Pamięć współdzielona vs. przekazywanie komunikatów w systemach wieloagentowych

Pamięć współdzielona i przekazywanie komunikatów to dwa podstawowe paradygmaty, za pomocą których można koordynować wielu agentów AI. W modelu pamięci współdzielonej (w klasycznym wariancie jest to wzorzec Blackboard) wszyscy agenci odczytują i zapisują wspólny stan. W modelu przekazywania komunikatów każdy agent jest hermetyzowany i komunikuje się wyłącznie za pomocą komunikatów, bez współdzielonego stanu. Wybór między nimi przesądza o czterech właściwościach systemu wieloagentowego: spójności, sprzężeniu, skalowalności i łatwości debugowania. Ten artykuł porównuje oba paradygmaty według tych osi i pokazuje, kiedy który się sprawdza.

• Pamięć współdzielona / Blackboard: wspólny stan (scratchpad, baza wektorowa, obiekt stanu), który wszyscy agenci odczytują i zapisują. Silne sprzężenie, prosta wymiana kontekstu, ale ryzyko przy równoległych zapisach.
• Przekazywanie komunikatów: odizolowani agenci, wymiana wyłącznie za pomocą komunikatów. Luźne sprzężenie, skalowanie ponad granicami procesów i dostawców; to standard, na którym opierają się A2A, OpenAI Agents SDK i Anthropic Claude Agent SDK.
• Decydująca zasada: odczyt może przebiegać równolegle w modelu fan-out, zapis powinien pozostać jednowątkowy, niezależnie od wybranego paradygmatu.

Pamięć współdzielona i wzorzec Blackboard

W podejściu opartym na pamięci współdzielonej wszyscy agenci korzystają z jednej centralnej pamięci. Klasyczny wzorzec Blackboard wywodzi się z badań nad sztuczną inteligencją: wspólny „blackboard” przechowuje aktualny stan zadania, a wyspecjalizowani agenci go obserwują, odczytują istotne dla siebie fragmenty, wpisują swoje wyniki cząstkowe i reagują na zmiany wprowadzone przez innych agentów. Nie ma stałego planu przebiegu; kolejność wynika z tego, który agent może w danej chwili wnieść coś sensownego.

W nowoczesnych systemach wieloagentowych pamięć współdzielona występuje w kilku formach. Rozpowszechnione są cztery zewnętrzne warstwy pamięci:

• Bazy wektorowe (pgvector, Pinecone, Weaviate, Qdrant) dla kontekstu wspomaganego wyszukiwaniem.
• Ustrukturyzowane bazy danych (Postgres, BigQuery, SAP HANA, Snowflake) jako źródło faktów.
• Scratchpady jako efemeryczne, współdzielone notatniki, które agenci odczytują i zapisują, zwykle z semantyką append-only lub compare-and-swap.
• Trwała pamięć agentów (w stylu Letta/MemGPT, magazyn międzywątkowy w LangGraph, narzędzie Memory od Anthropic).

Częściowo należy tu także wzorzec peer-to-peer lub swarm: równorzędni agenci na współdzielonej magistrali komunikatów i/lub we współdzielonej pamięci, bez stałego orkiestratora. OpenAI Swarm jest tu punktem odniesienia: eksperymentalny framework opublikowany w październiku 2024 roku i w marcu 2025 roku zastąpiony przez gotowy do produkcji OpenAI Agents SDK. W realiach europejskich firm ten swobodny model rzadko jednak się sprawdza, bo cierpią na tym łatwość debugowania i rozliczalność.

Słabym punktem jest spójność. Gdy tylko dwaj agenci odczytują tę samą pamięć, a co najmniej jeden z nich zapisuje, potrzebna jest jasna strategia. Popularne są trzy opcje: (a) optymistyczna kontrola współbieżności, (b) jeden zapisujący i wielu odczytujących albo (c) jawna semantyka blokad. Większość systemów produkcyjnych wybiera (b), co odpowiada zasadzie Cognition „Writes stay single-threaded”.

