La crescita degli agenti AI autonomi sta facendo emergere un problema infrastrutturale che fino a pochi mesi fa veniva considerato secondario rispetto alle capacità dei modelli linguistici: la gestione dello stato operativo condiviso tra agenti multipli. Con il lancio di Meko, Yugabyte entra direttamente in questo segmento proponendo una piattaforma progettata specificamente per risolvere i limiti strutturali della memoria distribuita nei sistemi agentici enterprise. L’obiettivo dichiarato non è creare un nuovo framework di orchestrazione AI, ma costruire un layer dati nativo capace di fornire memoria collettiva, conoscenza condivisa e tracciabilità completa delle decisioni prese dagli agenti.
Il problema affrontato da Meko nasce dalla natura stessa dei moderni ambienti multi-agent. Nelle implementazioni tradizionali, ogni agente mantiene un contesto locale limitato, spesso basato su finestre temporanee di conversazione, database vettoriali isolati oppure cache applicative indipendenti. Questo approccio crea frammentazione cognitiva all’interno del sistema: gli agenti non condividono realmente ciò che apprendono, non mantengono continuità decisionale e non dispongono di una memoria persistente coerente nel tempo. Il risultato operativo è che sistemi apparentemente avanzati finiscono per produrre errori dovuti non tanto a limiti di reasoning, quanto a incoerenze di stato e perdita di contesto. Secondo le analisi citate da Yugabyte e riprese da diversi osservatori tecnici, una quota significativa dei fallimenti nei sistemi multi-agent deriva proprio da problemi legati alla sincronizzazione della memoria e alla consistenza delle informazioni condivise.
Meko introduce quindi un paradigma definito “agent-native data infrastructure”, cioè un’infrastruttura dati costruita non per applicazioni tradizionali ma specificamente per agenti AI cooperativi. Il cuore architetturale della piattaforma ruota attorno a quattro primitive fondamentali: knowledge, memory, conversations e traces. La knowledge layer rappresenta il livello informativo condiviso su cui gli agenti possono ragionare collettivamente; la memory layer gestisce la persistenza dell’esperienza operativa; le conversations archiviano la cronologia delle interazioni mantenendo livelli differenti di storage e accessibilità; infine le traces registrano in maniera strutturata le decisioni, le azioni e le relazioni causali tra gli eventi prodotti dagli agenti.
Uno degli aspetti più interessanti della piattaforma riguarda il concetto di “compounding memory”. In un sistema multi-agent convenzionale, l’esperienza acquisita da un agente durante l’esecuzione di un task resta confinata alla singola istanza operativa. Meko modifica radicalmente questo modello introducendo meccanismi automatici di promozione della conoscenza. Quando un agente apprende una nuova informazione, corregge un errore o individua un pattern operativo efficace, il sistema può trasformare quell’esperienza locale in conoscenza condivisa accessibile a tutti gli altri agenti presenti nel datapack. In pratica, l’infrastruttura converte apprendimento episodico individuale in memoria collettiva persistente.
Yugabyte sostiene che questa operazione venga gestita automaticamente attraverso processi di entity extraction, aggiornamento dei grafi relazionali, scoping delle memorie per singolo agente e sincronizzazione del knowledge layer comune. Questo approccio evita agli sviluppatori la necessità di costruire pipeline personalizzate per sincronizzare database vettoriali, sistemi di cache, knowledge graph e repository documentali. Meko tenta quindi di trasformare il problema della persistenza agentica da tema applicativo a responsabilità infrastrutturale.
La piattaforma introduce inoltre il concetto di “datapack”, descritto come unità logica contenente storage, indicizzazione e comportamento di retrieval specifici per applicazioni agentiche. Invece di costringere gli sviluppatori a utilizzare database relazionali generici, vector database separati e sistemi documentali indipendenti, il datapack aggrega queste funzionalità in un singolo layer coerente ottimizzato per workload AI distribuiti. Questo elemento è particolarmente importante perché riflette un cambiamento più ampio nel mercato AI enterprise: l’infrastruttura dati sta iniziando a essere progettata non più intorno alle applicazioni umane, ma intorno ai requisiti operativi degli agenti autonomi.
Un altro elemento centrale dell’architettura è la tracciabilità completa delle decisioni. Nei sistemi agentici enterprise il problema della governance sta diventando critico, soprattutto quando gli agenti operano in modo autonomo su processi aziendali reali. Meko registra non solo le conversazioni o i risultati finali, ma anche le catene decisionali che hanno portato a una determinata azione. Questo significa che il sistema può conservare relazioni causali tra prompt, retrieval, inferenze, strumenti utilizzati e output prodotti dagli agenti. In ambito enterprise, questa capacità assume un valore enorme per audit, compliance, debugging e osservabilità operativa.
L’infrastruttura viene esposta attraverso un endpoint MCP, cioè compatibile con il Model Context Protocol che sta rapidamente diventando uno standard de facto per collegare modelli AI, strumenti esterni e sistemi informativi enterprise. La scelta di utilizzare MCP indica chiaramente la direzione strategica di Yugabyte: posizionare Meko come layer infrastrutturale interoperabile piuttosto che come piattaforma chiusa. In pratica, l’azienda vuole rendere la propria infrastruttura utilizzabile indipendentemente dal framework agentico adottato dal cliente.