Hukommelse i AI-agenter: Sådan bygger du AI-agenter med vedvarende kontekst

Hvis du skulle følge en ny kollega hen til printeren hver morgen i seks måneder, ville du begynde at blive bekymret. Hvis de kunne gengive hver eneste tidligere tur i perfekt detalje, men stadig skulle følges derhen, er deres hukommelse fremragende…men du ville stadig skulle rejse dig fra dit skrivebord.

AI-agenters hukommelse har i dag sin egen udgave af denne evige tur til printeren. Lettas CEO, Charles Packer, siger i The New Stack, at hukommelsesbenchmarks er mættede, fordi de måler genkaldelse, som han betragter som løst. Det uløste problem er en agent, der bliver bedre til sit arbejde gennem den kontekst, den bevarer, uden nogen form for gentræning.

Hans medstifter, Sarah Wooders, sammenligner det med at starte i et nyt job – benchmarks giver agenten al den kontekst, den har brug for – opgave efter urelateret opgave, hvilket slet ikke ligner den måde, mennesker arbejder på. En nyansat skal måske følges hen til printeren. Men efter tre år ville du håbe at kunne give dem en opgavebeskrivelse på én linje uden at rejse dig fra dit skrivebord.

Det er den standard, vi skal bygge hen imod, og målet bag Brain, vores selvforbedrende hukommelsessystem til Perplexity Computer, som organiserer tidligere arbejde og rettelser i en videnswiki, der løbende udvikler sig.

Vi gennemgår, hvad en agent bør huske, og hvordan man tester, om det hjælper agenten med at udføre bedre arbejde.

Hvad er AI-agenthukommelse?

AI-agenthukommelse er de oplysninger, en agent bevarer fra tidligere interaktioner og arbejde, sammen med mekanismerne til at opdatere og bruge dem. Den vedvarende hukommelseskontekst bærer disse oplysninger på tværs af sessioner, så det at lukke en samtale ikke betyder, at den næste opgave skal startes helt forfra.

Det meste af det, der lanceres under det navn, husker brugeren. Dine præferencer, dine kontakter, din rolle, det faktum at du vil have PDF'er frem for PNG'er. Det er den nemme halvdel.

Da vi byggede Brain, hukommelsessystemet bag Perplexity Computer, fokuserede vi på selve arbejdet. Hvilken tilgang lykkedes? Hvilken kilde spildte tyve minutter? Hvad måtte du rette, efter at agenten havde meddelt, at den var færdig? Den historik giver den næste opgave et bedre udgangspunkt.

Brain gemmer disse oplysninger som filer i agentens sandbox, organiseret i tre lag:

• sessions/ indeholder rå transskriptioner og deres resuméer.
• notes/ indeholder destillerede oplysninger organiseret efter emne.
• knowledge/ indeholder selve wikien: linkede Markdown-sider om personer, projekter og koncepter.

Intet af det forbedrer sig af sig selv. Om natten læser baggrundsagenter, som vi kalder ”Dream”, dagens sessioner, opsummerer dem og reviderer wikien, hvor billedet har ændret sig. Vi klargør og kontrollerer disse ændringer, før vi committer dem via Git, så der er en diff at gennemgå, når noget ser forkert ud.

Gør det agenten bedre til jobbet? I vores parrede 30-dages evaluering forbedrede sessioner med Brain aktiveret korrektheden med 9,3 procentpoint og genkaldelsen med 8,9, mens de brugte omkring 15 % færre tokens.

Udvid

Kilde: X

Hvilke typer agenthukommelse findes der?

Der er to overordnede typer, og opdelingen minder meget om den, du ville bruge for et menneske: det, du har i hovedet lige nu, og det, du stadig ved om en måned.

Korttidshukommelse

Korttidshukommelsen indeholder konteksten for den aktuelle samtale eller opgave. Din forespørgsel, de seneste beskeder, resultatet af et værktøjskald, det dokument, agenten lige har åbnet. Nok oplysninger til at finde ud af, hvad der skal ske nu.

