Shared Memory vs. Message Passing v multiagentových systémoch

Shared Memory a Message Passing sú dve základné paradigmy, pomocou ktorých sa dá koordinovať viacero AI agentov. Pri Shared Memory (v klasickej podobe vzor Blackboard) všetci agenti čítajú zo spoločného stavu a zapisujú doň. Pri Message Passing je každý agent zapuzdrený a komunikuje výlučne prostredníctvom správ, bez zdieľaného stavu. Voľba medzi nimi určuje štyri vlastnosti multiagentového systému: konzistenciu, previazanosť, škálovanie a debugovateľnosť. Tento článok porovnáva obe paradigmy podľa týchto kritérií a ukazuje, kedy sa ktorá hodí.

• Shared Memory / Blackboard: spoločný stav (scratchpad, vektorová databáza, stavový objekt), z ktorého všetci agenti čítajú a do ktorého zapisujú. Silná previazanosť, jednoduchá výmena kontextu, ale riziko pri paralelných zápisoch.
• Message Passing: izolovaní agenti, výmena len prostredníctvom správ. Agenti sú od seba oddelení, systém škáluje cez hranice procesov aj poskytovateľov a je to štandard, na ktorom stavajú A2A, OpenAI Agents SDK aj Anthropic Claude Agent SDK.
• Rozhodujúce pravidlo: čítanie môže prebiehať paralelne ako fan-out, zápis by mal zostať single-threaded, bez ohľadu na zvolenú paradigmu.

Shared Memory a vzor Blackboard

Pri prístupe Shared Memory zdieľajú všetci agenti centrálnu pamäť. Klasický vzor Blackboard pochádza z výskumu umelej inteligencie: spoločná „tabuľa“ (blackboard) drží aktuálny stav úlohy, špecializovaní agenti ju sledujú, čítajú z nej časti, ktoré sú pre nich relevantné, zapisujú na ňu 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 objavuje v rôznych podobách. Rozšírené sú štyri externé pamäťové vrstvy:

• Vektorové databázy (pgvector, Pinecone, Weaviate, Qdrant) pre kontext rozšírený o vyhľadané informácie (retrieval-augmented).
• Štruktúrované databázy (Postgres, BigQuery, SAP HANA, Snowflake) pre fakty.
• Scratchpady ako dočasné zdieľané poznámkové bloky, z ktorých agenti čítajú a do ktorých zapisujú, zvyčajne so sémantikou append-only alebo compare-and-swap.
• Perzistentná pamäť agentov (v štýle Letta/MemGPT, cross-thread store v LangGraph, memory tool od Anthropicu).

Čiastočne sem patrí aj vzor peer-to-peer, resp. swarm: rovnocenní agenti na zdieľanej zbernici správ (message bus) a/alebo nad zdieľanou pamäťou bez pevného orchestrátora. Referenciou je OpenAI Swarm: experimentálny framework zverejnený v októbri 2024, ktorý v marci 2025 nahradilo produkčne pripravené OpenAI Agents SDK. Pre firemné prostredie v regióne DACH je však tento voľný model zriedka vhodný, pretože pri ňom trpí debugovateľnosť a zodpovednosť.

Slabým miestom je konzistencia. Hneď ako dvaja agenti čítajú tú istú pamäť a aspoň jeden do nej zapisuje, treba jasnú stratégiu. Bežné sú tri možnosti: (a) optimistická súbežnosť, (b) jeden zapisovateľ s viacerými čitateľmi alebo (c) explicitná sémantika zámkov. Väčšina produkčných systémov volí (b), čo zodpovedá pravidlu Cognition „Writes stay single-threaded“.

Message Passing a komunikácia agentov prostredníctvom správ

Pri Message Passing má každý agent vlastný stav a vlastné kontextové okno. Informácie prúdia len cez explicitné správy, nikdy cez priamy prístup k cudziemu stavu. To agentov od seba oddeľuje: agent nemusí vedieť nič o internom fungovaní, modeli ani pamäti iného agenta, musí poznať len formát správ.

Presne na tejto myšlienke stojí protokol Agent-to-Agent (A2A), ktorý Google zverejnil v apríli 2025 na konferencii Cloud Next a 23. júna 2025 odovzdal nadácii Linux Foundation. A2A definuje, ako agenti hovoria, nie ako myslia: každý agent zverejňuje AgentCard (dokument JSON s endpointom, schopnosťami, zručnosťami (skills), modalitami a schémami autentifikácie). Spolupráca prebieha cez životný cyklus úlohy (task lifecycle):

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

Interné procesy vzdialeného agenta pritom zostávajú nepriehľadné. Práve vďaka tomu môže agent v Salesforce zavolať agenta v SAP bez toho, aby jeden druhému odhalil prompty, pamäť alebo model. Kým A2A pokrýva úroveň medzi agentmi, Model Context Protocol (MCP) rieši úroveň medzi agentom a nástrojom. V odvetví rozšírené pravidlo (stav 2026) znie: MCP pre schopnosti (agent k nástroju), A2A pre spoluprácu (agent k agentovi).

Iné stacky implementujú Message Passing s vlastnou sémantikou:

LangGraph je tu zaujímavý hraničný prípad: typovaný stavový objekt je v skutočnosti zdieľaný stav, ale kontrolovane sa odovzdáva z uzla do uzla a ukladá v checkpointoch, nikto doň teda nezapisuje voľne. To je zmiešaná forma, ktorá je v praxi bežná.

