Bygg minne för långvariga agenter

En AI-agent som inte minns dig är i grunden begränsad. Varje samtal börjar om från början. Du måste presentera dig igen, förklara dina preferenser på nytt och återigen klargöra det pågående arbetet. Friktionen byggs upp och förtroendet sjunker.

Detta är minnesproblemet. Kontextfönster hanterar det aktuella samtalet. Långtidsminne över sessioner, dagar och månader kräver en egen arkitektur. Det är svårare än det ser ut.

Den här artikeln behandlar hur verkligt agentminne ser ut i produktion: lagren, lagringsvalen, hämtningsmönstren och avvägningarna som skiljer ett minne som hjälper från ett som hallucinerar.

Vad ”minne” betyder

En förenklad syn är att minne betyder att ”modellen minns saker mellan samtal”. Verkligheten är mer nyanserad. Kognitionsvetenskapen skiljer mellan olika sorters minne, och AI-agenters minne gynnas av en liknande uppdelning:

Arbetsminne. Det aktuella samtalet. Hålls i kontextfönstret. Förloras när samtalet avslutas, om det inte sparas.

Episodiskt minne. Specifika tidigare händelser. ”Förra tisdagen diskuterade vi X.” ”För tre månader sedan beslutade du Y.”

Semantiskt minne. Allmänna fakta. ”Du heter Alice.” ”Du föredrar kortfattade svar.” ”Ditt företag finns i Tallinn.”

Procedurellt minne. Hur saker ska göras. ”När användaren ber om ett möte, använd den här mallen.” ”När kunden tillhör nivå X, följ process Y.”

Olika minnestyper fyller olika funktioner. Ett fullständigt minnessystem för agenter omfattar dem alla.

Vad minnet ska åstadkomma

Målen före arkitekturen:

Kontinuitet. Agenten fortsätter där den slutade. Du behöver inte presentera dig på nytt i varje session.

Personanpassning. Agenten tillämpar dina preferenser utan att bli ombedd. Den skriver med din röst, använder dina verktyg och hänvisar till ditt team.

Bevarad kontext. Beslut från tidigare samtal påverkar aktuella samtal. ”Vi beslutade X förra månaden” ska kommas ihåg.

Ackumulerad färdighet. Agenten lär sig dina mönster och tillämpar dem. Efter 10 samtal om programmering i Python bör den välja Python som standard.

Integritet och glömska. Vad som koms ihåg, vad som inte gör det och vad som raderas. Detta gäller både användarnas förtroende och regelefterlevnad.

Målen står ibland i konflikt. Kontinuitet vill minnas allt, integritet vill minnas inget. Arkitekturen hanterar avvägningarna.

Arkitekturen

En typisk skiktad arkitektur:

┌─────────────────────────────────────┐
│ Arbetsminne (i kontexten)           │  Aktuellt samtal
├─────────────────────────────────────┤
│ Sessionsminne (nyligen)             │  De N senaste samtalen
├─────────────────────────────────────┤
│ Episodiskt minne (långsiktigt)      │  Specifika tidigare händelser
├─────────────────────────────────────┤
│ Semantiskt minne (fakta)            │  Stabila fakta om användaren
├─────────────────────────────────────┤
│ Procedurellt minne (preferenser)    │  Hur agenten ska agera för användaren
└─────────────────────────────────────┘

Varje lager har egen logik för lagring, hämtning och föråldring.

Vi går igenom dem ett i taget.

Lager 1: Arbetsminne

Detta behandlas redan i artikeln om kontextutveckling. Det är det aktuella samtalet i kontexten. Samtal med flera turer använder nivåindelad kontext med de senaste turerna ordagrant och äldre turer sammanfattade.

Överlämningen till långtidsminnet sker när sessionen avslutas. Viktig information från samtalet extraheras och lagras.

Lager 2: Sessionsminne

De senaste sessionerna, exempelvis de senaste 10 samtalen, sparas med låg detaljnivå. De är tillgängliga för agenten i nästa session.

Implementeringen är en sammanfattning per session som lagras med tidsstämpel och ämne. När användaren återkommer har agenten en snabb överblick över vad som nyligen har hänt.

{
  "session_id": "abc-123",
  "user_id": "alice",
  "started": "2026-05-14T10:30:00Z",
  "ended": "2026-05-14T10:45:00Z",
  "topic": "Utarbetande av förslag till Acme Corp",
  "summary": "Utarbetade version 1 av Acme-förslaget. Beslutade att inleda med kostnadsbesparingarna. Alice ska granska och skicka det på fredag.",
  "facts_learned": ["Acme är en befintlig kund", "Alices tidsfrist är fredag"],
  "open_items": ["Alice ska granska version 1 senast torsdag"]
}

När en ny session börjar kan de 3–5 senaste sessionssammanfattningarna läsas in automatiskt. Agenten får kontext om vad som har hänt.

