Casestudy: 77% van entiteiten verloren — en vervolgens 100% hersteld

Wanneer een LLM-gesprek de contextvenster overschrijdt, samenvatten platforms het — en verliezen ze informatie. We hebben dit gemeten in onze eigen productie multi-agent-implementatie: standaard compactie liet 77% van de benoemde entiteiten (personen, beslissingen, tools, data) verloren. Toen er naar een betaalverwerker-integratie werd gevraagd die 90 minuten eerder werd besproken, antwoordde de agent: "Ik weet het niet".

We hebben compactie vervangen door een drielaagse recall-architectuur over gestructureerd geheugen: entiteiten blijven volledig bestaan, en de agent haalt precies op wat de huidige beurt nodig heeft, op aanvraag.

Het resultaat, gemeten over meer dan 16.000 berichten op twee productie-agentinstanties: 100% herstel van eerdere beslissingen (versus 43% zonder), terwijl een sessie van 46 MB wordt gecomprimeerd tot 35 kB aan werkcontext — een reductie van 99,94% in tokenbelasting. De conclusie van het gepubliceerde paper blijft staan: betaal niet voor een beter model, betaal voor beter geheugen.

De volledige methodologie, inclusief een overzicht van 27 recente papers van Westerse, Chinese, Koreaanse en Japanse onderzoeksgroepen, wordt gepubliceerd als een open paper door GLG, a.s. (Maart 2026) — inclusief Koreaanse en Chinese edities.