マルチエージェントシステムには共有メモリが必要です。インフラはこちらです。

マルチエージェントアーキテクチャは根本的な調整の問題に直面しています：各エージェントは独自のコンテキストで動作し、1つのエージェントが学んだことを他のエージェントと共有するための標準的なメカニズムはありません。開発者は、エージェント間で知識を移動させるために、カスタムメッセージパッシングシステム、共有データベース、またはオーケストレーションレイヤーを構築することになります。これはメモリインフラであり、カスタムプロジェクトであってはなりません。

フリート内の任意のエージェントがアクセスできる共有メモリストア — 適切な権限を持つエージェントは、共有MemoryLakeストアから読み書きできます。1つのエージェントの発見は、カスタムメッセージやオーケストレーションなしで、すぐに他のすべてのエージェントに利用可能です。

スキルメモリはインスタンス間で学習したワークフローを伝播します — 1つのエージェントが新しい問題のクラスに対して効果的なワークフローを開発すると、そのワークフローはスキルとして保存され、フリート内の他のすべてのエージェントが利用できるようになります。エージェントフリートは、個々にではなく、集団として改善します。

リフレクションメモリはシステム全体の調整のための行動パターンをキャプチャします — エージェントが成功または失敗するパターンは、ソースの帰属とともにリフレクションメモリに保存されます。システムオペレーターはこれらのパターンを検査し、エージェントの行動を更新し、フリート全体に改善を伝播できます。

1. 接続 — MCPまたはREST APIを介して、エージェントフリート全体にわたる共有メモリエンドポイントとしてMemoryLakeを登録します。各エージェントは、役割に応じた資格情報で認証します。
2. 構造 — エージェントは作業中に型付きメモリカテゴリに書き込みます：発見された事実はファクトメモリに、決定はイベントメモリに、効果的なアプローチはスキルメモリに書き込まれます。役割ベースのアクセス制御が、各エージェントタイプが何を読み書きできるかを決定します。
3. 再利用 — 任意のエージェントは、実行の開始時または実行中に関連する共有メモリを取得します。取得は、最近性だけでなく意味的関連性によってランク付けされるため、エージェントは以前の実行からも有用なコンテキストを引き出します。

MemoryLakeは、研究、データ処理、ソフトウェア開発、企業の自動化のためにエージェントフリートを運営するMLエンジニアやプラットフォームチームに適しています。共有の目標に対して1つ以上のエージェントインスタンスを運営している場合、共有メモリはオプションではなく、調整レイヤーです。