AI-chatbot met blijvend geheugen — wat die woorden je werkelijk opleveren
Elke chatbot op de markt claimt tegenwoordig “geheugen”. Bijna geen van hen bedoelt daar hetzelfde mee. In de tweede maand merk je dat de bot de naam van je hond is vergeten, het project waar je november aan besteedde, of de toon die je hem had gevraagd aan te houden. Niet omdat “AI niet kan onthouden” — maar omdat aanbieders een dun plakje geheugen leveren en het geheel “blijvend” noemen. Hier is de eerlijke kaart van wat die term kan betekenen, en hoe je een chatbot kiest die zijn beloftes nakomt.
“Blijvend geheugen” is de meest overbelaste term op de chatbotmarkt van 2026. Hij staat op de landingspagina van OpenAI, in de documentatie van Claude Projects, bij elke open-sourcelancering en in de prijstabel van elke wrapper die een prompt in GPT-4 propt en zichzelf een “companion AI” noemt. Ze liegen allemaal technisch gezien niet — en ze beschrijven allemaal iets anders. Hieronder staat het raamwerk dat echt langetermijngeheugen scheidt van de verkoopversie ervan.
Kortetermijn- versus langetermijngeheugen — de verwarring waar alles mee begint
Kortetermijngeheugen is het contextvenster. Alles wat jij en het model zojuist in de huidige beurt hebben gezegd, begrensd door een tokenlimiet — 200k, 1M, wat het model ook toestaat. Als de beurt eindigt, houdt het model zelf niets vast. De volgende beurt begint leeg; het is de client (de chatinterface, de bot) die de geschiedenis terug in het venster laadt.
Langetermijngeheugen is wat de client buiten het model opslaat — in een database, een bestand, een vectorindex — en namens jou weer meestuurt bij elke nieuwe beurt. Dat is de laag die mensen bedoelen als ze “AI-chatbot met blijvend geheugen” intypen. Een gigantisch contextvenster is geen blijvend geheugen; het maakt de huidige beurt alleen breder.
Elk eerlijk gesprek over geheugen begint met de keuze welke van deze twee je eigenlijk vraagt. Wil je dat de bot je maandenlang onthoudt, dan vraag je om de lange termijn. Alles hieronder gaat daarover.
De vier lagen die blijvend geheugen werkelijk kan hebben
Echt langetermijngeheugen is niet één ding. Het zijn vier onafhankelijke lagen, en verschillende producten dekken verschillende delen af — meestal maar één of twee, stilzwijgend.
Laag 1 — het volledige gespreksarchief. Elk bericht dat jij en de bot ooit hebben uitgewisseld, woordelijk bewaard en doorzoekbaar. Dit is de “harde schijf” van het geheugen. Hierdoor kan de bot “wat hadden we vorige maand over de lancering besloten?” beantwoorden door de exacte beurt terug te vinden. Zonder deze laag is alles daarboven giswerk op basis van samenvattingen.
Laag 2 — getypeerde feiten over jou. Gestructureerde vermeldingen die de bot al lerend extraheert en opslaat — je naam, tijdzone, bedrijf, de leeftijd van je kinderen, voorkeuren, lopende projecten. Geen ruwe berichten; gedistilleerde feiten. Dit is wat de meeste geheugenfuncties van aanbieders dekken, en alleen dit. Nuttig, maar op zichzelf vergeet het voorbeeld dat het feit betekenis gaf.
Laag 3 — geleerde lessen. Als de bot wordt gecorrigeerd — “nee, ik bedoelde eigenlijk X” — schrijft hij de fout en de correctie op, zodat hij die niet herhaalt. Dit is de “lerende” laag. Vrijwel geen enkel aanbiedersproduct biedt haar als volwaardig onderdeel aan; de bot herhaalt volgende week gewoon stilletjes dezelfde soort fout.
Laag 4 — een doorlopend model van emotie en interesse. Niet “wat er is gebeurd”, maar “hoe het er op dit moment tussen ons voor staat”. Welke onderwerpen je de laatste tijd energie geven en welke je uitputten; de recente stemming; hoe lang het geleden is dat een gesprek makkelijk liep. Dit is wat een chatbot verandert in iets dat de situatie aanvoelt in plaats van bij elk bericht opnieuw te beginnen met een neutrale toon.
