Tencent представила Team Memory: как ИИ-агенты делятся контекстом в команде

Китайская корпорация Tencent представила Team Memory — новый open-source проект, который позволяет командам ИИ-агентов обмениваться контекстом через единое хранилище. Решение разработано для устранения проблемы потери контекста в длительных сессиях, когда агенты вынуждены заново знакомиться с пользователем или проектом.

Ключевая особенность Team Memory — это «персональный слой» (persona layer), который формирует стабильное представление о пользователе на основе его предпочтений, решений и истории взаимодействий. По данным Tencent, добавление этого слоя повышает точность агента с 48% до 76% после длительного использования, что составляет относительное улучшение на 59%.

В отличие от традиционных подходов, где контекст передается в виде большого блока в каждом запросе, Team Memory использует четыре типа повторно используемых активов: Chat Memory (история взаимодействий), Skill (процедуры и рабочие процессы), LLM-Wiki (структурированная документация) и Code-Graph (индекс кода и связей). Каждый агент получает только те активы, которые ему необходимы, что минимизирует избыточность и повышает безопасность.

Однако, несмотря на очевидные преимущества, эксперты указывают на критически важную проблему: governance. В текущей версии Team Memory отсутствуют механизмы коррекции неверных данных или удаления устаревших фактов. Это означает, что одна ошибка, однажды записанная в общее хранилище, автоматически распространяется на всех агентов, которые с ним взаимодействуют, что может привести к серьезным последствиям в производственной среде.

Эксперты в социальных сетях уже обсуждают этот вопрос. Так, пользователь Blake Murphy отметил, что «общий контекст делает путь записи данных самым интересным, но не решает проблему исправления ошибок». Другой комментатор, Virgil Maro, подчеркнул, что governance — это самая сложная часть таких систем, так как требует принятия решений о том, какие данные не должны быть записаны вообще.