Sebuah survei dari VB Pulse pada bulan Juni ini menemukan bahwa 57% perusahaan mengalami masalah ketika jawaban dari agen AI yang salah dapat dilacak kembali ke konteks yang hilang atau tidak konsisten. Ini menunjukkan betapa pentingnya konteks bagi kepercayaan kita terhadap agen AI untuk bertindak secara mandiri.
Sejauh ini, sebagian besar solusi yang ada hanya mengatasi versi sempit dari masalah tersebut, yaitu satu agen yang bisa mengingat lebih banyak dalam satu sesi. Namun, yang hilang adalah cara bagi sekelompok agen untuk berbagi konteks yang sama secara bersamaan. Ketika konteks dibagikan di seluruh tim, kesalahan informasi tidak hanya merugikan satu orang, tapi bisa berdampak pada seluruh tim.
Tencent menjawab tantangan ini dengan proyek Agent Memory, yang dikembangkan setelah enam bulan berusaha memperbaiki masalah di mana agen kehilangan konteks selama sesi yang panjang. Sistem ini mencakup layer persona, yaitu gambaran stabil dan terukur tentang siapa pengguna dan bagaimana cara mereka bekerja, yang dibangun dari banyak percakapan ketimbang dibangun kembali setiap kali. Dalam tolok ukur Tencent, akurasi meningkat dari 48% menjadi 76%, sebuah peningkatan sebesar 59% setelah layer persona ditambahkan. Minggu ini, Tencent meluncurkan proyek ini lebih lanjut dengan beta Team Memory, yang membuka pendekatan yang sama untuk seluruh tim, bukan hanya untuk satu agen. Tencent mengungkapkan bahwa repositori ini menduduki peringkat pertama di daftar trending TypeScript di GitHub minggu ini.
Agen dalam suatu tim kini dapat membaca dari pusat ingatan bersama alih-alih menyimpan konteks secara terpisah, dengan pengendalian akses yang menentukan siapa yang bisa membaca apa.
Apa yang Dilakukan Team Memory
Inti dari ide ini adalah pusat berbagi, bukan sekadar prompt bersama. Alih-alih menempelkan satu blok konteks besar ke setiap jendela agen, Team Memory mendaftarkan empat jenis aset yang dapat digunakan kembali dan hanya dilengkapi dengan yang dibutuhkan oleh setiap agen.
-
Chat Memory. Menyimpan preferensi, fakta, keputusan, dan sejarah interaksi, disaring melalui empat lapisan, dari percakapan mentah hingga persona jangka panjang yang stabil, sehingga agen tidak perlu diperkenalkan kembali kepada pengguna yang sudah pernah mereka ajak bicara.
-
Skill. Mengambil prosedur dari pekerjaan yang sudah selesai, versi dan ditinjau sebelum dibagikan, bukan dibuang begitu saja ke dalam satu folder.
-
LLM-Wiki. Mengubah dokumen dan spesifikasi menjadi halaman yang terstruktur dan terhubung.
-
Code-Graph. Mengindeks simbol, file, dan relasi panggilan dalam basis kode sehingga agen dapat memeriksa dampak perubahan sebelum melakukannya.
Dokumentasi Tencent secara langsung membedakan: “RAG menjawab ‘apa yang bisa ditemukan?’ Team Memory juga menjawab ‘siapa yang bisa menggunakannya, versi mana yang valid, dan agen mana yang seharusnya menerimanya.’”
Dalam praktiknya, Tencent menyebut ini sebagai “Agent Loadout”: agen Scout yang melakukan riset dapat dilengkapi dengan aset riset pasar dan analisis kompetitif, sementara agen Builder mendapatkan grafik kode dan dokumen produk yang dibutuhkan, bukan setiap agen memperoleh akses ke semua hal.
Aset mana yang diberikan kepada agen ditentukan melalui empat tingkat visibilitas:
-
Private. Hanya bisa dibaca oleh pemilik aset tersebut.
-
Team. Bisa dibaca oleh siapa saja dalam tim.
-
Restricted. Terbatas oleh kontrol akses berdasarkan pengguna, peran, atau level agen.
-
Agent. Dilengkapi hanya untuk satu agen tertentu dalam tim.
Aset baru secara default bersifat pribadi, sehingga berbagi harus dilakukan secara sengaja, bukan otomatis.
Apa yang Terjadi Ketika Memori Salah
Model akses ini menjawab pertanyaan siapa yang diizinkan untuk membaca aset memori tertentu, tetapi tidak menjawab pertanyaan kedua, yaitu apa yang terjadi setelah aset memori ternyata salah. Dokumentasi Tencent menjelaskan kepemilikan, versi, dan pelacakan status untuk setiap aset, tetapi tidak ada yang menjelaskan proses koreksi atau kedaluwarsa untuk fakta yang sudah dibaca dan digunakan oleh agen lain dalam tim, atau cara untuk menyelesaikannya ketika ingatan dua agen tentang hal yang sama saling bertentangan.
