Wetenschappers Ryan Lum en Yongfeng Zhang hebben een innovatieve methode ontwikkeld om de contextbeheersing binnen multi-agent AI-systemen te optimaliseren. De nieuwe benadering, die bekend staat als 'kernel-managed shared memory', beoogt de informatiekloof tussen verschillende AI-agenten te dichten. In traditionele systemen blijft waardevolle kennis die door één agent is verworven vaak onbereikbaar voor andere agenten, maar dit nieuwe model lost dat probleem op door een gecentraliseerde sturing.
De architectuur is gebaseerd op een abstractielaag waarbij gespecialiseerde agenten gestructureerde herinneringen wegschrijven naar een gedeeld geheugen. De feitelijke controle over het ophalen van deze data, de handhaving van privacyprotocollen en de integratie van informatie in prompts wordt volledig overgenomen door een systeemkernel. Deze aanpak is direct geïnspireerd door de werking van klassieke besturingssystemen. Zoals uitgelegd door geeksforgeeks.org, fungeert een kernel als de essentiële schakel tussen software en hardware, waarbij het beheer van systeembronnen zoals het geheugen en de CPU centraal staat om de stabiliteit en veiligheid te garanderen. Door dit principe toe te passen op AI, wordt de verantwoordelijkheid voor data-extractie en privacy weggehaald bij de individuele agent en gecentraliseerd in de .
Om de effectiviteit van dit ontwerp te toetsen, is het systeem geïmplementeerd op AIOS. De evaluatie omvatte 1.800 tests met drie verschillende modellen: GPT-4o, Llama-3.1:8B en Qwen-2.5:7B. Uit de resultaten die zijn gepubliceerd via arxiv.org blijkt dat de kernel-gestuurde methode superieur is aan bestaande alternatieven. In een vergelijking met Mem0, een systeem voor extern geheugenbeheer zonder centrale sturing, stegen de scores voor personalisatie met 2,4 tot 4,0 punten op een schaal van 5. Specifiek voor GPT-4o was er een opvallende stijging te zien in het gebruik van gebruikersprofielen, van 1,05 naar 4,69. Deze bevindingen zijn statistisch zeer significant, met een p-waarde onder de $10^{-18}$.
Naast de kwalitatieve verbetering in personalisatie biedt de nieuwe methode aanzienlijke economische en technische voordelen. Wanneer de kernel-gestuurde injectie werd vergeleken met het ongefilterd toevoegen van alle context aan een prompt, bleek de nieuwe methode op twee van de drie modellen statistisch gelijkwaardig in prestaties. Het grote verschil zit echter in de efficiëntie: door gebruik te maken van kortere prompts daalde de end-to-end latentie met 15% tot 61% over de geteste modellen heen. Omdat er minder tokens per aanroep worden verbruikt, dalen de inferentiekosten voor zowel providers als eindgebruikers aanzienlijk.
Het wetenschappelijke werk is inmiddels geaccepteerd voor de AgenticOS Workshop tijdens de NeurIPS 2026 conferentie. De meest recente versie van het onderzoek, v2, werd op 30 september 2026 beschikbaar gesteld via . De auteurs concluderen in hun dat het centraliseren van het geheugenbeheer in de kernel de voordelen van een onbeperkte context biedt, maar tegen een fractie van de kosten en met een superieure controle over de privacy. Hiermee wordt een belangrijke stap gezet richting AI-systemen die zich effectiever kunnen aanpassen aan de gebruiker zonder dat dit ten koste gaat van de snelheid of stabiliteit.