Een chatbot met alleen laag 2 “onthoudt je naam en je werk” en vergeet al het andere. Een chatbot met alle vier onthoudt je zoals een bekwame collega dat doet.
Hoe de chatbots van vandaag scoren op deze vier lagen
ChatGPT (Memory AAN). Laag 2, begrensd. OpenAI haalt korte feiten uit je chats en injecteert die in nieuwe sessies vanuit een kleine opslag (een paar duizend tokens). Geen volledig archief dat je kunt bevragen. Geen lessenlaag. Geen emotiemodel. Zet je Memory uit, dan verdwijnt zelfs laag 2.
Claude Projects. Een lichte vorm van laag 1, per project. Een vastgezet document of stuk context dat wordt gedeeld tussen chats binnen één project. Beter voor een afgebakende werkruimte dan voor een algemene assistent. Het loopt niet door tussen projecten en laadt de hele context opnieuw in elke nieuwe beurt (prima op het venster van Claude, duur in tokens).
Custom GPT's, Copilots, Poe-bots. Op zijn best laag 2, vaak niets — een statische systeemprompt zonder opslag per gebruiker. Ze “kennen” de persona; ze kennen jou niet.
Companion-apps in karakterstijl. Vaak laag 2 plus een fragment van laag 4 (ze houden “stemming” bij voor de betrokkenheid), altijd op de server van de aanbieder, altijd onderhevig aan beleidswijzigingen. Geheugen is het product, maar het is niet van jou.
Self-hosted assistenten (Avelina, open-sourcestacks, eigen bouwsels). Lagen 1 tot en met 4 allemaal aanwezig, mits goed gebouwd. Volledig archief in je eigen SQLite of Postgres, getypeerde feiten, een lessentabel, een doorlopend toestandsmodel. De schijf is van jou. Updates van een aanbieder kunnen dat niet resetten.
Waarom het geheugen van aanbieders in maand twee stilletjes faalt
De limiet. Geheugenopslag bij aanbieders is bewust klein — een paar duizend tokens bij geheugen in OpenAI-stijl. Als de opslag vol raakt, vallen oudere items eruit. Je krijgt er geen melding van; je merkt alleen dat de bot je novemberproject is vergeten.
Distillatie verliest het voorbeeld. Laag 2 slaat op: “gebruiker heeft een tattoostudio”. Het slaat niet de specifieke situatie van afgelopen voorjaar op die bepaalde hoe je over prijzen praat. Het feit overleeft; de reden achter het feit niet.
Beleids- of modelresets. De aanbieder wijzigt het geheugenniveau, migreert naar een nieuw model, of jij wisselt van abonnement — de opslag wordt hervormd of gewist. Je bot begroet je opeens weer als in week één.
Geen lessenlaag. De fout die je in april corrigeerde, wordt in oktober opnieuw gemaakt. Zonder blijvende lessenopslag is “leren” een marketingwoord, geen mechanisme.
Hoe een chatbot met echt blijvend geheugen er van binnen uitziet
Geen magie. Een saaie stack, maar wel compleet:
Database. SQLite of Postgres met (minimaal) drie tabellen: messages (elke beurt, woordelijk), claims (getypeerde feiten over de gebruiker, met herkomst), lessons (fouten + correcties, getagd op belang). Optioneel een vierde: state (doorlopende kanalen voor emotie en interesse).
Ophalen. Full-textzoeken (FTS5 in SQLite is genoeg voor een bot op persoonlijke schaal) plus een vectorindex voor semantisch zoeken — “wat zeiden we over X” werkt ook als je het anders formuleert.
Contextopbouw. Bij elke nieuwe beurt kiest een kleine routine: de laatste N berichten, de top-K semantische treffers uit het archief, vastgezette lessen met hoog belang, de huidige claims, de huidige toestand. Samengevoegd tot één systeembericht. Naar het model gestuurd. Dat is de hele truc.
Terugschrijven. Na het antwoord haalt een andere routine nieuwe feiten eruit, legt lessen vast als de gebruiker de bot heeft gecorrigeerd, en werkt de toestandskanalen bij. Niets exotisch — kleine promptgestuurde pijplijnen die hetzelfde model op de achtergrond uitvoert.