Det kaldes også arbejdshukommelse. For en LLM indeholder kontekstvinduet de oplysninger, der er tilgængelige under et bestemt modelkald. Applikationen kan vedligeholde en ekstra opgavetilstand og beslutte, hvilke dele der skal leveres i hvert trin.

Og at hukommelsen er kortvarig, betyder ikke nødvendigvis, at den er til engangsbrug. Et framework kan gemme samtalens tilstand og genoptage den i morgen – den hører stadig til den tråd. Men om en anden opgave kan bruge oplysningerne, er en separat designbeslutning.

Langtidshukommelse

Langtidshukommelse gør oplysninger tilgængelige på tværs af sessioner. CoALA-artiklen lånte tre kategorier fra kognitionsvidenskaben og gav agentudviklere et ordforråd for erfaringer og knowhow:

• Episodisk hukommelse er det, der skete: Det omfatter tidligere sessioner, de trin, en agent tog, og det resultat, den fik. I Brain leverer sessions/ denne historik gennem rå transskriptioner og deres resuméer.
• Semantisk hukommelse er det, agenten opfatter som sandt: Det kan være fakta om brugeren, deres projekter og deres verden, destilleret fra samtalerne. Wikien knowledge/ i Brain indeholder denne type oplysninger med links tilbage til beviserne.
• Procedural hukommelse er, hvordan man gør ting: Det er prompts, genanvendelige arbejdsprocesser og de Skills, som Perplexity bygger for at give agenter de instruktioner og værktøjer, et job kræver. Du har måske allerede noget af dette uden at kalde det hukommelse.

Det interessante arbejde sker mellem lagene. En session registrerer, at du afviste en PNG. Din instruks om at bruge PDF'er bliver til en præference, som agenten kan tage med videre. En rettelse til eksportprocessen bliver til noget, den kan følge næste gang.

Den omdannelse fra ”det her skete” til ”det her er sandt” til ”sådan gør vi det her” er en del af det læringsproblem, vi indledte med, og det er dér, de natlige kørsler af Dream-agenten i Brain bruger deres kræfter.

Forestil dig, at nogen varmer fisk i mikrobølgeovnen i et fælleskøkken. Der kommer klager, et vindue bliver åbnet. Til sidst dukker der et skilt op: INGEN FISK.

Seks måneder senere er synderen flyttet, men skiltet hænger der stadig. Det er persistens. Du kan forklare hukommelsestyperne ud fra, hvad der overlever:

• Arbejdshukommelse er det, du holder styr på, mens du laver frokost, for eksempel at suppen skal røres.
• Episodisk hukommelse er fiskehændelsen; lugten, der fulgte alle ud på gangen.
• Semantisk hukommelse er den viden, du fik ud af det – opvarmet fisk kan efterlade en lugt, der hænger ved i et fælleskøkken.
• Procedural hukommelse er den instruks, der styrer, hvad der sker fremover. Varm ikke fisk i mikrobølgeovnen her. Skiltet gør det muligt for en, der gik glip af hele hændelsen, at følge reglen.

Der er også endnu en skelnen, fordi den ændrer, hvad vi bygger. En oversigtsartikel, der første gang blev udgivet i december 2025, Memory in the Age of AI Agents, siger, at kort over for lang ikke er nok – den sorterer også hukommelse efter form:

• Tokenniveau: Det er det eksplicitte indhold, agenten læser. Filer, gemte poster, hentede tekststykker.
• Parametrisk: Det er oplysninger, der er kodet i lærte vægte. Opdatering af dem kræver træning eller metoder til modelredigering.
• Latent: Det er oplysninger, der bevares i interne repræsentationer uden at blive skrevet ud som læsbar tekst.

Her fokuserer vi på hukommelse på tokenniveau, altså oplysninger, der gemmes uden for modellen og læses ind i dens kontekst efter behov. Markdown-wikien i Brain er ét eksempel.

