최근 설문 조사에 따르면 상당수의 기업이 잘못된 AI 에이전트 답변의 원인을 컨텍스트 누락 또는 불일치로 추적하고 있습니다. 현재 솔루션은 주로 개별 에이전트가 단일 세션 내에서 더 많은 정보를 유지하는 데 중점을 둡니다. 그러나 여러 에이전트가 컨텍스트를 공유할 때 새로운 문제가 발생합니다. 오류가 발생하면 전체 팀에 영향을 미칩니다.Tencent의 Agent Memory 프로젝트는 오픈 소스 이니셔티브로, 에이전트에게 안정적이고 정제된 사용자 페르소나를 제공하여 이러한 격차를 해소하는 것을 목표로 합니다. 이는 장기간에 걸쳐 사용자 컨텍스트를 유지하는 정확도를 향상시킵니다. 이를 바탕으로 Tencent는 Team Memory를 출시하여 전체 팀을 위한 공유 메모리 허브를 구현했습니다.Team Memory는 에이전트가 개별 컨텍스트 대신 채팅 기록, 스킬, 문서 및 코드 그래프와 같은 재사용 가능한 자산에 액세스할 수 있도록 합니다. 이러한 자산은 액세스 제어 계층을 통해 관리되며, 누가 무엇을 읽을 수 있는지 정의하고 개인에서 에이전트별까지 가시성 계층을 제공합니다. 이 시스템은 모든 에이전트가 모든 정보에 액세스하는 것을 방지하여 맞춤형 "에이전트 로드아웃"을 허용합니다.혁신에도 불구하고 Team Memory는 잘못되거나 충돌하는 정보를 처리하는 방식에 대해 비판을 받고 있습니다. 소유권 및 버전 관리는 추적되지만, 잘못된 공유 메모리를 수정하거나 만료시키는 프로세스는 설명되어 있지 않습니다. 단일 잘못된 사실이 팀 전체 에이전트에 전파될 수 있기 때문에 이러한 우려는 증폭됩니다.실무자들은 잘못된 데이터 전파의 영향과 어떤 정보가 제외될지 결정하는 데 필요한 거버넌스에 대해 우려하고 있습니다. 에이전트 간의 충돌하는 메모리 가능성 또한 상당한 과제를 안고 있습니다. 일부에서는 이를 팀 일관성을 향한 가치 있는 변화로 보지만, 거버넌스는 복잡한 장애물로 남아 있습니다.이러한 공유 메모리 거버넌스 및 데이터 무결성 문제는 Tencent에만 국한된 것이 아닙니다. 독립적인 연구는 피드백 루프가 없는 파편화 및 저하를 다중 에이전트 메모리 아키텍처의 고유한 위험으로 강조합니다. 단일 오류의 비용은 개인 수정에서 팀 전체 전파로 증가합니다.기존 AI 에이전트 메모리 솔루션은 대부분 세션 내 개별 에이전트 메모리에 중점을 둡니다. 기업들이 공유 비즈니스 데이터를 위한 거버넌스 컨텍스트 계층을 개발하고 있지만, Team Memory의 가장 가까운 비교 대상은 AI 팀원을 위한 공유 메모리에 대한 Asana의 접근 방식입니다. Tencent의 오픈 소스 및 이식 가능한 솔루션은 Asana가 독점 시스템에서 직면했던 유사한 문제를 해결합니다.공유 메모리의 주요 이점은 에이전트가 기존 팀 지식을 다시 학습하는 것을 중단하여 효율성을 높이는 것입니다. 그러나 상당한 절충점은 단일 잘못된 데이터 항목이 즉각적인 수정 또는 만료 메커니즘 없이 모든 에이전트에게 상속될 위험입니다. 이는 이러한 시스템의 거버넌스 및 오류 처리 측면을 신중하게 고려해야 함을 시사합니다.