Jenis Memory AI Agent: Working, Semantic, Episodic, dan Procedural

Agent sales mengingat bahwa seorang prospek suka kopi, tetapi lupa harga paket terbaru. Agent engineering menyimpan semua log incident, tetapi tetap mengulang langkah deploy yang pernah gagal. Banyak sistem disebut punya memory hanya karena histori chat tersimpan. Volume ingatan naik; kualitas keputusan tidak.

Fondasi: definisi kerja yang tidak kabur

Memory agent adalah informasi yang dipertahankan agar dapat memengaruhi perilaku pada waktu berikutnya. Pembagian yang berguna untuk operasi adalah working, semantic, episodic, dan procedural memory. Ini bukan empat produk atau empat database wajib. Ini empat fungsi dengan kebutuhan scope, masa berlaku, dan kontrol yang berbeda.

Dilihat dari jenis ingatan, definisi kerja penting karena menentukan ekspektasi. produk yang salah kategori akan diberi tanggung jawab yang salah. Mesin pencari diberi izin menulis ke CRM. Ringkasan chat dianggap state. Preferensi sementara diangkat menjadi policy permanen. Pada skala organisasi, kekeliruan kecil ini menumpuk menjadi biaya dan risiko.

Komponen yang perlu dibedakan

Working memory

Menjaga percakapan dan pekerjaan aktif: rencana, file, hasil tool, langkah berikutnya. Umurnya pendek dan biasanya terkait satu thread atau task.

Semantic memory

Menyimpan fakta dan konsep seperti profil klien, preferensi bahasa, aturan harga, atau struktur organisasi. Fakta perlu sumber dan tanggal berlaku.

Episodic memory

Menyimpan pengalaman: keputusan, incident, eksperimen, pendekatan gagal, dan hasilnya. Yang dicari bukan kronologi lengkap, melainkan pelajaran yang bisa digunakan.

Procedural memory

Menyimpan cara kerja: SOP, checklist, tool contract, policy, dan approval flow. Bagian sensitif sebaiknya read-only dan memiliki versioning.

Contoh bisnis: dari demo ke operasi

Tim content menerima klien baru. Working memory memegang brief artikel yang sedang dikerjakan. Semantic memory menyimpan tone, audiens, serta larangan brand. Episodic memory mengingat bahwa headline terlalu teknis pernah menurunkan CTR pada campaign serupa. Procedural memory memaksa pemeriksaan sumber primer dan approval editor sebelum publish. Keempatnya bekerja bersama, tetapi tidak boleh ditulis dan dibaca dengan aturan yang sama.

Dilihat dari jenis ingatan, perhatikan bahwa nilai organisasi tidak datang dari jawaban yang terdengar pintar. Nilainya datang dari berkurangnya pekerjaan ulang, handoff yang lebih cepat, keputusan yang dapat ditelusuri, dan tindakan yang tidak melampaui izin. Kalau metrik ini tidak berubah, proyek mungkin hanya menambah lapisan antarmuka.

Cara memilih memory pada kasus nyata

Bayangkan agent customer success menangani renewal. Daftar dokumen dan kalkulasi yang sedang dibuka adalah working memory. Fakta bahwa kontrak klien berakhir 30 September adalah semantic memory, tetapi tanggal itu harus menunjuk kontrak aktif. Catatan "tahun lalu diskon 20% membuat negosiasi selesai, tetapi margin jatuh" adalah episodic memory. Aturan "diskon di atas 10% wajib persetujuan head of sales" adalah procedural memory.

Keempatnya tidak punya bobot yang sama. Prosedur resmi mengalahkan kebiasaan dari episode lama. Fakta dari sistem kontrak mengalahkan ringkasan percakapan. Working memory boleh cepat berubah, sedangkan perubahan prosedur perlu review dan versi. Bila semua dimasukkan ke satu indeks tanpa tipe dan authority, retrieval bisa mengambil pengalaman lama sebagai instruksi aktif.