Detta är den mest lättillgängliga formen av minne över sessionsgränser. Den är enkel att implementera och omedelbart användbar.

Lager 3: Episodiskt minne

Specifika tidigare händelser som är värda att minnas på längre sikt: beslut, milstolpar och viktiga samtal.

De extraheras från sessioner när de är anmärkningsvärda och lagras med utförliga metadata.

{
  "event_id": "ev-456",
  "user_id": "alice",
  "date": "2026-04-22",
  "type": "decision",
  "description": "Alice beslutade att migrera analysarbetslasten från Postgres till ClickHouse med hänvisning till frågeprestandan.",
  "context_summary": "Efter 3 veckors utvärdering med prestandatester och kostnadsanalys.",
  "related_topics": ["infrastruktur", "analys", "databas"],
  "importance": "high"
}

Hämtning sker när relevanta episoder behövs i det aktuella samtalet. Det kan göras med semantisk sökning, genom att bädda in den aktuella frågan och hitta matchande episoder, med ämnesmatchning eller tidsbaserade frågor som ”vad hände förra månaden?”.

Utmaningen är att avgöra vad som kvalificerar sig som ”en episod värd att minnas”. Alla samtal gör inte det. Ett mönster är att en LLM i slutet av sessionen extraherar viktiga händelser ur samtalet. Beslut, åtaganden och milstolpar lagras, småprat gör det inte.

Lager 4: Semantiskt minne

Stabila fakta om användaren som alltid bör vara tillgängliga. ”Alice är vd för Acme. Hon föredrar en kortfattad kommunikationsstil. Hon arbetar i tidszonen Tallinn.”

Dessa är färre än episoder men hämtas oftare. De utgör agentens ”modell av användaren”.

Implementeringen är en strukturerad profil.

{
  "user_id": "alice",
  "profile": {
    "name": "Alice Tamm",
    "role": "vd på Acme Corp",
    "location": "Tallinn, Estland",
    "timezone": "Europe/Tallinn",
    "preferred_language": "engelska",
    "communication_style": "kortfattad, direkt, utan inledning",
    "expertise_areas": ["produktstrategi", "marknadsintroduktion"],
    "tools_used": ["Notion", "Slack", "Linear"]
  }
}

Uppdateringar sker när agenten lär sig nya fakta. Efter en session identifierar en LLM nya stabila fakta och föreslår dem. De slås antingen samman automatiskt eller läggs i kö för granskning.

Det är viktigt att semantiska fakta är säkra och stabila. En kommentar i förbifarten under ett samtal, som ”jag kanske provar Python”, ska inte bli ett semantiskt faktum som ”Alice föredrar Python”. Tröskeln är högre.

En konfidensbaserad metod:

• Hört en gång: ett kandidatfaktum som ännu inte lagras.
• Hört två gånger eller uttryckligen: lagras med medelhög konfidens.
• Uttryckligen bekräftat eller ofta omnämnt: lagras med hög konfidens.

Detta hindrar agenten från att ”lära sig” felaktiga fakta från kommentarer i förbifarten.

Lager 5: Procedurellt minne

Hur agenten ska bete sig för den här användaren. Arbetsflöden, mallar och preferenser för specifika åtgärder.

Exempel:

{
  "user_id": "alice",
  "procedural": {
    "email_signature": "...",
    "meeting_preferences": "erbjud alltid 3 tider, schemalägg aldrig före kl. 9",
    "code_style": "Python, typannoteringar krävs, dataklasser framför ordlistor",
    "tone_for_clients": "varm och direkt, med uttryckliga nästa steg",
    "approval_process": "all kundkommunikation måste granskas av Alice före utskick"
  }
}

Detta är mönster som agenten följer när relevanta uppgifter uppstår.

Uppdateringar sker uttryckligen, som i ”Alice, gör alltid X på det här sättet”, eller genom mönsterigenkänning, där mönstret läggs till efter 5 liknande förfrågningar som hanterats på samma sätt.

Val av lagring

Var finns minnet?

SQL-databas. Tillförlitlig, sökbar och välkänd. Varje minnestyp får en tabell. Kopplingar används vid hämtning. Passar strukturerade åtkomstmönster.

Vektordatabas. För semantisk hämtning av episoder, som ”hitta minnen som rör detta ämne”. Episoder bäddas in och hämtas genom likhet.