Przekazywanie komunikatów i komunikacja agentów za pomocą wiadomości

W modelu przekazywania komunikatów każdy agent ma własny stan i własne okno kontekstowe. Informacje przepływają wyłącznie przez jawne komunikaty, nigdy przez bezpośredni dostęp do cudzego stanu. Dzięki temu agenci są luźno sprzężeni: agent nie musi nic wiedzieć o wewnętrznym działaniu, modelu ani pamięci innego agenta, wystarczy, że zna format komunikatów.

Dokładnie taka idea projektowa stoi za protokołem Agent-to-Agent (A2A), który Google opublikował w kwietniu 2025 roku podczas Cloud Next, a 23 czerwca 2025 roku przekazał Linux Foundation. A2A definiuje, jak agenci rozmawiają, a nie jak myślą: każdy agent publikuje AgentCard (dokument JSON z endpointem, możliwościami, skillami, modalnościami i schematami uwierzytelniania). Współpraca przebiega według cyklu życia zadania:

submitted -> working -> input-required -> completed | failed | canceled

Wewnętrzne procesy zdalnego agenta pozostają przy tym nieprzejrzyste. To właśnie pozwala agentowi Salesforce wywołać agenta SAP bez ujawniania sobie nawzajem promptów, pamięci czy modelu. Podczas gdy A2A obejmuje komunikację między agentami, Model Context Protocol (MCP) reguluje komunikację agenta z narzędziami. Popularna w branży zasada (stan na 2026 rok): MCP do możliwości (agent do narzędzia), A2A do współpracy (agent do agenta).

Inne stacki realizują przekazywanie komunikatów z własną semantyką:

LangGraph to tu ciekawy przypadek graniczny: typowany obiekt stanu jest de facto stanem współdzielonym, ale jest przekazywany w kontrolowany sposób od węzła do węzła i zapisywany w checkpointach, a więc nie jest swobodnie modyfikowany. To typowa w praktyce forma mieszana.

Kompromisy w bezpośrednim porównaniu

Na szczególną uwagę zasługują dwa tryby awarii. Po pierwsze fragmentacja kontekstu: subagenci podejmują niekompatybilne, niejawne decyzje. Cognition formułuje to jako zasadę: działania niosą ze sobą niejawne decyzje, a sprzeczne decyzje prowadzą do złych wyników. Środkami zaradczymi są dzielenie się pełnymi śladami wykonania przy silnym sprzężeniu, jednowątkowe zapisy i jawne kontrakty decyzyjne. Po drugie załamanie debugowalności: przy przekazywaniu komunikatów nie ma jednego śladu obejmującego cały przebieg, lecz N trajektorii subagentów plus synteza. Środkiem zaradczym jest kompleksowe rozproszone śledzenie z identyfikatorami korelacji propagowanymi przez każde zadanie A2A i każde wywołanie MCP.

Konkretny przykład: fan-out odczytów z jednym zapisującym

Research Agent firmy Anthropic (czerwiec 2025) to punkt odniesienia dla właściwego podziału ról. Agent prowadzący (Claude Opus 4) rozkłada zapytanie na części i uruchamia N równoległych subagentów (Claude Sonnet 4). Każdy subagent ma własne okno kontekstowe o pojemności około 200k tokenów, prowadzi research niezależnie i zwraca agentowi prowadzącemu skompresowane podsumowanie (a nie pełny transkrypt), a ten dokonuje syntezy. To czyste przekazywanie komunikatów z odizolowanymi kontekstami. Wynik według wewnętrznej ewaluacji badawczej Anthropic: system wieloagentowy wypadł o 90,2% lepiej niż pojedynczy agent z Claude Opus 4. Ceną jest mniej więcej 15-krotnie wyższe zużycie tokenów niż przy zwykłej interakcji na czacie; w przypadku pojedynczego agenta to około 4-krotność. Taka ekonomia uzasadnia się tylko przy wartościowych zadaniach, które da się zrównoleglić.

