9.000+

tokens per query VÓÓR xMemory

~4.700

tokens per query NÁ xMemory

~50% Tokenreductie + Verbeterde Nauwkeurigheid

Het enige geheugensysteem dat geld bespaart EN AI slimmer maakt

Het Probleem: Waarom Standaard RAG Faalt voor AI-agenten

Standaard RAG is ontworpen voor grote documentdatabases met zeer uiteenlopende inhoud. AI-agenten hebben iets veel moeilijkers: een continue, gecorreleerde stroom van gesprekken waarin stukken bijna-duplicaten van elkaar zijn.

Het citrusvruchtenprobleem: Een gebruiker zei "Ik hou van sinaasappels", "Ik vind mandarijnen lekker" en besprak apart wat citrusvruchten zijn. Standaard RAG behandelt alles als semantisch dichtbij — en haalt 10 kopieën van "citrusvoorkeur" op, terwijl de feitelijke categoriefeiten die nodig zijn om de query te beantwoorden, worden gemist. De agent krijgt te weinig context die hij al bezit.

Waarom Bestaande Oplossingen Het Erger Maken

Ontwikkelteams kiezen vaak voor post-retrieval pruning of compressie — het filteren van ruis na ophalen. Klinkt redelijk, maar dit faalt voor AI-agenten omdat menselijke dialoog "tijdelijk verstrengeld" is:

• Co-referenties: "het" en "dat" verwijzen naar eerdere context

• Ellips: ontbrekende woorden die alleen begrijpelijk zijn met voorgaande zinnen

• Tijdlijnafhankelijkheden: feiten die alleen in volgorde relevant zijn

Pruning-tools verwijderen per ongeluk essentiële gespreksfragmenten. De AI verliest de draad. Antwoorden worden onsamenhangend. U heeft voor die tokens betaald en niets gekregen.

xMemory: Een 4-Laags Geheugenhiërarchie

Onderzoekers van King's College London en The Alan Turing Institute bouwden xMemory — een framework dat gesprekken ordent in een doorzoekbare semantische hiërarchie in plaats van alles in de context te dumpen.

4

Themaniveau

Onderwerpen en categorieën op hoog niveau — zoekopdracht begint hier

3

Semantisch niveau

Gedistilleerde herbruikbare feiten — kernkennis, geen herhaling

2

Afleveringsniveau

Aaneengesloten samengevatte blokken van gesprek

1

Ruwe berichten

De originele gespreksstroom

De Kerninnovatie: Onzekerheidsdrempel

💡 Semantische gelijkenis is een signaal voor kandidaatgeneratie. Onzekerheid is een beslissignaal.

— Lin Gui, co-auteur, King's College London

Traditionele systemen zoeken alleen op basis van gelijkenis . xMemory voegt een tweede drempel toe: onzekerheid . Na het vinden van kandidaten wordt gevraagd: "Vermindert dit daadwerkelijk mijn onzekerheid over het antwoord?" Zo niet, dan stopt het. Daarom bereikt xMemory een betere nauwkeurigheid met minder tokens.

Gelijkenis vertelt wat dichtbij is. Onzekerheid vertelt wat daadwerkelijk de moeite waard is om te betalen in het promptbudget.

xMemory versus de Alternatieven

Systeem Structuur Redundantie Nauwkeurigheid Kosten Flat RAG (MemGPT) Ruwe logs Hoog Valt uit Hoog Gestructureerde RAG (A-MEM) Hiërarchie/Grafiek Gemiddeld Matig Gemiddeld xMemory ⭐ 4-Level + Onzekerheidspoort Laag Verbetert -50%

Wat Dit Betekent voor Codeeragenten

Voor AI-codeeragenten die multi-sessie workflows uitvoeren, is xMemory direct toepasbaar:

✅ Agent kan coherent projectgeheugen behouden gedurende uren of dagen werk zonder dat de context explodeert

✅ Relevante codebeslissingen uit eerdere sessies worden opgehaald zonder volledige geschiedenis opnieuw in te voegen

✅ Minder tokens per query = lagere API-kosten + snellere reacties

✅ Betere nauwkeurigheid omdat irrelevante gesprekken structureel worden uitgesloten, niet alleen bijgesneden

Stop met betalen voor tokens die u niet nodig heeft.

De toekomst van AI-geheugen is niet grotere contextvensters — het is slimmer ophalen. xMemory bewijst dat u beide kunt hebben: lagere kosten EN betere antwoorden.

Onderzoek: xMemory (arXiv:2602.02007) — King's College London & The Alan Turing Institute | Via VentureBeat Tags: #xMemory #AIResearch #TokenOptimization #CodingAgent #RAG #LLMMemory #FinOps #AI