Kombination. Ofta bäst: SQL för strukturerade frågor och en vektordatabas för semantiska. Minnesobjekt finns i båda med konsekventa ID:n.

Specialiserade minnesverktyg. Mem0, Letta, tidigare MemGPT, och Zep. De är särskilt byggda som minneslager för agenter. Värda att överväga om du vill ha en abstraktion på högre nivå.

För de flesta team räcker en enkel kombination av SQL och vektorer. Specialiserade verktyg är användbara men tillför ett beroende.

Hämtningsmönster

Hur förs minnet in i agentens kontext?

Mönster 1: Automatisk inläsning vid sessionsstart

När en ny session börjar hämtas automatiskt:

• Användarens semantiska profil.
• De N senaste sessionssammanfattningarna.
• Eventuella öppna åtaganden eller uppföljningar.

Detta är den grundkontext agenten har när användaren anländer.

Mönster 2: Frågestyrd hämtning

När användarens meddelande antyder tidigare ämnen hämtas relevanta episoder.

Exempel: användaren frågar ”vad blev slutsatsen i vår databasdiskussion?”. Agenten söker efter episoder om ”databas” och hämtar den relevanta.

Implementeringen bäddar in användarens meddelande, hittar liknande episoder och inkluderar dem i kontexten.

Mönster 3: Explicita minnesverktyg

Agenten har verktyg för att söka i minnet:

• search_episodes(query): hitta specifika tidigare händelser.
• get_user_profile(): hämta den semantiska profilen.
• list_open_items(): hämta väntande åtaganden.

Agenten avgör utifrån samtalet när de ska anropas.

Mönster 4: Minnesberikning i bakgrunden

En bakgrundsprocess granskar regelbundet minnet och:

• Konsoliderar relaterade episoder till teman.
• Uppdaterar faktas konfidens.
• Föråldrar gamla minnen som inte har använts.

Detta är ”minnesunderhåll”: att hålla minneslagret användbart över tid.

Att skriva minnen

När skrivs minnen?

Extrahering i slutet av sessionen

Det tillförlitliga mönstret. När en session avslutas:

1. En LLM analyserar samtalet.
2. Den extraherar:
   • Sessionssammanfattning.
   • Anmärkningsvärda händelser för det episodiska minnet.
   • Nya fakta för det semantiska minnet.
   • Preferenssignaler för det procedurella minnet.
3. Den uppdaterar och lagrar.

Denna batchbearbetning håller upplevelsen under sessionen snabb, eftersom inga minnesskrivningar görs under samtalet.

Prompt för extrahering:

Analysera det här samtalet. Returnera JSON med:

1. summary: sammanfattning av händelserna i 2–3 meningar.
2. notable_events: lista över betydelsefulla händelser som är värda att minnas (fattade beslut, milstolpar och viktig kontext).
3. new_facts: lista över stabila fakta som har lärts in om användaren (inkludera endast vid hög konfidens).
4. preference_signals: lista över observerade preferenser (endast om de uttryckts tydligt eller upprepats).
5. open_items: lista över olösta frågor som användaren kan vilja återkomma till.

Var försiktig. Inkludera endast poster med hög konfidens. Det är bättre att missa något än att hallucinera.

Realtidsuppdateringar för värdefulla fakta

För vissa fakta är det fel att vänta till sessionens slut. Om en användare säger ”egentligen heter jag Alex, inte Alice” bör rättelsen tillämpas omedelbart.

Ett mönster är att låta agenten upptäcka uttryckliga rättelser eller viktiga nya fakta i realtid och uppdatera minnet direkt.

Det kräver försiktig utformning, eftersom LLM-modellen kan ”lära sig” felaktiga fakta. Vissa team kräver användarbekräftelse innan realtidsuppdateringar tillämpas.

Användarinitierade uppdateringar

Användaren kan uttryckligen tala om för agenten vad som ska kommas ihåg:

• ”Kom ihåg att jag föredrar X.”
• ”Glöm det jag sade om Y.”
• ”Gör alltid Z.”

Detta ska vara en förstaklassfunktion. Följ instruktionerna omedelbart. De är signalerna med högst konfidens.

Ett specifikt verktyg som agenten kan erbjuda:

remember(content: string, type: "fact" | "preference" | "procedure")
forget(content: string)
list_what_you_remember()

Att ge användarna denna kontroll bygger förtroende.

Glömska och föråldring

Ett minne som växer för alltid blir brus. Föråldring är nödvändig.