Udvid

Når vi opdaterer en side, ændrer vi, hvad agenten kan læse ved sin næste opgave, men dens underliggende vægte forbliver de samme. Det er Packers pointe fra indledningen: at blive bedre gennem den kontekst, agenten bevarer, uden gentræning.

Hvordan arbejder de forskellige typer agenthukommelse sammen?

En agent kan vende tilbage til et tidligere forsøg, se, hvor det gik galt, og indlæse de instruktioner, du gav den bagefter. Der er flere typer hukommelse involveret i den samme opgave, og de behøver ikke hver deres tur eller en separat database.

Her afgør persistens, hvad der forbliver tilgængeligt, efter at samtalen er slut, mens hentning afgør, om agenten nogensinde ser det igen.

I Brain bevarer vi den vej fra læringen tilbage til beviserne. Forestil dig, at du beder Computer om at fortsætte et projekt fra sidste uge:

• Indekset i Brain fortæller den, hvilke hukommelsessider der findes, og hvor de kan findes.
• Brain åbner projektsiden for at læse de gemte beslutninger og instruktioner.
• Hvis en note siger, at du afviste en tilgang, kan agenten følge dens kildehenvisning tilbage til samtalen og tjekke hvorfor.

Linkene til relaterede sider giver den mulighed for at slå de involverede personer eller andre projekter op. Agenten gør dette ved at læse og søge i filer. grep giver den for eksempel mulighed for at finde omtaler af et projekt ved navn.

Vi har også testet, hvad agenter får ud af at kunne udforske filer. I en intern benchmark med 150 spørgsmål om finansielle dokumenter opnåede en udforskningsagent med almindelige filværktøjer en svarscore på 0,627 sammenlignet med omkring 0,37 for semantisk søgning i det samme korpus.

Udvid

Kilde: X

Hvordan forbedrer man AI-agenthukommelse?

En artikel fra maj 2026 af Orogat og Mansour identificerer fire tilbagevendende fejl i agenthukommelse: Lageret bliver ved med at vokse, forældede antagelser bliver ikke revideret, oplysninger bliver glemt, når pladsen slipper op, og hentning læser uden at lære noget af besøget.

Deres foreslåede løsning er at holde op med at behandle agenthukommelse som lagring og i stedet behandle den som en ”tilstand”, der udvikler sig gennem fire operationer: indtag, revider, glem, hent. Det er vores tjekliste for dette afsnit.

Vær selektiv med, hvad der bliver husket

Når først et ”dårligt” minde er kommet ind, arver hvert trin det.

Workday AI Research testede en selektiv tilgang på omkring 1.500 kandidatminder fra LoCoMo-benchmarken og stillede fem spørgsmål, før nogen af dem blev bevaret:

• Er det nyttigt? Vil det sandsynligvis dukke op igen?
• Er det troværdigt? Sagde samtalen faktisk dette, eller udfyldte modellen det selv?
• Er det nyt eller allerede gemt?
• Er det aktuelt?
• Er det et varigt faktum eller en forbigående tilstand?

Kun det første spørgsmål krævede et modelkald. De andre fire kørte som regler på under 65 millisekunder tilsammen. Metoden opnåede 12 % højere præcision i beslutninger om at beholde eller kassere, mens 97 % af de relevante minder blev bevaret.

Det største bidrag kom fra det sidste spørgsmål – fjern skelnen mellem varige og midlertidige oplysninger, og beslutningskvaliteten faldt med omkring 18 %.

Revider svaret uden at miste historikken

Registrer, hvornår et faktum blev gyldigt, hvilken kilde der understøtter det, og hvad det erstattede. Hvis kilderne er uenige, så hold uenigheden synlig, indtil der er nok beviser til at afgøre den. Det nyeste dokument kan også tage fejl.

Brain opdaterer wikien ved hjælp af kildedokumenter, resultater fra connectorer og rettelser fra brugere. Hver hukommelsespost linker tilbage til sin kilde. Agenten skal kunne finde det aktuelle svar og have et sted at kigge, hvis svaret virker mistænkeligt.