Episodic memory paling mudah berubah menjadi gudang cerita. Simpan episode ketika ada keputusan, konteks penting, tindakan, dan outcome yang dapat dibandingkan. "Meeting berjalan baik" hampir tidak berguna. "Demo teknis sebelum pembahasan harga menaikkan kehadiran stakeholder dari dua menjadi lima orang" lebih dapat diuji, tetapi tetap merupakan observasi satu kasus, bukan hukum penjualan.

Fakta, interpretasi, dan klaim yang harus diuji

Dilihat dari jenis ingatan, Fakta: request model pada umumnya tidak memperoleh kontinuitas lintas sesi tanpa state yang diteruskan atau disimpan oleh aplikasi. Context window juga memiliki batas, dan informasi yang dimasukkan memakai kapasitas perhatian. Dokumentasi OpenAI tentang conversation state dan panduan Anthropic tentang context engineering menjelaskan konsekuensi desain ini.

Dilihat dari jenis ingatan, Fakta: framework AI agent modern memisahkan short-term dari long-term memori. Literatur CoALA juga menawarkan pembagian working, episodic, semantic, dan procedural untuk memahami fungsi memori. Pembagian tersebut adalah model konseptual, bukan kewajiban memakai vendor atau database tertentu.

Dilihat dari jenis ingatan, Interpretasi operasional kami: organisasi sebaiknya menilai second brain dari kemampuan melanjutkan pekerjaan, ketepatan scope, koreksi memori, dan kontrol tindakan. Ini rekomendasi desain, bukan hukum ilmiah. Stack yang tepat tetap bergantung pada risiko, volume, latensi, serta pola query.

Kesalahan implementasi yang mahal

Dilihat dari jenis ingatan, pertama, menyimpan semua chat. Histori mentah mengandung pengulangan, asumsi, dan keputusan yang sudah berubah. Retrieval kemudian menemukan kalimat yang mirip, bukan yang paling berwenang. Simpan event mentah untuk audit bila memang perlu, tetapi promosikan hanya informasi terpilih menjadi memori.

Dilihat dari jenis ingatan, kedua, menjadikan similarity sebagai hakim tunggal. Dua materi dapat sangat mirip tetapi berasal dari klien, negara, versi, atau periode berbeda. Filter tenant, hak akses, jenis materi, tanggal berlaku, dan authority harus berjalan sebelum atau bersama ranking semantik.

Dilihat dari jenis ingatan, ketiga, membiarkan memori menjadi izin. AI agent yang tahu nomor rekening tidak otomatis boleh melakukan transfer. AI agent yang membaca kalender tidak otomatis boleh mengundang pihak luar. Pengetahuan dan authority adalah dua hal terpisah.

Dilihat dari jenis ingatan, keempat, tidak menyediakan jejak keputusan. Tim perlu melihat input, memori yang diambil, versi policy, tool call, approval, dan hasil verifikasi. Tanpa itu, debugging berubah menjadi tebak-tebakan.

Checklist implementasi 30 hari

Dilihat dari jenis ingatan, pada minggu pertama, pilih satu proses dengan histori panjang dan biaya lupa yang nyata. Petakan aktor, sumber data, keputusan, artifact, serta tindakan eksternal. Tulis definisi selesai dan daftar risiko. Hindari scope "seluruh perusahaan".

Dilihat dari jenis ingatan, minggu kedua, buat schema minimum. Setiap memori setidaknya memiliki owner, scope, tipe, sumber, waktu dibuat, waktu berlaku, confidence, dan status. State tugas memiliki ID, langkah aktif, artifact, blocker, retry, serta approval pending.

Dilihat dari jenis ingatan, minggu ketiga, pasang retrieval dan guardrail. Terapkan namespace, access control, metadata filtering, serta ranking. Batasi tool ke operasi read atau draft. Untuk write eksternal, destructive, finansial, dan sensitif, gunakan approval eksplisit.

