AI智能体学而不传，团队协作受阻

Mark Do 暂无评论 13 小时前阅读 12 次

AI智能体学而不传，团队协作受阻

当团队中的某个人修正AI智能体时——无论是通过优化提示词、改进反馈还是提供更丰富的上下文——这些改进在同事使用同一工具的瞬间便会消失。修正内容无法在团队成员间传递，导致每个人都要从零开始。

在多智能体工作流程中，这一问题尤为突出。团队期望智能体能够在不同用户和任务间共享上下文，但由于缺乏共享记忆层，每位团队成员实际上都在训练同一智能体的不同版本，而这些版本之间从未实现同步。

数据清晰地反映了这一差距。根据Asana的研究，75%的知识工作者在工作中使用AI，但仅有5%的企业报告了生产力的提升。

Asana首席产品官Arnab Bose在接受VentureBeat采访时表示：”模型提供商在提升推理能力和重试循环方面已经做得非常出色，但他们不擅长的是将企业工作背景以一种人类能够理解的方式进行推理，以实现共享记忆。”

Asana一直在构建一个以上下文和共享记忆为核心的智能体平台。其Agentic Work Management平台确保，如果团队中任何一位成员修正了智能体，该修正将自动应用于团队中的所有其他成员。

Bose解释道：”该上下文图会自动提供给在Asana系统内运行的智能体，这样团队中的每位成员就不必都成为提示工程或上下文工程方面的专家。”

Bose强调，共享记忆架构不仅对Asana自身的产品至关重要，也是企业为任何多智能体系统需要做出的设计决策。

当企业开始从简单的单一智能体转向需要共享上下文和行为的多智能体工作流程时，共享记忆的重要性将进一步凸显。

多平台工作流程中的记忆

驱动智能体的模型在设计上是无状态的，因此记忆成为上下文窗口之外的专用层。尽管这一AI创新领域正逐步走向成熟，但关于存储什么内容、谁控制这些内容，以及当不同智能体和用户写入同一实例时如何保持一致等问题，大多仍未得到解决。

对于单一用户的使用场景，这个问题尚可管理。然而，在企业智能体工作流程中，智能体应当为整个团队提供服务。大多数平台的智能体仍服务于个人用户，这导致任务重复、现实版本不一致以及错误扩散等问题。智能体之间甚至可能相互矛盾。

Collate联合创始人兼CTO Sriharsha Chintalapani在一封发给VentureBeat的电子邮件中表示，缺乏共享记忆是多智能体工作流程的主要障碍，尤其是在一致性方面。

Chintalapani指出：”智能体对提示词的质量非常敏感。对任务有深入理解的用户通常能比经验不足的用户获得更准确的结果。部分原因是他们能够构建更详细的提示词，同时也是因为他们能给予智能体更好的反馈。智能体会记住收到的修正，并将这些知识应用到后续的提示词中。反馈越准确，智能体为该用户提供的性能就越好。”

他补充说，组织应当停止将共享记忆仅视为提示工程问题，而应考虑构建能够在每次对话中重复上下文的系统。

Zeta Global首席数据官Neej Gore在另一封邮件中表示，共享上下文成为一种”活态记忆”，能够”在整个企业中累积智能。”

机遇可能在于构建能够关联式检索记忆的AI智能体，根据问题内容引入相关上下文——Chintalapani表示，除少数最大型模型提供商外，很少有组织具备构建此类系统的能力。