Недавний опрос показал, что значительная часть предприятий уверенно относит ошибочные ответы ИИ-агентов к отсутствию или несогласованности контекста. Существующие решения в основном сосредоточены на том, чтобы отдельные агенты сохраняли больше информации в рамках одной сессии. Однако возникает новая проблема, когда несколько агентов совместно используют контекст: ошибка тогда затрагивает всю команду.Проект Tencent Agent Memory, инициатива с открытым исходным кодом, направлен на устранение этого пробела путем предоставления стабильных, обобщенных пользовательских профилей для агентов. Это повышает точность поддержания контекста пользователя в течение длительных периодов времени. Основываясь на этом, Tencent запустила Team Memory, обеспечив общий центр памяти для целых команд.Team Memory позволяет агентам получать доступ к повторно используемым ресурсам, таким как история чатов, навыки, документация и графы кода, а не к индивидуальному контексту. Эти ресурсы управляются через уровень контроля доступа, определяющий, кто может читать что, с уровнями видимости от частного до специфичного для агента. Эта система предотвращает доступ всех агентов ко всей информации, позволяя создавать индивидуальные "наборы агентов".Несмотря на свои инновации, Team Memory сталкивается с критикой в отношении того, как она обрабатывает некорректную или противоречивую информацию. Хотя владение и версионирование отслеживаются, не описан процесс исправления или удаления ошибочных общих воспоминаний. Эта обеспокоенность усиливается, поскольку один неверный факт может распространиться на агентов всей команды.Практики обеспокоены последствиями распространения некорректных данных и управлением, необходимым для принятия решений о том, какая информация исключается. Потенциал противоречивых воспоминаний между агентами также представляет собой значительную проблему. Хотя некоторые рассматривают это как ценный шаг к слаженности команды, управление остается сложным препятствием.Эта проблема управления общими воспоминаниями и целостности данных не уникальна для Tencent. Независимые исследования подчеркивают фрагментацию и деградацию без циклов обратной связи как присущие риски в многоагентных архитектурах памяти. Стоимость одной ошибки возрастает от личного исправления до распространения на всю команду.Существующие решения для памяти ИИ-агентов в основном сосредоточены на памяти отдельного агента в рамках сессии. В то время как компании разрабатывают управляемые контекстные слои для общих бизнес-данных, наиболее близким аналогом Team Memory является подход Asana к общей памяти для ИИ-коллег. Портативное решение Tencent с открытым исходным кодом решает аналогичную проблему, с которой Asana столкнулась в своей проприетарной системе.Основное преимущество общей памяти заключается в том, что агенты перестают заново изучать существующие знания команды, что приводит к повышению эффективности. Однако значительным компромиссом является риск того, что одна некорректная запись данных будет унаследована всеми агентами без немедленного механизма исправления или удаления. Это требует тщательного рассмотрения аспектов управления и обработки ошибок таких систем.