Glem med vilje

Artiklen kalder én fejltype ”kapacitetsdrevet glemsel”: Oplysninger fjernes for at overholde en lagergrænse snarere end fordi de ikke længere er nyttige.

Tilbage til fælleskøkkenet. Efter seks måneder er der ingen, der bekymrer sig om, hvem der varmede fisken i mikrobølgeovnen, eller hvor længe vinduet stod åbent. Men skiltet har stadig en opgave.

Hvis den næste person laver frokost, vil reglen være tilgængelig. Du arkiverer bare klagerne.

Workdays kontrol af aktualitet og informationstype starter før lagring og filtrerer, hvad der fortjener at blive et minde. I Brain genbesøger vi også eksisterende viden, efterhånden som kildedokumenter ændrer sig, og brugere foretager rettelser. I begge tilfælde er det indholdet, der gør det nødvendigt at gribe ind.

Lad hentning give input til den næste opdatering

Agenten henter et faktum, bruger det og efterlader lageret præcis, som den fandt det. Medmindre systemet registrerer, hvad der skete bagefter, er der nu intet, der registrerer, om faktummet hjalp eller sendte agenten ud i endnu en blindgyde.

Registrer resultatet, kilden og eventuelle rettelser. Da vi byggede Brain, gjorde vi denne arbejdshistorik til en del af det, den husker: hvilken tilgang der lykkedes, hvilken kilde der ikke førte nogen vegne, og hvad brugeren rettede, efter at agenten havde meddelt, at den var færdig. Brain indarbejder den erfaring i sine periodiske wikiopdateringer, så senere opgaver kan bruge den.

Intet af dette viser sig dog i en genkaldelsesbenchmark. Måden at finde ud af, om løkken virker, er at give agenten en opgave, den kun kan løse med hukommelse, og tælle, hvor ofte den løser den, med omkostninger og latenstid medregnet. Det er, hvad DolphinBench gør, og det er derfor, topscorerne stadig ligger i halvfjerdserne.

Sådan bygger du en agent med vedvarende hukommelse ved hjælp af Perplexity

Perplexitys Agent API leveres ikke med et selvvedligeholdende hukommelsessystem som Brain. Det siger vi hellere med det samme. Men det giver dig de dele af hukommelsen, du har brug for: et sted at gemme procedurer, en måde at overføre kontekst mellem samtalerunder på og værktøjer til at læse fra og skrive til et lager, du selv styrer.

Start med procedurel hukommelse

En brugerdefineret Skill samler instruktioner, procedurer og understøttende filer under et versionsnummer. Et platformteam kan skrive sine udrulningstjek, kriterier for tilbagerulning og rapporteringsformat én gang og derefter lade applikationer henvise til den samme Skill. Når proceduren ændres, uploader teamet en ny version.

Udvid

Kilde: X

En Profile går et niveau højere op. Profiles gemmer agentens model, instruktioner, værktøjer, Skills, connectorer og kørselsindstillinger under ét versioneret ID.

Vi tilføjede begge dele i september sammen med administrerede connectorer, så en projektadministrator kan konfigurere en godkendt GitHub- eller Slack-forbindelse én gang og lade applikationer henvise til den i stedet for at gemme separate legitimationsoplysninger. Når adgangen ændres, opdaterer administratoren forbindelsen ét sted.

Hvorfor tæller det som hukommelse? Endnu en gang tilbage til køkkenet med fisken i mikrobølgeovnen. Den næste, der kommer forbi, kan overholde INGEN FISK uden at have overværet klagerne.

En Skill gør det samme for en agent, med plads til de trin, undtagelser og tjek, der ikke kan være på døren til en mikrobølgeovn. Skills skrives ned, versioneres og er tilgængelige, næste gang opgaven dukker op.

Vi bruger også Skills til at styre Dreams hukommelsesopdateringer. Men det, en Skill ikke gør, er at lære af sig selv. Instruktionerne ændres, når en ny version uploades, uanset om det sker af en person eller en automatiseret proces.

