Agentic Memory: Walrus Mengatasi Bottleneck Besar Berikutnya bagi AI

📄Artikel lengkap· Diambil secara otomatis oleh trafilaturaGemini 翻譯4345 kata

Singkatnya - Walrus telah meluncurkan MemWal, sebuah SDK untuk agen AI. - MemWal menghadirkan verifiability, availability, portability, dan sharability pada agentic memory. - Peningkatan agentic memory membuka berbagai aplikasi baru, seperti agen dukungan pelanggan yang menyimpan petunjuk kontekstual tentang pengguna. Seiring dengan semakin maraknya agen AI, agentic memory menjadi salah satu masalah terpenting dalam ruang kecerdasan buatan. Perusahaan dan individu mulai mengandalkan agen untuk tugas-tugas yang semakin kompleks dan berisiko tinggi—namun lapisan memori yang dijalankan oleh sebagian besar agen saat ini memiliki keterbatasan yang berdampak pada kualitas pekerjaan mereka. Itulah yang ingin diselesaikan oleh Walrus, ditambah dengan SDK yang baru diluncurkan bernama MemWal—dengan menghadirkan verifiability, availability, portability, dan sharability pada agentic memory, ujar Group Product Manager Mysten Labs, Abinhav Garg, kepada Decrypt. "Dengan Walrus ditambah MemWal, memori berada pada lapisan data yang terbuka dan dapat diverifikasi, sehingga tidak terikat pada model atau vendor mana pun," jelas Garg. Itu berarti pengguna dapat beralih antar penyedia model seperti OpenAI dan Anthropic, sementara data disimpan dengan jaminan yang dapat diverifikasi, sehingga anti-rusak (tamper-proof)—sesuatu yang "sangat penting seiring agen mulai beroperasi dalam alur kerja yang lebih kritis di mana kebenaran dan auditability menjadi hal yang penting," katanya. Data yang disimpan di Walrus mewarisi jaminan bawaannya seputar verifiability, portability, dan availability, yang memungkinkan "berbagi memori yang lebih mudah antar agen di seluruh tim dan organisasi," tambahnya, menjadikannya "keharusan untuk kolaborasi agen." MemWal juga terintegrasi dengan framework orkestrasi agen populer OpenClaw dan NemoClaw, melalui plugin yang dirilis minggu ini. "Kami ingin membuat memori jangka panjang yang dapat diverifikasi mudah diadaptasi dalam sistem nyata," kata Garg, seraya menambahkan bahwa hal itu memungkinkan alur kerja yang "mulus" bagi para pembangun (builders). "Tanpa ini, pengembang harus memahami integrasi lapisan penyimpanan terdesentralisasi seperti Walrus, yang dapat menambah hambatan dan kompleksitas," jelasnya. "Dengan integrasi ini, mereka dapat melengkapi agen mereka dengan memori yang tahan lama dan dapat diverifikasi secara langsung dengan alat yang sudah mereka gunakan." MemWal dan privasi Privasi menjadi "masalah yang jauh lebih besar bagi sistem AI secara umum," kata Garg, seraya mencatat bahwa agen semakin dituntut untuk menangani data yang sensitif dan eksklusif. "Baik itu alur kerja perusahaan, informasi keuangan, atau konteks pribadi, ekspektasi seputar kerahasiaan meningkat secara signifikan," tambahnya. MemWal dan Walrus memiliki privasi dan kontrol akses yang dapat diprogram melalui lapisan enkripsi asli, yang berarti "meskipun penyimpanannya sendiri terdesentralisasi, isinya tetap rahasia dan diatur oleh kebijakan—bahkan penyedia penyimpanan pun tidak dapat membacanya," jelas Garg. Bagi pengguna, ia berpendapat, "Tidak dapat diterima lagi jika data tersebut berada dalam sistem terpusat yang tidak transparan tanpa jaminan yang jelas," seraya mencatat bahwa penyimpanan yang pribadi, terkontrol, dan dapat diaudit untuk agentic memory akan menjadi "persyaratan yang menentukan seiring berjalannya waktu." Kasus penggunaan baru untuk agentic memory Memberdayakan agentic memory dengan verifiability, availability, portability, dan sharability membuka berbagai aplikasi, kata Garg, mulai dari agen dukungan pelanggan yang menyimpan petunjuk kontekstual tentang pengguna, hingga kolaborasi antar agen di tim yang berbeda yang "bekerja berdasarkan riwayat pelanggan yang sama." "Ada mitra luar biasa yang mencoba mencari tahu bagaimana koordinasi antar agen dapat terjadi sebagai penerbit atau konsumen di pasar," tambahnya. "Jadi bagaimana agen-agen tersebut berinteraksi satu sama lain dan terlibat dalam semacam pengiriman pesan selama periode waktu tertentu? Dan pesan tersebut dapat digunakan sebagai semacam memori itu sendiri." Mitra lain telah menjajaki agentic memory untuk robot yang perlu berbagi konteks satu sama lain untuk mengoordinasikan tugas di dunia nyata. "Jadi, bayangkan jika mereka melakukannya selama berjam-jam atau bahkan berminggu-minggu—katakanlah selama skenario tanggap bencana, mereka akan membutuhkan memori bersama itu," jelas Garg. Pada akhirnya, ia mengantisipasi adanya "standardisasi tumpukan (stack)" untuk agen. "Anda akan melihat pemisahan yang jelas antara komputasi, data, memori, dan koordinasi," katanya. "Pandangan kami adalah bahwa memori dan data tidak boleh terikat pada model atau platform tunggal mana pun—jadi Walrus menjadi lapisan data yang tahan lama dan MemWal menjadi lapisan

Status data✓ Teks lengkap telah diambilBaca artikel asli (Decrypt)

🔍Peristiwa serupa dalam sejarah· Pencocokan kata kunci + aset5 berita

2026-04-26

Lima laporan keuangan Big Tech minggu ini bisa menentukan langkah Bitcoin selanjutnya

Tingkat kemiripan 130%關鍵字 next/big

2026-04-25

Jesse Pollak dari Coinbase mengatakan agen AI adalah gelombang besar berikutnya untuk pembayaran crypto

Tingkat kemiripan 130%關鍵字 next/big

2026-04-24

Harga XRP Tertahan di Rentang Tertentu, Bisakah Bulls Memicu Pergerakan Besar Berikutnya?

Tingkat kemiripan 130%關鍵字 next/big

2026-04-23