Que fait agent-memory-systems ?
La mémoire est la pierre angulaire des agents intelligents. Sans elle, chaque interaction repart de zéro. Cette compétence couvre l'architecture de la mémoire des agents : court terme (fenêtre de contexte), long terme (magasins de vecteurs) et les architectures cognitives qui les organisent.
Présentation
Les agents IA modernes, comme ceux utilisés dans Claude Code, Cursor ou Codex, nécessitent une gestion sophistiquée de la mémoire pour maintenir un contexte cohérent et apprendre des interactions passées. Cette compétence vous guide à travers les concepts et implémentations clés.
Couches de mémoire
- Mémoire à court terme : La fenêtre de contexte immédiate où les échanges récents sont conservés. Elle est limitée par la capacité du modèle (généralement 8k à 100k tokens).
- Mémoire à long terme : Stockage persistant utilisant des magasins de vecteurs. Les informations importantes sont encodées sous forme de vecteurs et récupérées via des recherches de similarité.
- Architectures cognitives : Mécanismes comme la mémoire épisodique (événements passés) et la mémoire sémantique (connaissances générales) qui structurent la façon dont la mémoire est utilisée.
Implémentation
from memory_systems import AgentMemory
memory = AgentMemory(
short_term_capacity=4000, # tokens
long_term_store="chroma", # ou "pinecone", "weaviate"
cognitive_arch="reflection" # résumé automatique
)
# Enregistrer une interaction
memory.remember("user", "Quelle est la capitale de la France ?")
memory.remember("assistant", "La capitale de la France est Paris.")
# Récupérer des informations pertinentes
relevant = memory.recall("France capitale")
Plateformes supportées
- Claude Code : Utilise le système de fichiers pour la mémoire persistante.
- Cursor : Exploite les embeddings locaux.
- Codex : Supporte les appels API vers des services externes.
Réflexion et résumé
Pour éviter la saturation de la fenêtre de contexte, les agents peuvent utiliser des boucles de réflexion qui résument les interactions clés et les stockent en mémoire à long terme.
# Exemple de pipeline RAG
pip install chromadb sentence-transformers
Ressources
Contribution
Les contributions sont les bienvenues ! Consultez le fichier CONTRIBUTING.md pour plus de détails.