Hvis du vil have agenten til at opdage, at tilbagerulningstjekket bliver ved med at fejle på én tjeneste, og tilpasse sig, er det løkken fra sessioner til wiki, som vi beskrev tidligere.

Du skal bevare det, der skete, finde ud af, hvad der bør ændres, og gøre rettelsen tilgængelig næste gang. Det kræver de to næste byggesten.

Overfør arbejdshukommelse mellem samtaletrin

Agenten kører et udrulningstjek. Du spørger: »Hvorfor fejlede det?« Et rimeligt opfølgende spørgsmål, forudsat at agenten stadig kan se, hvad »det« henviser til.

Vores Agent API understøtter to måder at føre samtalekonteksten videre på:

• Genafspil selv samtalen: Medtag tidligere beskeder i input-arrayet i den næste anmodning. Du bestemmer, hvad der skal beholdes, opsummeres, sløres eller udelades, før du sender den.
• Fortsæt fra et fuldført svar: Gem svarets ID, og send det som previous_response_id sammen med den næste besked. Vi opbevarer samtaletilstanden på serveren, så din applikation ikke behøver at sende de tidligere samtaletrin igen. Du kan fortsætte fra det seneste svar i kæden.

Genafspilning giver dig kontrol over, hvad agenten ser, og når du fortsætter via ID, slipper du for at samle samtalen igen. Uanset hvad skal du angive eventuelle nye instruktioner, værktøjer eller modelindstillinger, der er nødvendige for det næste svar.

Brug dit eget episodiske og semantiske lager

Det er den del, Agent API overlader til dig.

En mulighed er funktionskald. Du definerer værktøjerne, agenten anmoder om et kald, og din applikation udfører det og returnerer resultatet. Til hukommelse er et enkelt udgangspunkt en læseoperation, før agenten handler, og en skriveoperation bagefter.

Logger du kun den oplysning, agenten hentede, ved du stadig ikke, om den hjalp. Logger du resultatet, kilden og det, brugeren rettede, har du begyndelsen på et episodisk lag.

Vores MCP-understøttelse giver dig en anden mulighed. Hvis en kompatibel ekstern MCP-server stiller de operationer til rådighed, du har brug for, kan agenten kalde dem, uden at du skal pakke hver enkelt ind som en brugerdefineret funktion.

Vores connectorer giver agenten adgang til kildematerialet bag erindringerne. GitHub, Slack, Google Drive, Datadog, Linear og Notion findes i vores administrerede katalog, og du kan tilføje brugerdefinerede connectorer til interne systemer.

Til sidst skal du beslutte, hvornår historikken gennemgås, og hvornår den aktuelle fremstilling revideres.

Test, hvad der overlever en ny session

Luk nu samtalen. Start en ny anmodning uden at genafspille de gamle beskeder eller sende previous_response_id, men giv agenten adgang til det samme hukommelseslager. Bed den om at udføre relateret arbejde uden at gentage rettelsen.

Hvis den har brug for påmindelsen, er du ikke færdig endnu.

Byg nogle få tests til udrulningsagenten, der tjekker, hvad der bør føres videre:

• Rettelsen overlever: Den henter og bruger den verificerede tilbagerulningskommando for den berørte tjeneste.
• Rettelsen holder sig inden for sit område: Den lader andre tjenesters procedurer være.
• Ny information erstatter gammel vejledning: Når kommandoen ændres igen, bruger den den aktuelle version og kan spore ændringen tilbage til kilden.

Vores kogebog om regressionstest viser, hvordan du gemmer agentens output og det hentede kildemateriale, tjekker dem mod den forventede adfærd og sammenligner kørsler, efter at du har ændret instruktioner eller modeller.

Hold versionerne af model, Profile og Skill faste, mens du sammenligner kørsler med og uden hukommelse. Start hver sammenligning fra et kendt snapshot af lageret; ellers kan én test lære agenten svaret på den næste.