Dilihat dari jenis ingatan, minggu keempat, jalankan kasus nyata dan kasus jebakan. Masukkan materi lama, dua klien dengan istilah serupa, fakta yang dikoreksi, tugas yang terputus, dan input yang mencoba mengubah policy. Ukur bukan hanya kualitas jawaban, tetapi juga apakah AI agent berhenti ketika ragu.

Pertanyaan audit untuk tim

• Informasi apa yang dipakai agent, dan dari sumber mana?
• Apakah scope user, organisasi, dan klien diterapkan sebelum retrieval?
• Bagaimana fakta lama diganti, dikoreksi, atau dihapus?
• Bisakah task dilanjutkan tanpa mengulang action yang sudah sukses?
• Action mana yang otomatis, mana yang wajib approval?
• Apakah hasil tool diverifikasi dari environment?
• Siapa yang dapat membaca audit log dan mengubah policy?

Dilihat dari jenis ingatan, jawaban "belum tahu" bukan bencana. Itu tanda bahwa produk belum pantas diberi otonomi lebih luas.

Cara menerapkannya tanpa proyek raksasa

Pilih storage mengikuti query. Fakta terstruktur cocok di database relasional. Dokumen panjang tetap sebagai file atau object dengan indeks. Episode dapat berupa catatan keputusan yang punya outcome. Prosedur penting tinggal di workflow atau policy terkontrol. Embedding membantu similarity search, tetapi metadata, authority, recency, dan namespace tetap menentukan apakah hasil aman dipakai.

Dilihat dari jenis ingatan, mulai dengan baseline manual. Catat berapa lama orang mencari konteks, berapa tugas yang diulang, berapa koreksi akibat data lama, dan berapa approval terlambat. Setelah AI agent berjalan, bandingkan angka yang sama. Ukuran seperti jumlah materi terindeks atau banyaknya token bukan hasil organisasi.

Hak tulis berbeda untuk tiap jenis

Working memory dapat ditulis otomatis karena dampaknya lokal dan pendek. Semantic memory perlu aturan lebih ketat: preferensi ringan mungkin cukup dikonfirmasi pengguna, sedangkan nomor pajak, harga kontrak, atau rekening harus berasal dari sistem resmi. Episodic memory sebaiknya ditulis setelah outcome terlihat, bukan ketika agent masih menebak hasil. Procedural memory paling sensitif; perubahannya selayaknya mengikuti review, versioning, dan approval seperti perubahan workflow.

Aturan baca pun tidak seragam. Saat menyusun sapaan email, preferensi gaya bahasa boleh langsung dipakai. Saat menghitung invoice, agent wajib mengambil nilai kontrak terbaru. Episode lama bisa menjadi bahan pertimbangan, tetapi jangan menyamar sebagai fakta. Prosedur menentukan pagar tindakan, bukan sekadar tambahan context yang boleh diabaikan model.

Buat pengujian kecil untuk setiap kelas. Hapus working memory dan lihat apakah task masih dapat dipulihkan dari state. Koreksi fakta semantic dan pastikan versi lama tidak muncul sebagai aktif. Beri episode dengan outcome berlawanan untuk menguji apakah agent menyatakan ketidakpastian. Coba prompt dari dokumen eksternal yang meminta prosedur diubah; sistem harus menolaknya.

Kesimpulan praktis

Audit memory berdasarkan fungsi, bukan ukuran database. Pastikan working memory bisa diringkas, semantic memory bisa dikoreksi, episodic memory menyimpan outcome, dan procedural memory tidak mudah ditimpa input eksternal. Agent yang mengingat sedikit hal yang tepat biasanya lebih berguna daripada agent yang menyimpan semua percakapan.

Referensi primer

• Anthropic -- Effective Context Engineering for AI Agents
• Anthropic -- Building Effective AI Agents
• OpenAI API -- Conversation State
• LangGraph -- Memory Overview
• Model Context Protocol -- Introduction
• CoALA -- Cognitive Architectures for Language Agents

---

Dilihat dari jenis ingatan, ← Artikel sebelumnya · Hub Second Brain · Artikel berikutnya →