen on välttämätöntä.
Aikaan perustuva vanheneminen
Vanhojen muistojen hakutodennäköisyys pienenee. Toteutus:
- Haun pisteytys lasketaan kaavalla
relevance * recency_decay. - Vanhat muistot katoavat käytännössä näkyvistä, ellei niihin viitata eksplisiittisesti.
Tärkeyteen perustuva säilytys
Tärkeät episodit säilytetään pidempään, vähäpätöiset vanhenevat nopeammin.
- Episodille merkitään tärkeys kirjoitushetkellä.
- Kriittiset tapahtumat säilytetään määräämättömän ajan.
- Tavanomaiset tapahtumat vanhenevat kuukausien kuluessa.
Käyttäjän käynnistämä unohtaminen
Käyttäjä voi pyytää tiettyjen muistojen poistamista.
- Tietyt tosiasiat.
- Tietyt ajanjaksot.
- Tietyt aiheet.
Toteutus on poistotoiminto, joka poistaa asiaankuuluvat kohteet tai merkitsee ne poistetuiksi.
Vaatimustenmukaisuuteen perustuva poistaminen
Lakisääteiset vaatimukset, kuten GDPR:n mukainen oikeus tulla unohdetuksi ja tietojen säilytyssäännöt, voivat edellyttää poistamista.
- Käyttäjätilin poistaminen → kaikki muistot poistetaan.
- Tietojen poistaminen pyynnöstä → tietyt muistot poistetaan.
- Säilytysajat → automaattinen poistaminen N kuukauden jälkeen.
Nämä ominaisuudet pitää suunnitella alusta lähtien. Niiden lisääminen jälkikäteen on työlästä.
Tietosuojanäkökohdat
Muisti sisältää arkaluonteisia tietoja, koska agentti tietää käyttäjästä paljon. Huomioon otettavat asiat:
Salaus levossa
Muistitiedot salataan. Tämä on vakiokäytäntö.
Käyttöoikeudet
Kuka saa nähdä käyttäjän muistin: vain käyttäjä, järjestelmä vai tietyissä tilanteissa tukihenkilöstö? Käytännöt pitää määrittää selkeästi, ja käyttöä pitää auditoida.
Henkilötietojen käsittely
Henkilötiedot eli PII, kuten oikeat nimet, osoitteet ja taloustiedot, pitää merkitä ja käsitellä huolellisesti. Ne tarvitsevat erityiset käyttöoikeudet ja poistomenettelyt.
Näkyvyys käyttäjälle
Käyttäjän pitää voida nähdä, mitä agentti muistaa hänestä. Tämä on sekä eettisesti oikein että hyvää UX-suunnittelua. Tarjoa muistin hallintanäkymä.
What the agent remembers about you:
Profile:
- Name: Alice Tamm
- Role: CEO at Acme Corp
- Communication style: concise, direct
Recent sessions:
- 2026-05-14: Drafted proposal for Acme
- 2026-05-12: Reviewed Q1 results
- ...
Preferences:
- Prefers concise responses
- Uses Notion, Slack, Linear
[Edit] [Delete specific items] [Delete all]
Läpinäkyvyys vahvistaa luottamusta. Piilotettu muisti tuntuu tungettelevalta.
Jakaminen eri käyttökontekstien välillä
Jos käyttäjällä on useita käyttötiloja, kuten työagentti ja henkilökohtainen agentti, hän voi haluta pitää niiden muistot erillään. Muistoja ei pidä jakaa automaattisesti käyttökontekstien välillä ilman käyttäjän pyyntöä.
Yleiset virhetilanteet
Tyypillisiä ongelmia:
Virhe 1: hallusinoidut muistot
Agentti väittää muistavansa asioita, joita ei tapahtunut: ”Viime viikolla sovimme X:stä”, vaikka X:stä ei ole koskaan keskusteltu.
Syy: LLM täydentää poiminnan tai haun aikana muistia uskottavalta kuulostavilla mutta keksityillä tiedoilla.