Når noget fejler, så gem det som testtilfælde. Den næste ændring skal bestå det.

Eller byg det ikke selv: Brain i Computer

Hvis det, du vil have, er den færdige løkke frem for delene, så er det Computer. Brain kører under den og lærer af fire kilder: dine sessioner, tilknyttede værktøjer, de filer og artefakter, du laver, og dine rettelser. Brains baggrundsopdateringer forstærker det, der stadig holder, reviderer det, der har ændret sig, og markerer forældede oplysninger.

Du behøver ikke selv at bygge den løkke. Du udfører bare arbejdet.

Hukommelse gemmer præferencer og detaljer, du har delt. Brain forbinder projekter, personer, beslutninger og ufærdigt arbejde med kildematerialet bag dem.

Du kan se, hvad den har lært, i visningen Hukommelse, følge poster tilbage til deres kilder og redigere eller slette dem. Brain bruger din egen aktivitet, udelader inkognitosessioner og har sin egen til/fra-knap.

Udvid

Hos Rho var beslutningerne i et faktureringsprojekt for eksempel spredt ud over Slack, Notion, Jira, Figma og Google Docs. Teamet satte Computer op til at gennemgå ændringer i løbet af natten, markere uoverensstemmelser og udgive en morgenopsummering i Slack.

Deres softwareingeniør Oktawian Jurkiewicz lagde mærke til, at Computer også opbyggede hukommelse for projektet. »Vi definerede det ikke,« siger han. »Computer fandt selv ud af, hvilke datapunkter den skulle gemme fra hver kilde.«

Teamet oplyser, at det har skåret den ugentlige mødetid ned fra 2,5 timer til 15 minutter, og anslår at have sparet 120 arbejdstimer i løbet af det 12 uger lange projekt.

De 120 timer tilskrives hele arbejdsprocessen: connectorer, natlige kørsler og Slack-opsummeringen. Hvor meget af den sparede tid kom alene fra hukommelsen? Det kan vi endnu ikke kvantificere.

Men det, vi kan råde dig til, når du bygger din egen løsning, er at vende tilbage til testen fra tidligere – kør tilsvarende opgaver med hukommelseslaget slået til og fra, og sammenlign derefter gennemførelsesrate, omkostninger og tid, herunder den tid, nogen bruger på at rette resultatet.

Ofte stillede spørgsmål om hukommelse i AI-agenter

Kan AI-agenter have hukommelse?

Ja. AI-agenter kan bevare information på tværs af sessioner via gemte samtaler, fakta, præferencer og genanvendelige procedurer. Systemet skal hente informationen, når den er relevant, og opdatere den, når forholdene ændrer sig.

Brain i Perplexity Computer opbygger for eksempel arbejdskontekst ud fra sessioner, tilknyttede værktøjer, filer og brugerrettelser.

Hvor meget RAM bruger en AI-agent?

Der findes ikke ét fast krav. Hvis din agent kalder en hostet model via Perplexity Agent API, behøver du ikke at indlæse modellen i din egen RAM. Din applikation og dine lokale værktøjer har dog stadig brug for hukommelse.

Det er anderledes, når du kører en model lokalt. Ved fire bit pr. parameter svarer otte milliarder parametre til cirka 4 GB rå vægtdata. Den faktiske hukommelse, der kræves, er højere, når man medregner overhead fra kvantisering, kontekstbehandling og den software, der kører modellen.

Hvad er den bedste hukommelse til en AI-agent?

Den bedste opsætning afhænger af, hvad agenten skal føre videre. En samtaletilstand understøtter opfølgende spørgsmål; episodiske optegnelser bevarer, hvad der skete; semantisk hukommelse rummer aktuel viden; procedurel hukommelse leverer genanvendelige instruktioner.

Det meste løbende arbejde har gavn af en kombination. Vi bruger en sammenkædet, kildebaseret wiki til Brain. Når du bygger din egen løsning, så test, om opsætningen hjælper agenten med at fuldføre opgaver, anvende rettelser og udfase forældet vejledning.