Представьте, что каждый сотрудник вашей компании является ИИ-агентом со своей узкой задачей. Если один агент забывает важную деталь, остальным приходится тратить время на повторные объяснения. В июне 2026 года исследование VB Pulse показало, что 57 % предприятий уже сталкивались с уверенным, но неверным ответом агента, связанным с отсутствием или противоречивостью контекста.

Проект Team Memory от Tencent предлагает другой подход. Группа агентов получает доступ к общему хранилищу знаний, а не хранит полностью изолированный контекст. Это помогает им работать согласованнее, но одновременно повышает цену ошибки: неверная запись может повлиять сразу на несколько этапов рабочего процесса.

Исходный код проекта TencentDB Agent Memory стал общедоступным 13 мая 2026 года. Репозиторий размещён на GitHub под лицензией MIT. Проект позиционируется как local-first: его можно запускать в собственной инфраструктуре с компонентами memory-core, memory-hub и proxy. Для российских команд это даёт возможность отдельно оценить, где хранить память агентов и кто получит к ней доступ.

Как общая память экономит повторные объяснения

Team Memory не предлагает вставлять один огромный текст в окно каждого агента. Вместо этого система хранит разные типы ресурсов и подключает агенту только те, которые нужны для конкретной задачи.

1. Chat Memory хранит рабочий контекст

Этот слой сохраняет предпочтения, факты, решения и историю взаимодействия. Со временем данные превращаются в более устойчивый профиль пользователя. Агенту не приходится заново выяснять, как человек предпочитает работать.

2. Skill превращает опыт в процедуру

Skill описывает воспроизводимый способ выполнения задачи. Такие процедуры можно версионировать и проверять перед тем, как сделать их доступными другим агентам.

3. LLM-Wiki связывает документы между собой

Этот компонент превращает документы и спецификации в структурированные страницы со связанными материалами. Агенту проще найти не только отдельный факт, но и его место в общей документации.

4. Code-Graph показывает последствия изменений

Code-Graph индексирует файлы, символы и связи между вызовами в коде. Поэтому агент-разработчик может заранее проверить, какие части проекта затронет предполагаемое изменение.

Такой набор подключаемых ресурсов Tencent называет Agent Loadout. Например, агент, который исследует рынок, получает аналитику и конкурентные материалы. Агент-разработчик получает граф кода и продуктовую документацию. Это снижает объём нерелевантного контекста и помогает экономнее расходовать ресурсы модели.

Почему общая память полезна, но требует контроля

Изолированная память ограничивает ошибку одним агентом. Общая память действует иначе. Если один агент записывает неверный факт, его могут использовать другие агенты, которые не видели исходный диалог и не могут быстро оценить качество записи.

В собственном тесте Tencent добавление слоя «персоны», то есть устойчивого профиля пользователя, повысило точность с 48 % до 76 %. Это улучшение относится к конкретному бенчмарку Tencent и не означает автоматически такой же результат для любой рабочей системы.

Поэтому Team Memory использует модель управления видимостью. Это не прямое следствие риска ошибок, а отдельный механизм, который определяет, кто может читать конкретный ресурс.

1. Private: только владелец

Данные доступны лишь тому, кто их создал или кому они принадлежат.

2. Team: вся команда

Ресурс могут читать участники одной команды.

3. Restricted: доступ по правилам

Доступ ограничивается пользователями, ролями или другими заданными правами.

4. Agent: один конкретный агент

Ресурс получает только выбранный агент внутри команды.

Новые Chat Memory и Skill по умолчанию являются приватными. Публикация в общий пул требует отдельного действия. Это полезная настройка: команда сама решает, какие сведения действительно готовы стать общими.

Где начинается главный технический компромисс

Контроль доступа отвечает на вопрос «кто может прочитать данные». Он не решает автоматически вопрос «каким данным следует доверять». Если устаревшая инструкция уже попала в работу нескольких агентов, одной настройки видимости может быть недостаточно.

В материалах проекта описаны владение, версии и статусы ресурсов, но отдельно не раскрыт единый автоматический процесс исправления или истечения срока действия фактов. Поэтому перед внедрением важно проверить возможности именно используемой версии репозитория. Нельзя рассчитывать, что система сама определит, какая из двух противоречивых записей верна.

На практике команде понадобится собственный регламент. Он должен определять, кто утверждает новые записи, как помечаются спорные сведения, когда устаревший ресурс перестаёт использоваться и кто отвечает за исправление ошибки. Чем больше агентов подключено к общей памяти, тем важнее эти правила.

Что это меняет для вашей команды

Team Memory показывает полезное направление развития многоагентных систем. Агенты могут перестать быть набором отдельных ботов и начать работать как команда, которая пользуется общими знаниями. Выигрыш появляется там, где сотрудники и агенты часто повторяют одни и те же объяснения.

Но общая память не должна означать безусловное доверие. Для пилотного запуска разумно начать с ограниченного набора ресурсов, приватного доступа по умолчанию и понятного владельца каждой записи. Сначала проверьте, как система обрабатывает устаревшие и противоречивые данные. Только после этого расширяйте круг агентов.

Такой подход позволяет получить главное преимущество общей памяти, то есть меньше повторной работы, не превращая одну ошибку в проблему для всей цепочки. Подробнее: OpenAI предлагает замедлить темпы ИИ. Вот как это повлияет на вашу безопасность.