Korjaus: muistitoiminnot perustetaan todellisiin keskustelutietoihin. LLM poimii tiedot, mutta ne tarkistetaan alkuperäisestä keskustelulokista. Hallusinoidut tosiasiat merkitään tarkistettaviksi.
Virhe 2: väärien tosiasioiden oppiminen
Agentti esittää väärän tosiasian varmana: ”Sanoit suosivasi Pythonia”, vaikka käyttäjä sanoi joutuvansa käyttämään Pythonia työssään.
Syy: poiminnan aikana tapahtunut virhetulkinta.
Korjaus: käytetään luottamuskynnyksiä. Tietoa opitaan vain eksplisiittisistä, toistuvista tai vahvistetuista lausumista. Käyttäjä voi korjata tiedon.
Virhe 3: tietosuojavuodot
Yhden käyttäjän muisti tulee näkyviin toisen käyttäjän keskustelussa. Se on katastrofaalinen virhe.
Syy: käyttäjärajauksen toteutusvirheet.
Korjaus: käyttäjärajaus pakotetaan sekä tallennus- että hakukerroksessa. Toteutus auditoidaan. Rajauksen suodattamista ei koskaan jätetä LLM:n vastuulle.
Virhe 4: muistin paisuminen
Vuoden kuluttua muistia voi olla megatavuja käyttäjää kohden. Haku hidastuu ja kustannukset kasvavat.
Syy: vanhenemista tai karsimista ei ole.
Korjaus: muistot vanhennetaan määrätietoisesti. Useimmat muistot muuttuvat kuukausien kuluessa tavoittamattomiksi, koska niiden hakuprioriteetti laskee. Tiedot tiivistetään säännöllisesti.
Virhe 5: vanhentuneet tosiasiat
Käyttäjä vaihtoi tehtävää 6 kuukautta sitten, mutta agentti viittaa edelleen vanhaan tehtävään.
Syy: tosiasioita ei päivitetä, kun uusi tieto korvaa ne.
Korjaus: ristiriidat tunnistetaan. Kun uusi tosiasia on ristiriidassa vanhan kanssa, uusi korvaa vanhan. Epävarmassa tilanteessa pyydetään vahvistus.
Virhe 6: harhaanjohtava yhdistely
Muistin taustalla tehtävä yhdistely kirjoittaa ajoittain muistoja uudelleen tavalla, jossa tietoja katoaa.
Syy: liian aggressiivinen tiivistäminen, joka ei säilytä keskeisiä tosiasioita.
Korjaus: yhdistelyn pitää säilyttää tosiasiat eksplisiittisesti. Toimintaa testataan todellisilla muistilokeilla.
Käytännön esimerkki: muistilla varustettu henkilökohtainen avustaja
Todellinen käyttötapaus on yksittäisille käyttäjille tarkoitettu henkilökohtainen tekoälyavustaja.
Muistikerrokset:
- Työmuisti: nykyinen keskustelu.
- Istuntomuisti: viimeiset 7 istuntoa yhteenvetoina.
- Episodimuisti: 100 viimeisintä huomionarvoista tapahtumaa semanttisella haulla.
- Semanttinen muisti: käyttäjäprofiili eli nimi, tehtävä, mieltymykset ja työkalut.
- Proseduraalinen muisti: käyttäjän eksplisiittisesti määrittämät työnkulut.
Tallennus:
- SQL (Postgres): rakenteinen profiili, istunnot, episodit ja toimintatavat.
- Vektoritietokanta (pgvector): episodien semanttinen haku.
Toiminnot:
- Istunnon alussa: semanttinen profiili, viimeiset 3 istuntoa ja avoimet asiat ladataan automaattisesti.
- Istunnon aikana: episodihaku käynnistyy aiheen merkityksellisyyden perusteella.
- Istunnon lopussa: LLM-pohjainen poiminta, jonka oppimat tiedot käyttäjä voi tarkistaa.
- Taustalla: viikoittainen yhdistely, jossa toisiinsa liittyvät episodit yhdistetään ja vanhentuneet muistot vanhennetaan.
Käyttäjän hallintakeinot:
- Muistin hallintanäkymä, joka näyttää tallennetut tiedot.
