Team Memory от Tencent позволяет AI-агентам обмениваться знаниями, но неверный факт распространяется на всю команду

Ключевые моменты

• Согласно опросу VentureBeat за июнь 2025 года, 57% предприятий проследили ошибочный ответ AI назад к отсутствующему или несогласованному контексту.
• Tencent запустила Team Memory в бета-версии на этой неделе — систему с открытым исходным кодом, которая позволяет нескольким AI-агентам делить единый пул памяти вместо ведения отдельных записей.
• На собственном тесте точности Tencent добавление постоянного слоя профиля пользователя повысило правильные ответы с 48% до 76%.
• Репозиторий GitHub для лежащего в основе проекта занял первое место в списке трендов TypeScript на GitHub в течение нескольких дней после анонса Team Memory.
• Собственная документация Tencent не содержит процесса исправления или удаления элемента совместной памяти, который оказался неправильным.

Представьте, что вы работаете в офисе, где все коллеги используют одну общую доску. Это полезно: никому не нужно переобъяснять решение, которое уже написано. Но если кто-то напишет неправильное число, каждый человек в здании будет использовать это число, пока кто-нибудь не заметит и не сотрёт его. Примерно такая ситуация была реализована Tencent.

Что такое Team Memory и что она на самом деле делает?

Team Memory — это система совместного хранилища для AI-агентов, программ, которые могут выполнять многошаговые задачи самостоятельно без руководства человека на каждом шаге. Вместо того чтобы каждый агент вёл собственные записи о пользователе или проекте, все агенты команды читают из одного центрального пула.

Tencent создала её как расширение Agent Memory — проекта с открытым исходным кодом, над которым компания работала шесть месяцев, чтобы решить конкретную проблему: AI-агенты забывали всё полезное, как только завершалась долгая беседа. Новая бета-версия Team Memory, объявленная на этой неделе, расширяет эту идею с одного агента на много.

Система организует четыре типа повторно используемой информации. Chat Memory хранит обобщённую картину личности пользователя, накопленную за много разговоров. Skills фиксируют пошаговые процедуры, извлечённые из завершённой работы. LLM-Wiki преобразует документы в структурированные связанные страницы. Code-Graph отображает кодовую базу приложения, чтобы агент мог проверить, что может сломаться при внесении изменений.

Каждый агент получает только информацию, необходимую для его конкретной работы. Исследовательский агент видит данные рынка. Агент кодирования видит карту кода и документы продукта. Информация не сбрасывается на всех сразу.

Кто контролирует, что делится?

Доступ работает через четыре уровня. Приватные элементы доступны для чтения только создателю. Командные элементы открыты для всей группы. Ограниченные элементы защищены по ролям или идентичности. Элементы агента загружаются только на одного конкретного агента. Новые элементы по умолчанию приватны, поэтому общий доступ — всегда сознательный выбор.

Это отвечает на вопрос, кто имеет право читать тот или иной элемент памяти. Но это не отвечает на вопрос о том, что происходит, когда элемент памяти просто неправилен.

Что происходит, когда совместная память содержит ошибку?

Это то, что разработчики отметили в течение часов после запуска. В системе с одним агентом ошибочный факт стоит одному пользователю одну коррекцию. В системе совместного доступа этот же неверный факт копируется каждому агенту, читающему из пула, потенциально до того, как кто-нибудь заметит ошибку.

«Неверный факт, записанный один раз, теперь распространяется на агента каждого члена команды вместо только твоего», — написал разработчик Blake Murphy на X вскоре после запуска. Другие указывали, что два агента могут записать противоречащие версии одного и того же факта, и пока нет правила для определения победителя.

Научная статья от марта 2026 года об архитектуре совместной памяти многоагентных систем определила этот паттерн как структурный риск: неверная информация, которая распространяется молча, прежде чем любой цикл обратной связи её поймает.

Документация Tencent охватывает владение, версионирование и отслеживание статуса для активов памяти. Она пока не описывает процесс коррекции или удаления факта, уже унаследованного другими агентами.

Что это значит для команд, рассматривающих возможность использования?

Преимущество реально и конкретно. Агенты перестают терять время на переучивание контекста, который команда уже имеет. Собственный тест Tencent показал, что точность прыгает с 48% до 76% после добавления слоя постоянного профиля пользователя.

Компромисс столь же конкретен. Пока не существует механизма коррекции, одна ошибочная запись — это не частная ошибка: это общая. Команды, оценивающие Team Memory, должны обращаться с совместным пулом столь же осторожно, как с любым общим документом, потому что сейчас нет автоматической защиты, чтобы поймать ошибку, прежде чем она распространится.