AI-агент: это больше не одиночка, Tencent дала агентам общую память команды

Ресурс Marktechpost опубликовал разбор релиза, который фиксирует переход от «памяти одного агента» к «памяти команды». Раньше, если в проекте работали несколько ИИ-агентов, каждый начинал с нуля: ему заново объясняли архитектуру кода, договорённости, стандарты. Tencent решает эту проблему, превращая разговоры, документы и код в четыре переиспользуемых актива памяти, которые можно версионировать, ограничивать по доступу и назначать конкретным агентам.

Четыре типа памяти вместо истории чата

• Chat Memory сохраняет предпочтения, факты, решения и историю взаимодействия.
• Skill извлекает из выполненных задач повторяемые процедуры с версиями, шагами, правилами проверки и условиями запуска.
• Wiki превращает документы в структурированные страницы с графом ссылок. По данным разработчиков, подход вдохновлён идеей Андрея Карпатого о базах знаний, которые ведёт языковая модель.
• CodeGraph индексирует символы, файлы, связи вызовов и пути влияния в кодовой базе. Разработчики отмечают, что индексация приватных репозиториев пока дорабатывается.

Все четыре типа регистрируются единообразно: владелец, версия, статус и видимость работают одинаково для любого актива.

Как устроена многослойная «перегонка» памяти?

Система не хранит сырые диалоги плоским списком. Разговоры записываются на уровне L0, затем асинхронный конвейер уплотняет их:

• L1 Atom выделяет отдельные факты.
• L2 Scenario группирует факты по сценариям.
• L3 Core/Persona фиксирует устойчивые предпочтения и «характер» агента.

При запросе сначала подтягиваются L2 и L3 для быстрого контекста. Если нужны конкретные детали, система комбинирует BM25 (классический текстовый поиск), векторный поиск и алгоритм RRF (Reciprocal Rank Fusion, метод объединения нескольких ранжирований), добираясь до L1 и L0. Результат ограничен по числу элементов, объёму символов и таймауту, чтобы память не забила контекстное окно модели (ограниченный объём текста, который модель «видит» за один раз).

Управление доступом отличает систему от обычного поиска по базе

Обычный RAG (Retrieval-Augmented Generation, когда модель ищет ответ в базе документов) отвечает на вопрос «что можно найти». TencentDB Agent Memory добавляет: «кто имеет право это использовать», «какая версия актуальна» и «какой агент получит эти данные».

Уровни видимости:

• private доступно только владельцу, даже администратор команды не видит.
• team доступно всей команде.
• restricted ограниченный круг.
• agent назначается конкретному агенту.

По умолчанию новые записи Chat Memory и Skill создаются как private. Делиться нужно явно, это осознанное действие, а не автоматика.

Как попробовать?

1. Убедитесь, что на сервере установлен Docker. Проект опубликован на Docker Hub, три образа запускаются одной командой. Поддерживаются архитектуры linux/amd64 и linux/arm64.
2. Клонируйте репозиторий с GitHub (ссылка в источнике) и следуйте инструкции INSTALL.md. Порты по умолчанию: 8420 (ядро памяти), 8125 (панель управления), 8424 (сервис знаний), 8096 (прокси).
3. Подключите агентов через Memory Proxy, который поддерживает протоколы Anthropic и OpenAI. Официальные SDK доступны для TypeScript и Python. Интеграции заявлены с Claude Code, CodeBuddy, Hermes и рядом других инструментов.

Кому подходит, а кому рано?

По данным разработчиков, целевая аудитория расставлена так:

• Одиночные разработчики и небольшие команды получают максимум пользы уже сейчас. Проект прямо нацелен на «компанию одного человека».
• Средний бизнес с платформенной или DevEx-функцией может развернуть систему как общую инфраструктуру.
• Крупные регулируемые компании пока лучше пилотировать, а не стандартизировать: индексация приватных репозиториев и автоматическая маршрутизация памяти ещё дорабатываются.

Отрасли, которые называют разработчики: разработка ПО, SaaS, финтех, консалтинг и агентства, а также любые команды, которым критично, чтобы память оставалась внутри собственной сети.

Сравнение с доступными в России инструментами

YandexGPT и GigaChat решают другую задачу: генерация текста и ответы на вопросы. TencentDB Agent Memory не конкурирует с ними напрямую, а дополняет: это слой памяти, который можно поставить «между» агентами, построенными на любой модели, включая российские.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Если вы используете ИИ-агентов для подготовки материалов, представьте: один агент собирает факты, другой пишет черновик, третий проверяет. С командной памятью второму и третьему не нужно каждый раз объяснять тон канала, целевую аудиторию и редполитику.

Разработчику и AI-стартапу в РФ. Система разворачивается на своём сервере, лицензия MIT, зависимости от внешних API нет. Это означает соответствие требованиям локального размещения данных. Экономия, не переобучать контексту проекта при каждой новой сессии агента.

Предпринимателю. Панель управления пока на английском и китайском, русской локализации нет. Для пилота понадобится технический специалист, но порог входа невысок: Docker и одна команда.

Частые вопросы

Нужно ли платить за использование?

Нет. Проект распространяется под лицензией MIT, размещается на собственном сервере. Зависимости от платного облака Tencent или стороннего API нет.

Можно ли подключить агентов, работающих на моделях OpenAI или Anthropic?

Да. Memory Proxy поддерживает протоколы обеих компаний. SDK доступны для TypeScript и Python.

Безопасно ли хранить в системе конфиденциальные данные?

Система разворачивается локально, данные не уходят на внешние серверы. Записи по умолчанию создаются как приватные, доступ расширяется только явным действием владельца. Однако индексация приватных репозиториев кода ещё дорабатывается, поэтому для регулируемых отраслей разработчики рекомендуют пилотный режим.

Для команд, где несколько ИИ-агентов работают над одним проектом, TencentDB Agent Memory v2.0 закрывает конкретную боль: агент не начинает с чистого листа, а продолжает с того места, где остановился коллега, и при этом не видит то, что ему не положено.

Источник: Marktechpost