Meko：解决多代理记忆与知识问题

构建面向生产的代理式 AI 应用时常会暴露出一个严峻的现实：代理失败的原因往往不是缺乏推理能力，而是无法有效共享其所知。当多个代理协作时，缺乏统一的记忆和知识层会导致可解释性碎片化、运营成本高企，以及一种“从头开始”的思维模式——每个代理都必须重新发现相同的经验教训。

传统上，开发者尝试通过拼接各种数据库来解决此问题——使用 PostgreSQL 处理关系数据，Pgvector 用于语义搜索，图数据库用于记忆，对象存储用于对话日志。此方式会产生数据孤岛并带来显著的延迟。Meko 作为面向代理的数据信息基础设施应运而生，旨在抽象这些复杂性，使开发者能够专注于构建系统，而非管理基础设施。

核心挑战：代理间不对齐

根据多代理系统失效分类（MAST），约 36.9% 的多代理系统故障源于代理间不对齐。当代理各自孤立运行时，即一个代理的学习行为或知识更新未能传播至系统的其他部分。

当工作从 Agent A 移交给 Agent B 时，通常只转移经过整理的输出，底层的推理、假设以及中间决策会丢失。Meko 通过保留决策过程的完整上下文来解决此问题，确保继承的代理不仅了解 做了什么，更明白 为什么。

Meko 架构：Datapack

Meko 的核心是 datapack，它通过单一的 Model Context Protocol (MCP) 端点与代理框架交互。Meko 并非将代理数据硬塞进通用表格，而是使用四种原生数据结构：

1. 集体记忆

不同于为每个代理提供孤立记忆的框架，Meko 实现了复合系统。它支持五种不同的记忆类型：

• 工作记忆：用于活跃任务的瞬时状态。
• 情景记忆：任务历史和交互日志。
• 语义记忆：持久的事实和领域知识。
• 程序记忆：学习的工作流和工具使用模式。
• 共享记忆：在同一 datapack 中所有代理协同的公共基础。

当代理学习到新内容时，该信息会自动从私有记忆提升至共享知识层，从而惠及系统中的所有其他代理。

2. 统一知识

AI 系统中的知识是动态的。Meko 自动处理多种来源——PDF、SQL 表、HTML 和实时数据流——生成嵌入和摘要，无需手动管道管理。

这使得“混合查询”成为可能，代理可以一次性检索在特定时间范围内创建、带有特定 ID、且在语义上与任务相似的数据——全部通过一条 PostgreSQL 语句完成，而无需分别访问三个不同的数据库。

3. 决策追踪

对于生产系统而言，可信度和可审计性是不可妥协的。Meko 捕获 决策追踪，即完整的思考链路，包括初始提示、代理的计划、工具调用以及随后的知识更新。这对于遵守诸如 EU AI Act 等法规尤为关键，该法规可能要求对高风险 AI 系统的决策记录进行长期保存。

4. 分层对话

为平衡性能与成本，Meko 对对话历史采用三层存储模型：

• 热存储：最近的对话保存在 YugabyteDB 中，延迟为毫秒级。
• 温存储：较旧的对话自动迁移至 S3 对象存储。
• 冷存储：超过特定时间窗口后，仅保留摘要，完整原始历史仍被保存以确保完整性。

基础设施与集成

Meko 基于 YugabyteDB 构建，这是一款水平可扩展、兼容 PostgreSQL 的分布式数据库。它能够在同一层中支持 SQL、NoSQL、向量、时序和图查询。

由于遵循 MCP 标准，Meko 可与 Claude Code、Claude Desktop 和 Cursor 等工具无缝集成。其无服务器、多租户架构专为代理工作负载的突发特性进行调优，确保空闲代理几乎不消耗资源，而活跃代理能够即时扩展。

生产模式概览

Meko 旨在为工程团队提供六种关键模式：

1. 上下文保留的交接：推理随结果一起传递。
2. 集体学习：经验在工作流运行之间持久化。
3. 可审计轨迹：提供完整可追溯性以满足合规和调优需求。
4. 经济历史：对话日志自动分层。
5. 代理可恢复性：完整状态持久化，以便暂停和恢复运行。
6. 可迁移的项目记忆：在团队之间共享编码标准和规范。