- Yksittäisten kohteiden muokkaaminen ja poistaminen.
- ”Unohda viimeinen tunti” -painike.
- Koko käyttäjätilin poistaminen, jolloin kaikki tiedot pyyhitään.
Tulokset:
- Jatkuvuus: käyttäjien mukaan agentti tuntuu säilyttävän jatkuvuutensa istuntojen välillä.
- Henkilökohtaisuus: vastaustyyli vastaa käyttäjän mieltymyksiä ilman uutta kehotetta.
- Tietosuoja: eksplisiittiset hallintakeinot vahvistavat käyttäjän luottamusta.
- Kustannus: muisti muodostaa noin 5-15% istuntokohtaisesta tokenien käytöstä. Hyöty oikeuttaa kustannuksen.
Käsitellyt virhetilanteet:
- Hallusinoidut muistot havaitaan poiminnan yhteydessä tehtävässä tarkistuksessa.
- Väärät tosiasiat havaitaan luottamuskynnysten avulla.
- Tietosuoja pakotetaan jokaisessa tallennus- ja hakupisteessä.
- Paisumista hallitaan vanhenemisella ja yhdistelyllä.
Tämä on tuotantotasoinen muistijärjestelmä. Se ei ole yksinkertainen, mutta keskittynyt tiimi pystyy toteuttamaan sen.
Erikoistuneet työkalut
Muutama huomio muistipalveluista:
Mem0. Avoimen lähdekoodin hyvin suunniteltu ratkaisu, joka toteuttaa useita edellä kuvatuista toimintamalleista. Harkitsemisen arvoinen, jos kaikkea ei haluta rakentaa itse.
Letta (MemGPT). Erilainen lähestymistapa, jossa LLM hallitsee itse muistia työkalukutsuilla. Tehokas mutta monimutkaisempi.
Zep. Isännöity muistikerros, joka on helppo integroida.
Cognee. Uudempi, tietograafiin perustuva muistiratkaisu.
Työkalut säästävät toteutusaikaa, mutta lisäävät riippuvuuden ja rajoittavat mukauttamista. Kypsissä tuotantojärjestelmissä muistin rakentaminen itse on usein perusteltua. Prototyypeissä ja pienemmissä tiimeissä valmis työkalu on järkevä ratkaisu.
Yhteenveto
Pitkäkestoinen muisti saa agentin vaikuttamaan älykkäältä ja jatkuvalta sen sijaan, että se olisi joka keskustelussa muistinsa menettänyt. Samalla muisti on yksi vaikeimmin toteutettavista ominaisuuksista.
Arkkitehtuuri on kerroksellinen:
- Työmuisti eli kontekstissa oleva tieto.
- Istuntomuisti eli viimeaikaiset istunnot.
- Episodimuisti eli tietyt tapahtumat.
- Semanttinen muisti eli vakaat tosiasiat.
- Proseduraalinen muisti eli mieltymykset ja työnkulut.
Jokaisella kerroksella on oma tallennus-, haku- ja vanhenemislogiikkansa. Jokainen kerros parantaa agentin hyödyllisyyttä ajan kuluessa.
Keskeiset toimintamallit:
- Konservatiivinen poiminta: älä keksi tosiasioita.
- Luottamukseen perustuva oppiminen: älä opi ohimenevistä huomautuksista.
- Aktiivinen unohtaminen: vanhenna ja karsi muistia.
- Käyttäjän hallinta: varmista läpinäkyvyys ja muokkausmahdollisuus.
- Tietosuojan pakottaminen jokaisessa kerroksessa.
Hyvin toteutettu muisti muuttaa tekoälyn ”jokaisen keskustelun tuoreesta tuntemattomasta” ”jatkuvaksi ja hyödylliseksi kumppaniksi”. Se erottaa tekoälyn työkaluna tekoälystä työtoverina.
Muisti ei ole valinnainen ominaisuus agenteille, joiden on tarkoitus toimia kanssasi päivien, viikkojen ja kuukausien ajan. Se on perusta. Rakenna se tarkoituksellisesti sekä sen tarvitsemilla kerroksilla että kurinalaisuudella.