Odpowiednikiem z praktyki ubezpieczeniowej jest Allianz Project Nemo: siedmiu wyspecjalizowanych agentów (Planner, Cyber, Coverage, Weather, Fraud, Payout, Audit) do obsługi szkód związanych z zepsuciem żywności po klęskach żywiołowych. W studium przypadku Allianz od zgłoszenia szkody do końcowej weryfikacji mija mniej niż pięć minut. Ta weryfikacja pozostaje w rękach człowieka: likwidator szkód czyta podsumowanie audytu i podejmuje ostateczną decyzję o wypłacie (human-in-the-loop jako wyraźny wymóg). Allianz opracował system w niecałe 100 dni i uruchomił go w lipcu 2025 roku w Australii. Udokumentowany wynik: o 80% krótszy czas obsługi i likwidacji uzasadnionych szkód poniżej AUD 500.

W pseudokodzie topologia fan-out odczytów z jednym zapisującym wygląda tak:

1. fragmente = parallel_map(sub_agent.recherchiere, teilaufgaben): odczyty przebiegają równolegle jako fan-out z odizolowanymi kontekstami.
2. ergebnis = lead.synthetisiere(fragmente): dokładnie jeden zapisujący scala fragmenty.
3. commit(ergebnis): zapis pozostaje jednowątkowy.

Należy natomiast unikać współbieżnych zapisów wielu agentów do tego samego stanu, ponieważ agenci zapisujący równolegle podejmują wzajemnie sprzeczne, niejawne decyzje.

Który paradygmat i kiedy

• Wybierz przekazywanie komunikatów, gdy agenci współpracują ponad granicami procesów, zespołów lub dostawców, gdy szczegóły wewnętrzne mają pozostać hermetyzowane i gdy audyt musi obejmować każdy komunikat. To domyślny wybór dla workflowów między systemami (z Agentforce do Joule i dalej do Copilota za pośrednictwem A2A) i dla fan-outu z przewagą odczytów (research, wyszukiwanie informacji, klasyfikacja, przegląd).
• Wybierz pamięć współdzieloną, gdy ściśle sprzężone zadania cząstkowe działają w obrębie jednego procesu, wspólny stan jest niewielki, a częstotliwość zapisu niska, i gdy można ustanowić jednego zapisującego. Blackboard sprawdza się w zadaniach bez stałego planu przebiegu.
• Połącz oba podejścia, bo tak wygląda rzeczywistość produkcyjna: wewnętrzny flow LangGraph z trwałym obiektem stanu i checkpointingiem, wystawiony na zewnątrz jako endpoint A2A z AgentCard. Wewnątrz stan współdzielony w kontrolowany sposób, na zewnątrz czyste przekazywanie komunikatów.

Dla agencji i decydentów B2B

Wybór paradygmatu to kwestia ryzyka operacyjnego. Jeśli wdrażasz workflowy wieloagentowe w swojej firmie, domyślnie wybierz przekazywanie komunikatów w oparciu o konwergentne standardowe połączenie MCP i A2A, a pamięć współdzieloną świadomie ogranicz do ściśle sprzężonych wewnętrznych zadań cząstkowych z jednym zapisującym. Dla agencji marketingowych oznacza to konkretnie, że pipeline'y do tworzenia treści, researchu i przeglądu zyskują na równoległym fan-oucie odczytów, a końcowy krok zapisu (publikacja, wpis w CRM) pozostaje jednowątkowy. Jeśli planujesz gotową do produkcji, audytowalną architekturę agentów dla swoich klientów lub własnej firmy, wcześnie ustal profil sprzężenia, strategię spójności i infrastrukturę śledzenia, zanim powstanie pierwsza linijka orkiestracji. Właśnie tu wkracza doradztwo Blck Alpaca.