Shared Memory a Message Passing sú dve základné paradigmy, ktorými možno koordinovať viacero KI-agentov. Pri Shared Memory (v klasickej variante Blackboard-pattern) všetci agenti čítajú a zapisujú do spoločného stavu. Pri Message Passing je každý agent zapuzdrený a komunikuje výlučne cez správy, bez zdieľaného stavu. Rozhodnutie medzi oboma určuje štyri vlastnosti multiagentového systému: konzistenciu, previazanosť, škálovanie a debugovateľnosť. Tento článok porovnáva paradigmy pozdĺž týchto osí a ukazuje, kedy ktorá sedí.

• Shared Memory / Blackboard: spoločný stav (scratchpad, vector store, state-objekt), do ktorého všetci agenti čítajú a zapisujú. Silne previazaný, jednoduchá výmena kontextu, ale chúlostivý pri paralelných zápisových prístupoch.
• Message Passing: izolovaní agenti, výmena len cez správy. Oddelený, škáluje cez procesné a poskytovateľské hranice, je štandardom za A2A, OpenAI Agents SDK a Anthropic Claude Agent SDK.
• Rozhodujúce pravidlo: čítanie môže prebiehať paralelne fan-out, zápis by mal zostať single-threaded, nezávisle od zvolenej paradigmy.

Shared Memory a Blackboard-pattern

Pri prístupe Shared Memory zdieľajú všetci agenti centrálnu pamäť. Klasický Blackboard-pattern pochádza z výskumu KI: spoločný „blackboard" drží aktuálny stav úlohy, špecializovaní agenti ho pozorujú, čítajú pre nich relevantné časti, zapisujú svoje čiastkové výsledky a reagujú na zmeny, ktoré spôsobili iní agenti. Neexistuje pevný plán priebehu; poradie vyplýva z toho, ktorý agent práve dokáže prispieť niečím zmysluplným.

V moderných multiagentových systémoch sa Shared Memory vyskytuje vo viacerých formách. Výskumný základ tohto článku uvádza ako externé pamäťové vrstvy:

• Vector stores (pgvector, Pinecone, Weaviate, Qdrant) pre retrieval-augmentovaný kontext.
• Štruktúrované databázy (Postgres, BigQuery, SAP HANA, Snowflake) pre fakty.
• Scratchpady ako efemérne zdieľané poznámkové bloky, ktoré agenti čítajú a zapisujú, zvyčajne s append-only alebo compare-and-swap sémantikou.
• Perzistentná agent-memory (štýl Letta/MemGPT, cross-thread-store LangGraphu, memory-tool Anthropicu).

Aj peer-to-peer, resp. swarm-pattern sem sčasti spadá: rovnocenní agenti na zdieľanej message-bus a/alebo zdieľanej pamäti bez pevného orchestrátora. OpenAI Swarm (zverejnený v októbri 2024, v marci 2025 premenovaný na OpenAI Agents SDK) je referenciou. Pre DACH firemné kontexty je však tento voľný model zriedka vhodný, pretože debugovateľnosť a zodpovednosť tým trpia.

Boľavým miestom je konzistencia. Akonáhle dvaja agenti čítajú tú istú pamäť a aspoň jeden zapisuje, treba jasnú stratégiu. Výskumný zdroj uvádza tri možnosti: (a) optimistickú súbežnosť, (b) jedného writera s viacerými readermi alebo (c) explicitnú lock-sémantiku. Väčšina produkčných systémov volí (b), čo zodpovedá pravidlu Cognition „writes stay single-threaded".

Message Passing a komunikácia agentov cez správy

Pri Message Passing vlastní každý agent svoj vlastný stav a svoje vlastné kontextové okno. Informácie tečú len cez explicitné správy, nikdy cez priamy prístup k cudziemu stavu. To oddeľuje agentov: agent nemusí nič vedieť o internom fungovaní, modeli alebo pamäti iného, musí poznať len formát správy.

To je presne dizajnová myšlienka Agent-to-Agent protokolu (A2A), ktorý bol v apríli 2025 zverejnený spoločnosťou Google na Cloud Next a 23. júna 2025 odovzdaný Linux Foundation. A2A definuje, ako agenti hovoria, nie ako myslia: každý agent zverejňuje AgentCard (JSON dokument s endpointom, schopnosťami, skills, modalitami a auth schémami). Spolupráca prebieha cez task-lifecycle:

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

Interné priebehy vzdialeného agenta pritom zostávajú opakné. Práve to umožňuje nechať Salesforce agenta vyvolať SAP agenta bez toho, aby jeden druhému odhalil prompty, memory alebo model. Kým A2A pokrýva úroveň agent-k-agentovi, Model Context Protocol (MCP) reguluje úroveň agent-k-nástroju. V priemysle rozšírené pravidlo palca (stav 2026): MCP pre schopnosti (agent k nástroju), A2A pre spoluprácu (agent k agentovi).

