Централізовані багатоагентні системи, засновані на великих мовних моделях (LLM), часто стикаються з нестабільною довгостроковою співпрацею через відсутність управління пам'яттю, що призводить до розширення контексту, накопичення помилок та низької узагальнюваності між завданнями. Пропонується StackPlanner як ієрархічна багатоагентна архітектура з явним контролем пам'яті. Вона відокремлює високорівневу координацію від виконання підзадач за допомогою активного контролю пам'яті на рівні завдань і навчається витягувати та використовувати досвід координації, що можна повторно використовувати, за допомогою структурованої пам'яті досвіду та навчання з підкріпленням. Експерименти демонструють її ефективність у забезпеченні надійної довгострокової багатоагентної співпраці на бенчмарках глибокого пошуку та агентних систем.