Kompromisy v priamom porovnaní

Dva typy zlyhaní si zaslúžia osobitnú pozornosť. Prvým je fragmentácia kontextu: subagenti prijímajú nekompatibilné implicitné rozhodnutia. Cognition to formuluje ako princíp: akcie nesú implicitné rozhodnutia a protichodné rozhodnutia vedú k zlým výsledkom. Proti tomu pomáha zdieľanie úplných záznamov behu (traces) pri vysokej previazanosti, single-threaded zápisy a explicitné dohody o rozhodnutiach. Druhým je debuggability collapse: pri Message Passing neexistuje jediný trace, ktorý pokrýva celý beh, ale N trajektórií subagentov plus syntéza. Riešením je dôsledný distributed tracing s correlation ID, ktoré sa propagujú cez každú úlohu A2A a každé volanie MCP.

Konkrétny príklad: read fan-out s jedným zapisovateľom

Anthropic Research Agent (jún 2025) je referenciou pre správne rozdelenie úloh. Hlavný agent (lead, Claude Opus 4) rozloží požiadavku a spustí N paralelných subagentov (Claude Sonnet 4). Každý subagent má vlastné kontextové okno s približne 200k tokenmi, skúma nezávisle a vracia komprimované zhrnutie (nie celý prepis) hlavnému agentovi, ktorý výsledky syntetizuje. To je čisté Message Passing s izolovanými kontextmi. Výsledok podľa internej výskumnej evaluácie Anthropicu: multiagentový systém dosiahol o 90,2 % lepšie výsledky ako jeden agent s Claude Opus 4. Cenou je približne 15-násobná spotreba tokenov v porovnaní s bežnou interakciou v chate; jeden agent sa pohybuje okolo 4-násobku. Takéto náklady sa oplatia len pri hodnotných úlohách, ktoré sa dajú paralelizovať.

Náprotivkom z poisťovacej praxe je Allianz Project Nemo: sedem špecializovaných agentov (Planner, Cyber, Coverage, Weather, Fraud, Payout, Audit) pre škody zo skazenia potravín po prírodných katastrofách. V prípadovej štúdii Allianz uplynie od nahlásenia škody po záverečnú kontrolu menej ako päť minút. Táto kontrola zostáva na človeku: likvidátor si prečíta zhrnutie z auditu a s konečnou platnosťou rozhodne o vyplatení (human-in-the-loop ako explicitná požiadavka). Poisťovňa Allianz vyvinula systém za menej ako 100 dní a v júli 2025 ho spustila v Austrálii. Zdokumentovaný výsledok: o 80 % kratší čas spracovania a vybavenia pri oprávnených škodách pod 500 AUD.

V pseudokóde vyzerá topológia read fan-out s jediným zapisovateľom takto:

1. fragmenty = parallel_map(sub_agent.preskumaj, podulohy): čítanie beží paralelne ako fan-out s izolovanými kontextmi.
2. vysledok = lead.syntetizuj(fragmenty): fragmenty spája práve jeden zapisovateľ.
3. commit(vysledok): zápis zostáva single-threaded.

Súbežným zápisom viacerých agentov do toho istého stavu sa naopak treba vyhnúť, pretože paralelne zapisujúci agenti prijímajú navzájom protichodné implicitné rozhodnutia.

Kedy zvoliť ktorú paradigmu

• Message Passing zvoľ, keď agenti spolupracujú naprieč hranicami procesov, tímov alebo dodávateľov, keď majú interné detaily zostať zapuzdrené a keď treba auditovať každú správu. Je to predvolená voľba pre workflowy naprieč systémami (Agentforce k Joule a ďalej ku Copilotu cez A2A) a pre fan-out s prevahou čítania (rešerš, retrieval, klasifikácia, kontrola).
• Shared Memory zvoľ, keď v rámci jedného procesu bežia tesne previazané čiastkové úlohy, spoločný stav je malý, frekvencia zápisov nízka a dá sa zaviesť jediný zapisovateľ. Blackboard sa hodí na úlohy bez pevného plánu priebehu.
• Kombinuj oboje, čo zodpovedá produkčnej realite: interný flow v LangGraph s trvácnym stavovým objektom a checkpointingom, navonok vystavený ako endpoint A2A s AgentCard. Interne kontrolovane zdieľaný stav, navonok čisté Message Passing.

Pre agentúry a B2B manažérov

Otázka paradigmy je otázkou prevádzkového rizika. Kto v regióne DACH nasadzuje multiagentové workflowy, mal by predvolene zvoliť Message Passing cez ustálenú štandardnú kombináciu MCP plus A2A a Shared Memory vedome obmedziť na tesne previazané interné čiastkové úlohy s jedným zapisovateľom. Pre marketingové agentúry to konkrétne znamená: obsahové, rešeršné a kontrolné pipeliny profitujú z paralelného read fan-out, posledný krok zápisu (publikovanie, záznam v CRM) zostáva single-threaded. Ak plánuješ produkčne pripravenú architektúru agentov s možnosťou auditu pre svojich klientov alebo vlastnú firmu, stanov profil previazanosti, stratégiu konzistencie a infraštruktúru pre tracing včas, ešte predtým, než vznikne prvý riadok orchestrácie. Presne tu nastupuje poradenstvo Blck Alpaca.