Iné stacky realizujú Message Passing s vlastnou sémantikou. Nasledujúci prehľad pochádza priamo z výskumného základu:

LangGraph je tu zaujímavý hraničný prípad: typovaný state-objekt je fakticky zdieľaný stav, ale je kontrolovane prepúšťaný z uzla do uzla a checkpointovaný, teda nie je voľne prepisovaný. To je v praxi obvyklá zmiešaná forma.

Tradeoffs v priamom porovnaní

Dva failure-mody si zaslúžia osobitnú pozornosť. Po prvé fragmentácia kontextu: sub-agenti robia nekompatibilné implicitné rozhodnutia. Cognition.ai to formuluje ako jadrovú kritiku: „Zdanlivé nezhody medzi agentmi sú väčšinou symptómami fragmentácie kontextu." Protilátkami sú zdieľanie plných traces pri vysokej previazanosti, single-threaded writes a explicitné rozhodovacie zmluvy. Po druhé debuggability collapse: pri Message Passing neexistuje jediný trace, ktorý by pokrýval celý beh, ale N sub-agentových trajektórií plus syntéza. Protilátkou je dôsledný distributed tracing s correlation-ID propagovanými cez každú A2A-task a každý MCP-call.

Konkrétny príklad: read-fan-out so single-writerom

Anthropic Research Agent (jún 2025) je referenciou pre správne rozdelenie. Lead-agent (Claude Opus 4) rozkladá požiadavku a spawnuje N paralelných sub-agentov (Claude Sonnet 4). Každý sub-agent vlastní svoje vlastné kontextové okno s približne 200k tokenmi, skúma nezávisle a dodáva komprimované zhrnutie (nie plný transkript) späť leadovi, ktorý syntetizuje. To je čisté Message Passing s izolovanými kontextmi. Výsledok podľa interných evaluácií Anthropicu (jún 2025): +90,2 % pri šírke prieskumu oproti single-agentovi, avšak pri približne 15-násobnej spotrebe tokenov. Táto ekonomika sa ospravedlňuje len pri hodnotných, paralelizovateľných úlohách.

Protipólom z DACH praxe je Allianz Project Nemo: sedem špecializovaných agentov (Planner, Cyber, Coverage, Weather, Fraud, Payout, Audit) pre škody zo skazenia potravín po prírodných katastrofách. Celý workflow beží pod päť minút; ľudský referent skontroluje audit-zhrnutie a urobí finálne rozhodnutie o vyplatení (human-in-the-loop ako explicitná podmienka). Spustený v Austrálii v júli 2025, nasadený pod 100 dní, dokumentovaný výsledok: o 80 % menej času na spracovanie a vybavenie pre oprávnené škody pod AUD 500.

Ako pseudokód znie robustná topológia takto:

```

Reads paralelizovať, writes single-threadovať

fragmente = parallel_map(sub_agent.recherchiere, teilaufgaben) # Fan-out, izolované kontexty
ergebnis = lead.synthetisiere(fragmente) # presne jeden writer
commit(ergebnis) # single-threaded write
```

Concurrent writes viacerých agentov do toho istého stavu sú naopak podľa výskumu „špirálou smrti" a treba sa im vyhnúť.

Kedy ktorú paradigmu

• Message Passing zvoliť, keď agenti spolupracujú cez procesné, tímové alebo vendor hranice, keď majú interné detaily zostať zapuzdrené a keď sa musí auditovať na úrovni jednotlivej správy. To je default pre cross-system workflows (Agentforce k Joule k Copilot cez A2A) a pre read-mostly fan-out (prieskum, retrieval, klasifikácia, review).
• Shared Memory zvoliť, keď tesne previazané čiastkové úlohy bežia v rámci jedného procesu, spoločný stav je malý a frekvencia zápisu nízka, a možno etablovať jedného writera. Blackboard sa hodí na úlohy bez pevného plánu priebehu.
• Kombinovať oboje, čo je produkčná realita: interný LangGraph-flow s durabilným state-objektom a checkpointingom, navonok exponovaný ako A2A-endpoint s AgentCard. Interne kontrolovane zdieľaný stav, externe čisté Message Passing.

Pre agentúry a B2B rozhodovateľov

Otázka paradigmy nie je akademická, ale otázka prevádzkového rizika. Kto v DACH priestore nasadzuje multiagentové workflows, mal by ako default zvoliť Message Passing cez konvergentnú štandardnú kombináciu MCP plus A2A a Shared Memory vedome obmedziť na tesne previazané interné čiastkové úlohy so single-writerom. Pre marketingové agentúry to konkrétne znamená: content, prieskumné a review pipelines profitujú z paralelného read-fan-out, finálny zápisový krok (zverejnenie, CRM-záznam) zostáva single-threaded. Kto plánuje produkčne pripravenú, auditovateľnú architektúru agentov pre svojich klientov alebo vlastný dom, mal by skoro stanoviť coupling-profil, stratégiu konzistencie a tracing-infraštruktúru, ešte predtým, než vznikne prvý riadok orchestrácie. Presne tu nastupuje poradenstvo Blck Alpaca.