Fitur ini menjadi lapisan persistensi terpadu untuk menyimpan memori, konteks, dan data yang dibutuhkan agen AI dalam satu layanan.

Dengan Agent Memory, perusahaan tidak perlu lagi menyatukan penyimpanan cache, vektor, dan dokumen secara terpisah untuk setiap agen AI.

Pendekatan ini menyederhanakan pekerjaan tim engineering saat membawa agen AI dari percobaan ke produksi.

Agent Memory juga framework-agnostic dan telah divalidasi dengan LangGraph, CrewAI, serta LlamaIndex. Tim engineering dapat mengganti atau menggabungkan framework orkestrasi AI tanpa membangun ulang lapisan memori.

Menurut Couchbase, agen AI sederhana mungkin berjalan hanya dengan vector search. Namun untuk agen AI enterprise di lingkungan produksi, kebutuhannya lebih kompleks.

Agen AI harus menyimpan konteks percakapan, mengambil data operasional terstruktur, dan mempertahankan status lintas sesi serta restart.

Semua itu perlu berjalan dengan latensi sangat rendah, terutama saat pengambilan keputusan real-time.

Selain Agent Memory, AI Data Plane juga membawa Agent Catalog dan MCP Server.

>>> Turki Kalahkan Amerika Serikat di Laga Pamungkas Grup Piala Dunia

Agent Catalog mengelola tools AI agar lebih mudah ditemukan dan distandarisasi, sementara MCP Server mendukung integrasi Model Context Protocol antara model AI dan sistem enterprise.

Melalui ketiga komponen ini, Couchbase ingin memberikan satu lapisan operasional yang konsisten untuk tim platform, tanpa harus memakai banyak solusi terpisah untuk memori agen, cache, vektor, dokumen, data operasional, dan integrasi sistem.

Barry Morris, Chief Product and Strategy Officer Couchbase, mengatakan lapisan database menjadi titik penting dalam pengembangan agentic AI.

Banyak perusahaan masih memperlakukan memori agen sebagai komponen tambahan, padahal bagian ini menentukan apakah proyek AI bisa naik dari pilot ke produksi.