Kesenjangan inilah yang menjadi perhatian praktisi hanya dalam beberapa jam setelah peluncuran proyek tersebut.
“Memori bersama membuat jalur penulisan menjadi masalah yang menarik. Pengambilan informasi mendapatkan perhatian terbesar, tetapi fakta yang salah ditulis sekali kini menyebar ke setiap agen rekan satu tim alih-alih hanya milikmu. Saya penasaran bagaimana lapisan pengendalian menangani koreksi dan kedaluwarsa,” ungkap Blake Murphy di X.
Kekhawatiran bukan hanya tentang memperbaiki fakta yang buruk setelah itu, tapi juga keputusan untuk tidak mencatat sesuatu sejak awal. “Bagian yang diatur adalah hal yang sulit. Begitu agen rekan bisa membaca konteks masing-masing, seseorang harus memutuskan informasi apa yang tidak pernah ditulis,” tulis Virgil Maro di X.
Beberapa orang menyelami lebih dalam mengenai apa yang terjadi ketika ingatan dua agen secara aktif bertentangan, bukan hanya ketinggalan zaman.
“Pembagian Code-Graph dan LLM-Wiki adalah keputusan yang tepat. Hal yang ingin saya lihat dibandingkan: dalam mode berbagi, ingatan siapa yang menang ketika dua agen rekan menulis fakta yang saling bertentangan tentang modul yang sama? Memori agen tunggal melambat perlahan. Memori bersama melambat dengan cepat, karena satu penulisan yang ketinggalan zaman menyebar kepada orang-orang yang tidak pernah melihat sesi yang memproduksinya,” tulis Austin Green di X.
Reaksi ini tidak sepenuhnya kritis. “Perubahan yang menarik: menjadikan memori sebagai layanan bersama menjadikan agen sebagai tim yang nyata alih-alih hanya bot yang terisolasi. Pengendalian akan menjadi bagian yang paling rumit, terutama ketika fakta bertentangan,” ungkap Moez Zhioua di X.
Semua ini bukanlah kasus tepi yang khusus untuk implementasi Tencent. Sebuah makalah yang diterbitkan pada Maret 2026 tentang arsitektur memori multi-agen di produksi, “Governed Memory: A Production Architecture for Multi-Agent Workflows,” mengidentifikasi fragmentasi pengendalian dan penurunan kualitas yang senyap tanpa umpan balik sebagai risiko struktural dalam memori multi-agen yang dibagi secara umum. Pola yang dijelaskan dalam makalah tersebut sesuai dengan apa yang dikhawatirkan para pengomentar di atas: fakta yang salah dalam sistem memori agen tunggal hanya merugikan satu pengguna, sementara fakta yang sama dalam sistem memori bersama yang melibatkan seluruh tim menyebar ke setiap agen yang mewarisinya sebelum ada yang menangkapnya.
Perbandingan Team Memory
Pekerjaan memori agen AI di 2026 sebagian besar berfokus pada satu agen yang mengingat lebih banyak, dalam satu sesi, tentang satu pengguna: LangChain’s LangMem SDK, Google’s Always On Memory Agent, dan pekerjaan Anthropic dalam Claude Agent SDK semua bekerja dengan cara ini. Jalur kerja yang berbeda telah berfokus pada memberikan akses kepada agen ke model bisnis yang terstruktur. Survei Juni VB menemukan hanya 25% perusahaan yang memiliki bentuk layer konteks yang terkelola dalam produksi, sementara vendor seperti AWS, Couchbase, Oracle, Redis, dan Pinecone telah mengirimkan versi tersebut tahun ini.
Perbandingan terdekat Team Memory mungkin adalah Asana, yang membangun memori bersama di antara rekan AI dalam sebuah perusahaan sehingga suatu agen tidak perlu diperkenalkan kembali pada konteks yang sudah dimiliki agen lain. CPO Asana menggambarkan trade-off yang sama yang kini diangkat oleh praktisi Tencent, yaitu suatu sistem kendali akses yang dirancang untuk mencegah memori satu agen bocor ke dalam proyek yang tidak dapat dilihat oleh agen lainnya. Versi Tencent bersifat open-source dan portabel di berbagai framework alih-alih terikat pada satu platform, tetapi ini menjawab pertanyaan yang juga dihadapi tim Asana saat membangun sistem tertutup.
Bagi tim yang mengevaluasi kategori ini, manfaatnya nyata: agen berhenti mempelajari kembali apa yang sudah diketahui oleh tim. Namun, trade-off juga tidak bisa diabaikan: satu penulisan yang buruk tidak lagi terbatas pada satu agen – melainkan diwarisi oleh setiap agen yang membaca dari kolam bersama, tanpa proses koreksi atau kedaluwarsa yang masih ada untuk menangkapnya.