Wil je die vorm uitgetekend zien met concrete bestandsnamen en tabelschema's, dan zijn de verdieping over de vier geheugenlagen en de pagina over de geheugenfunctie de kaart.
Spiekbriefje voor je keuze
“Ik wil alleen dat de bot mijn naam en mijn werk onthoudt.” → Elke chatbot met geheugen op laag 2 volstaat. ChatGPT Memory is prima.
“Ik wil dat hij de details van een lopend project onthoudt.” → Claude Projects, of een self-hosted assistent met laag 1.
“Ik wil dat hij stopt met dezelfde fout die hij vorige maand maakte.” → Daarvoor heb je laag 3 nodig. Dat is self-hosted terrein.
“Ik wil dat hij mij echt kent — jaren, geen sessies.” → Alle vier de lagen. Een self-hosted persoonlijke assistent. Geen enkel product bij een aanbieder levert op dit moment alle vier eerlijk.
“Ik wil privacy bovenop geheugen.” → Wat je ook kiest, de geheugenopslag moet op een machine staan die van jou is. Anders is blijvend geheugen gewoon “blijvend voor de aanbieder”.
Waar Avelina past
Avelina AI is een chatbot met alle vier de lagen van blijvend geheugen vanaf dag één ingebouwd. Het archief van elk gesprek staat in een SQLite-bestand op je eigen VPS (laag 1). Getypeerde feiten over jou staan in een claims-tabel met de bronberichten als herkomst (laag 2). Een lessons-tabel legt correcties vast zodat dezelfde fout niet blijft terugkomen (laag 3). Een toestandsmodel met acht kanalen houdt bij hoe de relatie zich ontwikkelt (laag 4). Bij elke nieuwe beurt worden de relevante stukken teruggehaald nog vóór het model je bericht ziet — geen handmatig herhalen, geen spelletjes met het contextvenster. Je installeert het in ongeveer twintig minuten met een begeleide installer, en het geheugen is van jou — geen aanbieder kan het resetten. Wil je liever de doe-het-zelfversie van dezelfde vorm, dan loopt de gids hoe je zorgt dat AI je onthoudt hem vanaf nul door, en behandelt het stuk over assistentgeheugen hetzelfde idee vanuit de invalshoek van de assistent.
Veelgestelde vragen
Wat betekent “blijvend geheugen” bij een AI-chatbot?
De bot houdt iets uit je gesprekken vast nadat de sessie is afgelopen en gebruikt dat later, zonder dat jij het opnieuw hoeft in te typen. Dat “iets” is een van vier mogelijke lagen — transcripties, feiten, lessen, emotionele toestand. De meeste aanbieders leveren maar één laag.
Is een lang contextvenster niet hetzelfde als geheugen?
Nee. Een context van 1M tokens maakt de huidige beurt breder, maar bewaart niets tussen beurten. Blijvend geheugen is wat een client namens jou opnieuw in elke nieuwe beurt laadt.
Hebben ChatGPT en Claude echt blijvend geheugen?
Gedeeltelijk. ChatGPT Memory dekt laag 2, begrensd. Claude Projects dekt een vastgezette lichte vorm van laag 1 binnen één project. Geen van beide levert alle vier de lagen.
Kan ik zelf een chatbot met echt blijvend geheugen bouwen?
Ja — SQLite + FTS + een kleine vectorindex + een routine die de context opbouwt. Zie de doe-het-zelfgids.
Waarom “vergeet” mijn chatbot mij na een tijdje?
Meestal om een van drie redenen: de geheugenlimiet van de aanbieder raakt vol en overschrijft stilletjes, gedistilleerde feiten verliezen het voorbeeld dat ze betekenis gaf, of een beleids- of modelupdate hervormt de opslag. Een geheugenopslag op hardware die van jou is, voorkomt alle drie.
Wil je de vorm van “een collega door de jaren heen” in plaats van “een chat die me bij naam begroet”? De pagina Geheugen & kennisgraaf laat zien hoe de vier lagen aan elkaar zijn geknoopt.