Tidsbaserad föråldring

Äldre minnen hämtas med lägre sannolikhet. Implementering:

• Poängsätt hämtning med relevance * recency_decay.
• Gamla minnen försvinner i praktiken om de inte uttryckligen efterfrågas.

Betydelsebaserad lagring

Viktiga episoder bevaras längre och triviala föråldras snabbare.

• Märk episoder med betydelse när de skrivs.
• Kritiska händelser: lagras utan tidsgräns.
• Rutinmässiga händelser: föråldras över några månader.

Användarinitierad glömska

Användaren kan begära att specifika minnen raderas.

• Specifika fakta.
• Specifika tidsperioder.
• Specifika ämnen.

Implementeringen är en raderingsoperation som tar bort eller markerar relevanta objekt som raderade.

Regelstyrd radering

Rättsliga krav, som rätten att bli bortglömd enligt GDPR och datalagringslagar, kräver ibland radering.

• Användarkontot raderas → alla minnen raderas.
• Data raderas på begäran → specifika minnen raderas.
• Lagringsgränser → automatisk radering efter N månader.

Detta måste byggas in från början. Efterhandsanpassning är smärtsam.

Integritetsaspekter

Minne är känsligt. Agenten vet mycket om användaren. Överväg följande:

Kryptering i vila

Minnesdata krypteras. Det är standardpraxis.

Åtkomstkontroller

Vem kan se en användares minne? Bara användaren, bara systemet eller supportpersonal under vissa villkor? Definiera detta tydligt. Granska åtkomsten.

Hantering av personuppgifter

Personligt identifierbar information, som riktiga namn, adresser och ekonomiska uppgifter, ska märkas och behandlas varsamt. Särskilda åtkomstkontroller och raderingsrutiner behövs.

Insyn för användaren

Användare bör kunna se vad agenten minns om dem. Det är både etiskt rätt och en god användarupplevelse. Tillhandahåll en ”minnespanel”.

Det agenten minns om dig:

Profil:
- Namn: Alice Tamm
- Roll: vd på Acme Corp
- Kommunikationsstil: kortfattad, direkt

Senaste sessioner:
- 2026-05-14: Utarbetade förslag till Acme
- 2026-05-12: Granskade resultaten för Q1
- ...

Preferenser:
- Föredrar kortfattade svar
- Använder Notion, Slack och Linear

[Redigera] [Ta bort specifika poster] [Ta bort allt]

Denna transparens bygger förtroende. Dolt minne känns obehagligt.

Delning mellan kontexter

Om användaren har flera ”lägen”, som en arbetsagent och en privat agent, kan hen vilja hålla minnena åtskilda. Dela inte automatiskt mellan lägen om användaren inte har bett om det.

Vanliga fellägen

Några mönster:

Fel 1: Hallucinerade minnen

Agenten påstår sig minnas saker som aldrig hänt. ”Förra veckan enades vi om X”, trots att X aldrig diskuterades.

Orsak: LLM-modellen ”fyller i” minnen som låter rimliga under extrahering eller hämtning.

Åtgärd: grunda minnesoperationerna på verkliga samtalsdata. LLM-modellen extraherar, men verifiering görs mot det faktiska transkriptet. Hallucinerade fakta ska flaggas.

Fel 2: Felaktiga fakta lärs in

Agenten anger felaktiga fakta med stor säkerhet. ”Du sade att du föredrar Python”, när du egentligen sade att du var tvungen att använda Python på jobbet.

Orsak: feltolkning under extraheringen.

Åtgärd: konfidensgränser. Lär bara från uttryckliga, upprepade eller bekräftade påståenden. Användaren ska kunna rätta dem.

Fel 3: Integritetsläckor

Minnen från en användare visas i en annan användares samtal. Katastrofalt.

Orsak: fel i logiken som avgränsar användare.

Åtgärd: framtvinga användaravgränsning i både lagrings- och hämtningslagret. Granska. Lita aldrig på att LLM-modellen filtrerar.

Fel 4: Minnesöverflöd

Efter ett år omfattar minnet flera megabyte per användare. Hämtningen blir långsammare och kostnaderna ökar.

Orsak: ingen föråldring eller gallring.

Åtgärd: aggressiv föråldring. Merparten av minnet blir otillgängligt, genom låg hämtningsprioritet, efter några månader. Komprimera regelbundet.

Fel 5: Inaktuella fakta

Användaren bytte roll för 6 månader sedan. Agenten hänvisar fortfarande till den gamla rollen.

Orsak: fakta uppdateras inte när de ersätts.

