Working Memory — AI-mogelijkheden en beperkingen

Wat je leert

Geschatte tijd: 30 minuten

Aan het einde van deze les kun je:

Het context window uitleggen als een container met vaste grootte en wat dat betekent voor lange documenten, lange gesprekken en geheugen tussen sessies
Het "cliff"-karakter van deze eigenschap herkennen in vergelijking met de geleidelijke verslechtering van andere eigenschappen
Context-as-leverage strategieën toepassen: belangrijk materiaal vooraan plaatsen, lang werk opdelen, kritieke context opnieuw aanleveren
Geheugen, compactie, projecten/werkruimten en grotere windows herkennen als productfuncties die deze beperking aanpakken

Hoe het context window generatieve AI-outputs beïnvloedt

(6 minuten)

Alles waar de AI aandacht aan besteedt, bevindt zich in een werkruimte met vaste grootte, het context window. Het kan aandacht besteden aan wat erin zit. Het kan geen aandacht besteden aan iets erbuiten. Deze beperking is hard-edged op een manier waarop de andere eigenschappen dat niet zijn: dingen werken totdat ze niet meer werken.

Het context window: het werkgeheugen van AI

Voordat je leest

Je vraagt AI om een contract van 50 pagina's te beoordelen. Hoe nauwkeurig moet je het resultaat controleren? Kies een plek op het continuüm en vergrendel je gok.

Next Token Prediction Knowledge Working Memory Steerability

Mogelijkheid Beperking

Vertrouw erop Steekproef controleren Details controleren Zorgvuldig verifiëren Hoog risico

Je gok

Typisch

Wat dit mogelijk maakt

Waar het karakteristiek faalt

Productfuncties die de grens verleggen

Kies een stop en vergrendel je gok. De les opent zodra je dat doet.

Vergrendel mijn gok

Controleer je intuïtie

Vergrendel je gok hierboven om te vergelijken met de typische plaatsing.

Aanpassen

Balhoogte

Pictogramgrootte

Palet Sky → Clay Olive → Clay Cactus → Fig Slate → Clay

Belangrijkste inzichten

Working Memory is het feit dat het AI-model een vast context window heeft waarop het kan letten.
Mogelijkheidzone: je materiaal past comfortabel, de sessie is actueel, je levert relevante context aan.
Beperkingszone: zeer lange documenten of gesprekken, verwachting van continuïteit tussen sessies, kritieke informatie begraven in het midden van lange invoer.
**Deze eigenschap heeft een cliff in plaats van een gradiënt. ** Stille afkapping is de foutmodus, en je wordt niet altijd gewaarschuwd.
**Het model leert niet van je correcties. ** Het reageert alleen op wat momenteel in context staat.
Geheugenfuncties, compactie, projecten, grotere windows en multi-agent workflows bestaan allemaal om deze cliff verder uit te schuiven.
4D-verbinding: Working Memory is waar Description op inwerkt. Weten hoe het window werkt, vertelt je hoe je context structureert, wanneer je vooraan laadt en wanneer je opnieuw begint.

Oefeningen

Oefening: The Before-and-After

Waarom? Context is hefboomwerking. Dezelfde taak, met de juiste context aangeleverd, kan van een middelmatig eerste concept naar iets echt bruikbaars gaan. Deze oefening maakt dat concreet.

Kies een taak uit je Lesson 1-lijst die baat heeft bij context die alleen jij hebt: een stijlgids, een vorig voorbeeld van goed werk, een reeks beperkingen specifiek voor je rol of publiek. Schrijf in twee of drie regels op wat "goed" voor deze taak betekent, duidelijk genoeg beschreven zodat een vreemde het kan evalueren.

Voer nu drie probes uit:

**Probe 1: Koud begin versus context. ** Vraag je taak zonder context. Gewoon het naakte verzoek. Sla de output op. Start dan een nieuw gesprek en voer dezelfde taak uit, maar lever deze keer je stijlgids, vorig voorbeeld of beperkingen vooraan in. Vergelijk beide outputs tegen je "goed"-definitie. Meet de kloof.
**Probe 2: Verloren in het midden. ** Neem een langer document (of plak een paar alinea's referentiemateriaal samen). Begraaf één specifieke, belangrijke instructie in het midden. Stel een vraag waarvan het juiste antwoord afhangt van die begraven instructie. Ving de AI het op? Verplaats die instructie nu naar de bovenkant en vraag opnieuw. Vergelijk.
**Probe 3: Het schone lei. ** Voer een kort gesprek waarin je de AI iets specifiek over je werkcontext leert, of corrigeert op iets wat het fout had. Open dan een gloednieuw gesprek en stel een vraag die aanneemt dat het zich herinnert wat je het hebt geleerd. Kijk hoe het van nul begint.

Ga terug naar je takenlijst en voeg een derde aantekening toe: welke taken hebben permanente context nodig (een project, opgeslagen instructies, geüploade referentiedocumenten) om het waard te zijn om uit te voeren, en welke werken prima zonder?

Stretch goal: Als je tool geheugen- of projectfuncties heeft, stel er één in met de context uit Probe 1. Voer de taak opnieuw uit. Vergelijk inspanning en kwaliteit met de koud-start versie.

Lesreflectie

Hoeveel veranderde het vooraan plaatsen van context de outputkwaliteit? Was de kloof groter dan je verwachtte?
Wat is één stuk permanente context dat je deze week gaat instellen om jezelf niet steeds opnieuw uit te leggen?

Wat volgt

De laatste eigenschap: Steerability. Hoeveel controle heb je eigenlijk als je instructies geeft, en waar breekt die controle af?

Feedback

Terwijl je door de cursus vordert, horen we graag van je hoe je concepten uit de cursus in je werk gebruikt, plus eventuele feedback die je hebt. Deel je feedback hier.

Dankbetuigingen en licentie

Copyright 2026 Anthropic. Origineel werk voortbouwend op het AI Fluency Framework ontwikkeld door Prof. Rick Dakan (Ringling College of Art and Design) en Prof. Joseph Feller (University College Cork). Uitgebracht onder de CC BY-NC-SA 4. 0-licentie.