Pete Johnson, a MongoDB Field CTO-ja az AI területén, arra hívja fel a figyelmet, hogy míg az iparág nagyjából 60 éve épít adatbázisokat, az úgynevezett AI ügynökök (agentek) a jelen formájukban mindössze körülbelül 18 hónapja léteznek. Ez a viszonyszám — hat évtized az adatbázisoknál szemben másfél évvel az ügynököknél — jól magyarázza, miért van a mező még az alapoknál.
A kontextusablak mint szűkös erőforrás
Johnson több mint 100 ügyfélbeszélgetés alapján, 2026 első felében, 15 városban hat országban azt tapasztalta, hogy a szervezetek egyre inkább ugyanarra a következtetésre jutnak: a kontextusablak (context window) a korlátozó tényező. A kihívás nem az, hogy minden promptba minél több információt gyömöszöljünk, hanem az, hogy eldöntsük, mi az, ami valóban oda tartozik.
A megoldás szerinte a memória — nem csupán a promptba bezsúfolt kontextus, hanem egy különálló, tartós és lekérdezhető memóriaszint, amely tudatosan táplálja a modellt.
Mit tud egy jó ügynöki memória, amit a kontextusablak önmagában nem tud?
Johnson szerint egy érett agent-memória három kulcsfunkciót lát el:
- Elmenti a generatív modell korábbi körökben vagy munkamenetekben előállított outputjait, így a nagy költséggel nyert érvelés nem tűnik el a munkamenet végén.
- Szerepalapú hozzáférés-vezérlést (role-based access control, RBAC) alkalmaz a mentett tartalomra, így például egy csapat memóriája megosztható az egész vállalaton belül anélkül, hogy érzékeny adatok kiszivárognának.
- Új lekérdezések a megfelelő korábbi tartalmat képesek előhozni — ez gyakorlatban szemantikus keresésen alapul, mert az ügynökök jelentés szerint kérdeznek, nem kulcs-érték párokkal.
Ez visszavezethető arra a megfigyelésre is, hogy az elmúlt hat évtizedben az ipar kiválóan megtanulta strukturált adatok pontos feltételek szerinti tárolását és visszakeresését. Az agent-memória viszont azt igényli, hogy strukturálatlan, generatív outputokat tároljunk és hasonlóság alapján találjuk meg őket.
Megjelenő vállalati mintázatok
A jól működő megoldásoknál a memóriát egy takarékosabb modell mellett használják, gyakran nyílt súlyú (open-weight) modellekkel. A gyakorlat így néz ki:
- Beérkezik egy új lekérdezés.
- Az ügynök szemantikus keresést végez a memóriában, majd rangsorolja a találatokat.
- A könnyebb modell egyetlen kérdést kap: elegendő-e az első találat, hogy közvetlenül visszaadjuk-e.
- Ha igen: a rendszer az olcsó memória-választ adja vissza, így nem kellett megfizetni a drága generatív modellt.
- Ha nem: felmegy a hívás a költséges generatív modellhez, amely eredeti választ ad, majd azt elmentik ugyanabba a memóriába a jövőbeni használat megkönnyítésére.
Ez az architektúra idővel gazdaságosabbá és gyorsabbá teszi a rendszert: minden eredeti, drága választ a későbbiekben olcsó válaszként lehet kihasználni. Ez fordítottja annak a lineárisan növekvő költségnek, amely token-maxxing esetén előfordul.
A memória típusai és az emberi kuráció szerepe
Johnson szerint az érett ügynöki memória nem egy sík «rövid- vs. hosszútávú» vödör lesz, hanem típusokra bontott, hasonlóan az emberi emlékezethez. Két példát említ:
- Taxonomikus memória: fogalomhasználat, kontrollált szókincs és definíciók tárolása, hogy például a szervezet által használt „chargeback” mindig ugyanazt jelentse, amit a pénzügyi csapat ért alatta.
- Procedurális memória: feladatlisták és eljárásszekvenciák, a «hogyan csináljuk itt» tudás, amely képessé teszi a modellt, hogy hasznos kollégává váljon.
Fontos megjegyzés: nem minden agent által generált memória érdemes megőrzésre, és nem minden mentett elem érdemes elsőként megjelenni. Emiatt a humán kuráció lesz a siker egyik kulcsa: emberek válogatják be a magas értékű memóriákat, eltávolítják a zajt, és előtérbe helyezik a valóban működő procedúrákat. Ezt a módszert különben már alkalmaztuk tudásbázisoknál és dokumentációknál.
Következtetés: memória lesz az első «unalmas», stabil réteg
Agentek terén még nincs kialakult «LAMP stack»: nincs egyszeregy, unalmas, alapértelmezett választás, amit a csapatok elfogadnak és használhatnak. Johnson szerint ha meg kellene tippelni, melyik réteg válik először ilyen stabil, lezárt döntéssé, az a memória lenne: szemantikus kereséssel támogatott, hozzáférés-vezérelt, típusokra bontott és humán által kurált memóriarendszer, ami elmenti a költségesen előállított válaszokat és olcsón kiszolgálja azokat a jövőben.
Pete Johnson pozícióját és a cikk jellegét tekintve fontos tudni, hogy a szöveg szerzője a MongoDB Field CTO-ja az AI területén; a cikk egy, a VentureBeat oldalán megjelölt szponzorált tartalom jellegét is visszatükrözi.