Åtgärd: upptäck motsägelser. När ett nytt faktum står i konflikt med ett gammalt vinner det nya, med bekräftelse om det råder osäkerhet.

Fel 6: Förvirrande konsolidering

Minneskonsolidering i bakgrunden skriver ibland om minnen så att information går förlorad.

Orsak: aggressiv sammanfattning utan att centrala fakta bevaras.

Åtgärd: konsolideringen måste uttryckligen bevara fakta. Testa konsolideringen på verkliga minnestranskript.

Ett genomarbetat exempel: personlig assistent med minne

Ett verkligt fall är en personlig AI-assistent för enskilda användare.

Minneslager:

1. Arbetsminne: det aktuella samtalet.
2. Session: de senaste 7 sessionerna i sammanfattad form.
3. Episodiskt: de 100 senaste anmärkningsvärda händelserna, med semantisk sökning.
4. Semantiskt: användarprofil med namn, roll, preferenser och verktyg.
5. Procedurellt: uttryckliga arbetsflöden som användaren har skapat.

Lagring:

• SQL (Postgres): strukturerad profil, sessioner, episoder och procedurer.
• Vektordatabas (pgvector): semantisk sökning i episoder.

Operationer:

• Sessionsstart: läs automatiskt in den semantiska profilen, de senaste 3 sessionerna och öppna punkter.
• Under sessionen: hämta episoder när ämnets relevans utlöser det.
• Sessionsslut: LLM-baserad extrahering, där användaren kan granska vad som lärdes in.
• I bakgrunden: konsolidering varje vecka, med sammanslagning av relaterade episoder och föråldring av inaktuella.

Användarkontroller:

• En minnespanel som visar vad som koms ihåg.
• Redigering och radering av enskilda objekt.
• Knappen ”Glöm den senaste timmen”.
• Fullständig kontoradering som rensar allt.

Resultat:

• Kontinuitet: användarna uppger att agenten ”känns beständig” mellan sessionerna.
• Personanpassning: svarsstilen matchar användarens preferenser utan nya prompter.
• Integritet: uttryckliga kontroller ger användarna trygghet.
• Kostnad: minnet står för cirka 5–15 % av tokenanvändningen per session. Det är värt det.

Hanterade fellägen:

• Hallucinerade minnen fångas genom verifiering vid extraheringen.
• Felaktiga fakta fångas med konfidensgränser.
• Integriteten framtvingas vid varje lagrings- och hämtningspunkt.
• Överflöd hanteras med föråldring och konsolidering.

Detta är ett minnessystem av produktionsklass. Inte trivialt, men fullt möjligt för ett fokuserat team.

Specialiserade verktyg

Några ord om alternativ för minne som tjänst:

Mem0. Öppen källkod och väl utformat. Hanterar många av mönstren ovan. Värt att överväga om du inte vill bygga från grunden.

Letta (MemGPT). Ett annat paradigm där LLM-modellen själv hanterar minnet genom verktygsanrop. Kraftfullt men mer komplext.

Zep. Ett driftat minneslager. Enkel integration.

Cognee. Nyare, med minne baserat på kunskapsgrafer.

Verktygen sparar utvecklingstid. De tillför också ett beroende och begränsar anpassningen. För mogna produktionssystem är det ofta rimligt att bygga minnet själv. För prototyper eller mindre team är det rimligt att använda ett verktyg.

Slutsatsen

Långtidsminne är det som får agenter att kännas intelligenta och kontinuerliga i stället för glömska. Det är också en av de svårare sakerna att få rätt.

Arkitekturen är skiktad:

• Arbetsminne i kontexten.
• Sessionsminne för de senaste sessionerna.
• Episodiskt minne för specifika händelser.
• Semantiskt minne för stabila fakta.
• Procedurellt minne för preferenser och arbetsflöden.

Varje lager har egen logik för lagring, hämtning och föråldring. Alla bidrar till att göra agenten användbar över tid.

Mönstren som spelar roll:

• Konservativ extrahering, så att fakta inte hallucineras.
• Konfidensbaserad inlärning, så att kommentarer i förbifarten inte lärs in.
• Aktiv glömska genom föråldring och gallring.
• Användarkontroll genom transparens och möjlighet att redigera.
• Framtvingad integritet i varje lager.

Rätt utfört förvandlar minnet AI från ”en ny främling i varje samtal” till ”en kontinuerlig och användbar partner”. Det är skillnaden mellan AI som verktyg och AI som kollega.

För agenter som du avser att leva med över dagar, veckor och månader är minne inte valfritt. Det är grundläggande. Bygg det medvetet, med de lager och den disciplin som krävs.