最近の調査によると、かなりの割合の企業が、AIエージェントの誤った回答の原因を、コンテキストの欠落または不整合に起因すると特定しています。現在のソリューションは、主に個々のエージェントが単一セッション内でより多くの情報を保持することに焦点を当てています。しかし、複数のエージェントがコンテキストを共有する場合、新たな課題が生じます。エラーはチーム全体に影響を及ぼします。TencentのAgent Memoryプロジェクトは、オープンソースの取り組みであり、エージェント向けの安定した、蒸留されたユーザーペルソナを提供することで、このギャップに対処することを目指しています。これにより、長期間にわたってユーザーコンテキストを維持する精度が向上します。これを基盤として、TencentはTeam Memoryを立ち上げ、チーム全体の共有メモリハブを可能にしました。Team Memoryは、エージェントが個別のコンテキストではなく、チャット履歴、スキル、ドキュメント、コードグラフなどの再利用可能なアセットにアクセスできるようにします。これらのアセットは、アクセス制御レイヤーを通じて管理され、誰が何にアクセスできるかを定義し、プライベートからエージェント固有の可視性ティアまでを提供します。このシステムにより、すべてのエージェントがすべての情報にアクセスすることを防ぎ、カスタマイズされた「エージェントロードアウト」が可能になります。その革新性にもかかわらず、Team Memoryは、不正確または矛盾した情報をどのように処理するかについて批判に直面しています。所有権とバージョン管理は追跡されますが、誤った共有メモリを修正または期限切れにするプロセスは記述されていません。単一の誤った事実がチーム全体のエージェントに伝播する可能性があるため、この懸念は増幅されます。実務家は、不正確なデータの伝播がもたらす影響と、どの情報が除外されるかを決定するために必要なガバナンスについて懸念しています。エージェント間の矛盾したメモリの可能性も、重大な課題を提示します。これをチームの一貫性への貴重なシフトと見なす人もいますが、ガバナンスは複雑なハードルとして残ります。この共有メモリガバナンスとデータ整合性の問題は、Tencentに固有のものではありません。独立した研究は、フィードバックループのない断片化と劣化が、マルチエージェントメモリアーキテクチャにおける固有のリスクであることを強調しています。単一のエラーのコストは、個人的な修正からチーム全体の伝播へとエスカレートします。既存のAIエージェントメモリソリューションは、主にセッション内の個々のエージェントメモリに焦点を当てています。企業は共有ビジネスデータのためのガバナンスされたコンテキストレイヤーを開発していますが、Team Memoryの最も近い比較は、AIチームメイトのための共有メモリに対するAsanaのアプローチです。Tencentのオープンソースでポータブルなソリューションは、Asanaがその独自のシステムで遭遇した同様の課題に取り組んでいます。共有メモリの主な利点は、エージェントが既存のチーム知識を再学習しなくなることで、効率が向上することです。しかし、重大なトレードオフは、単一の不正確なデータエントリが、即時の修正または期限切れメカニズムなしに、すべてのエージェントに継承されるリスクです。これにより、このようなシステムのガバナンスとエラー処理の側面を慎重に検討する必要があります。