.webp){kind=small}
Uma pesquisa VB Pulse realizada em junho deste ano descobriu que 57% das empresas rastrearam uma resposta de agente errada e confiável até um contexto ausente ou inconsistente — o mais recente sinal de como o contexto se tornou central para saber se os agentes de IA podem ser confiáveis para agir por conta própria. A maioria das soluções até agora resolveu uma versão mais restrita desse problema: um agente lembrando mais, em uma sessão. O que está faltando é uma maneira de uma equipe de agentes aproveitar o mesmo contexto ao mesmo tempo, e é nessa lacuna que um problema mais recente está surgindo. Uma vez que o contexto de um agente é compartilhado por toda a equipe, um fato errado não custa a uma pessoa uma explicação repetida.
Custa toda a equipe. A resposta da Tencent para essa lacuna é Agent Memory, um projeto de código aberto que a equipe disse ter surgido de seis meses gastos resolvendo um problema mais restrito: agentes perdendo contexto em longas sessões. Parte desse sistema é uma camada de persona, uma imagem estável e destilada de quem é um usuário e como ele trabalha, construída ao longo de muitas conversas, em vez de reconstruída a cada vez. No próprio benchmark da Tencent para saber se um agente ainda aplica essa imagem corretamente após uso prolongado, a precisão aumentou de 48% para 76%, uma melhoria relativa de 59%, uma vez adicionada a camada de persona.
Esta semana, a Tencent estendeu esse projeto com o lançamento beta do Team Memory, que abre a mesma abordagem para uma equipe inteira em vez de um agente. A Tencent disse que o repositório alcançou o primeiro lugar na lista de tendências TypeScript do GitHub esta semana. Os agentes de uma equipe agora podem ler em um hub de memória compartilhada em vez de manter um contexto separado e isolado, governado por uma camada de controle de acesso que determina quem pode ler o quê.
O que o Team Memory realmente faz
A ideia central é um hub compartilhado em vez de um prompt compartilhado. Em vez de colar um grande bloco de contexto na janela de cada agente, o Team Memory registra quatro tipos de ativos reutilizáveis e equipa cada agente apenas com aqueles de que necessita. Memória de bate-papo. Retém preferências, fatos, decisões e histórico de interação, destilados em quatro camadas, desde a conversa bruta até uma personalidade estável de longo prazo, para que um agente não precise ser reintroduzido a um usuário com quem já trabalhou. Habilidade. Captura procedimentos extraídos de trabalhos concluídos, versionados e revisados antes de serem compartilhados, em vez de serem colocados em uma pasta como estão. LLM-Wiki.
Transforma documentos e especificações em páginas estruturadas e vinculadas. Gráfico de código. Indexa símbolos, arquivos e relacionamentos de chamada de uma base de código para que um agente possa verificar o que uma alteração pode afetar antes de realizá-la. A documentação da Tencent faz a distinção diretamente: “O RAG responde' o que pode ser encontrado?' O Team Memory também responde' quem pode usá-lo, qual versão é válida e qual agente deve recebê-lo.'" Na prática, isso é o que a Tencent chama de" Agente Loadout": um agente Scout fazendo pesquisa pode ser equipado com pesquisa de mercado e ativos de análise competitiva, enquanto um agente Builder obtém o gráfico de código e os documentos do produto de que precisa, em vez de todos os agentes terem acesso a tudo. Os
Ativos com os quais um agente é equipado são regidos por quatro níveis de visibilidade: Privado. Legível apenas pelo proprietário do ativo. Equipe. Legível por qualquer pessoa da equipe. Restrito. Bloqueado por controle de acesso em nível de usuário, função ou agente. Agente. Equipado para um agente específico dentro de uma equipe. Os novos ativos são privados por padrão, portanto o compartilhamento deve ser uma ação deliberada e não algo que acontece automaticamente.
O que acontece quando uma memória está errada
Esse modelo de acesso responde a uma questão real: quem tem permissão para ler um determinado ativo de memória. Ele não responde a uma segunda pergunta, que é o que acontece quando um recurso de memória está errado. A própria documentação da Tencent estabelece propriedade, controle de versão e rastreamento de status para cada ativo, mas nada na documentação descreve um processo de correção ou expiração para um fato que já foi lido e reutilizado por outros agentes de uma equipe, ou uma maneira de resolvê-lo quando as memórias de dois agentes sobre a mesma coisa discordam. Essa lacuna é o que os profissionais sinalizaram horas após o lançamento." A memória compartilhada torna o caminho de gravação um problema interessante.
A recuperação recebe a maior parte da atenção, mas um fato errado escrito uma vez agora se propaga para o agente de cada colega de equipe, em vez de apenas para o seu. Curioso como a camada de governança lida com a correção e a expiração", escreveu Blake Murphy no X. A preocupação não era apenas consertar um fato ruim após o fato. Em primeiro lugar, tratava-se da decisão de deixar algo fora do registro." A parte governada é a parte difícil.
Uma vez que os agentes dos companheiros de equipe podem ler o contexto uns dos outros, alguém tem que decidir o que nunca será escrito", escreveu Virgil Maro no X. Outros foram mais longe no que acontece quando as memórias de dois agentes se contradizem ativamente, e não apenas ficam obsoletas." A divisão Code-Graph mais LLM-Wiki é a decisão certa. A parte que eu gostaria de ver avaliada: no modo compartilhado, cuja memória vence quando os agentes de dois colegas de equipe escrevem fatos contraditórios sobre o mesmo módulo? A memória de agente único flutua lentamente.
A memória compartilhada flutua rapidamente, porque uma gravação obsoleta se propaga para pessoas que nunca viram a sessão que a produziu", escreveu Austin Green no X. A reação não foi uniformemente crítica." Mudança interessante: tornar a memória um serviço compartilhado transforma os agentes em uma equipe real, em vez de bots isolados. A governança será a parte mais complicada, especialmente quando os fatos entram em conflito", escreveu Moez Zhioua no X. Nenhum desses são casos extremos específicos da implementação da Tencent.
Um artigo de março de 2026 sobre arquitetura de memória multiagente de produção," Memória governada: uma arquitetura de produção para fluxos de trabalho multiagentes", publicado independentemente de qualquer fornecedor, identifica a fragmentação de governança e a degradação silenciosa da qualidade sem ciclos de feedback como riscos estruturais na memória multiagente compartilhada em geral. O padrão que o artigo descreve corresponde ao que os comentaristas acima apontaram diretamente: um fato errado em um sistema de memória de agente único custa a um usuário uma correção repetida, enquanto o mesmo fato errado em um sistema de memória compartilhado por toda a equipe se propaga para cada agente que o herdou antes que alguém o detecte.
.jpg)
