Redis utvider Iris med ruting av agenter, observerbarhet og meldingsformidling

Redis kunngjorde 4. november 2026 at Iris, motoren for sanntidskontekst, nå tilbyr seks kombinerbare funksjoner for KI-agenter. Fire er allment tilgjengelige, og to er i betaversjon. Utvidelsen føyer til ruting av forespørsler, gjenbrukbare prosedyrer, observerbarhet og robust meldingsformidling i et produkt som tidligere først og fremst handlet om kontekst og minne.

Kundene kan bruke funksjonene sammen, hver for seg eller i en hvilken som helst kombinasjon i ett og samme kjøretidsmiljø. Rowan Trollopes begrunnelse er at utviklere ikke skal måtte sette sammen separate infrastrukturprodukter for å gi agenter minne, relevant kontekst, tilgang til sanntidsdata, ruting og kommunikasjon. Redis tilbyr 5 000 gratis meldinger for å komme i gang.

En tilhørende grundig teknisk gjennomgang av Simba Khadder, Redis’ direktør for programvareutvikling, beskriver problemene i produksjon som løsningen er ment å håndtere: agenter som starter uten tidligere historikk, beholder sensitive opplysninger samtidig som nyttige preferanser går tapt, arbeider med ufullstendig informasjon og gjentatte ganger bygger opp konteksten på nytt for forespørsler de allerede har håndtert. Disse feilmodusene knytter lanseringens ellers separate funksjoner sammen rundt kontinuitet, gjenbruk og kontroll.

Fire funksjoner er allment tilgjengelige

Intent Router vurderer meningen bak en forespørsel i stedet for den nøyaktige ordlyden, og sender den deretter videre til en lagret FAQ, en agentferdighet, et menneske eller en LLM. Funksjonen støtter også ruting av agenter og modeller, sikkerhetsmekanismer og betingede beslutninger basert på upresise kriterier. Dermed kan ulike formuleringer av den samme forespørselen behandles som det samme underliggende problemet.

Agent Playbooks skiller mellom stabile svar som kan gjenbrukes, og forespørsler som krever oppdaterte data og en ny gjennomføring av en kjent prosedyre. Redis sier at håndbøkene blir mer grundige og nøyaktige ved gjentatt bruk, noe som reduserer løsningstiden og tokenforbruket. Dermed utfyller Playbooks Intent Router ved å legge til rette for gjenbruk: Den ene identifiserer typen forespørsel, mens den andre avgjør om et eksisterende svar eller en prosedyre kan løse den.

Agent Memory bruker MemoryETL til å bygge opp minner fra brukerhandlinger, dokumenter, kunnskapsbaser og andre semistrukturerte data. Minnene organiseres hierarkisk for å gi mer finkornet kontroll, og funksjonen har verktøy for inspeksjon, revisjon og sporing av opphav, slik at team kan se hvor hvert minne kommer fra. Den kan også forkaste informasjon den ikke bør lagre, blant annet personidentifiserende opplysninger.

Context Gateway tilbyr ett styrt inngangspunkt til tilkoblede kontekstkilder. Kundene kan bruke sine egne MCP-servere, hurtigbufre hvilke verktøy som løser bestemte problemer, og bygge gjenbrukbare resultater for å sikre konsistens på tvers av økter. Redis framstiller hurtigbufring av verktøy som en måte å redusere tokenforbruket på, og utvider dermed lanseringens vekt på å unngå gjentatt arbeid for modellen fra svar og prosedyrer til datatilgang.

Betaverktøy håndterer revisjon og tilkoblingsbrudd

Lens sporer et agentresultat tilbake til ferdigheten, ruten eller FAQ-en som lå til grunn, minnet som ble brukt, og den opprinnelige økten. Funksjonen viser også oppgavesuksess, tokenforbruk per oppgave og latenstid, slik at et revisjonsspor kombineres med driftsmålinger. Målet er å gjøre agentatferd søkbar når team trenger å diagnostisere et feilaktig svar, undersøke tokenforbruket eller finne ut hvorfor en handling ble utført.

Agent Mesh håndterer kommunikasjonsavbrudd. Agentene kommuniserer via kortlivede datastrømmer, med automatisk bufring og gjenoppkobling hvis forbindelsen brytes. Varige SSE-strømmer skal sørge for at svarene fortsetter å strømme under avbrudd, mens A2A Comms tilbyr en kanal for delegering av oppgaver mellom agenter og overlevering. Lens og Mesh dekker dermed ulike risikoer i produksjon: å rekonstruere en beslutning og å opprettholde en samtale.

Fra lanseringen i mai til bruk hos kundene

Redis introduserte Iris 18. mai 2026 som et lag for kontekst og minne mellom en agent og dataene den trenger. Ved lanseringen ble Context Retriever, Agent Memory, Redis Data Integration, LangCache og Redis Search samlet, og Context Retriever og Agent Memory var tilgjengelige som forhåndsversjoner. Agent Memory er siden blitt allment tilgjengelig, mens den nye produktpakken utvider den opprinnelige satsingen på informasjonsinnhenting og minne til også å omfatte ruting, repeterbare prosedyrer, sporing av beslutninger og gjenoppretting av datastrømmer.

Nick Thompson, senior programvareutvikler hos Safe in Home, beskrev en konkret utrulling på produktsiden for Redis Iris: «Redis Agent Memory hjelper oss med å lagre og gjenbruke kontekst på tvers av kodeagentene våre i sanntid.» Teamet hans bruker funksjonen til å fange opp tekniske beslutninger, detaljer om feil og utviklingskontekst mens agentene arbeider, slik at informasjonen er tilgjengelig for hele teamet i stedet for å gå tapt mellom økter eller verktøy. En tjeneste leser også fra og skriver til dette minnet mens den overvåker selskapets API, og registrerer deretter feilrapporter i selskapets system for saksoppfølging i sanntid.

Lanseringen utvider dermed Iris’ rolle fra å levere kontekst til å koordinere hvordan en agent håndterer en forespørsel, gjenbruker tidligere arbeid, husker utvalgt informasjon og får tilgang til data underlagt styring. Funksjonene har likevel ulik modenhetsgrad: Grunnlaget for drift er allment tilgjengelig, mens lagene for revisjon av beslutninger og gjenoppretting av forbindelser fortsatt er i betaversjon.