Cet article explique comment le manque de mémoire persistante entraîne l'échec de nombreux agents IA en production, qui redemandent des informations déjà fournies. Il présente les deux mécanismes de mémoire de LangGraph : le Checkpointer pour la continuité des conversations et le Store pour les préférences et l'historique utilisateur.
Mnemo est une couche de mémoire IA locale d'abord pour tout LLM, construite avec Rust et SQLite. Elle permet un stockage et une récupération efficaces des informations contextuelles pour les grands modèles de langage.
Cet article est un guide pratique accompagné d'une application exemple pour ajouter de la mémoire épisodique, sémantique et procédurale à un agent IA en utilisant Spring AI et une seule instance d'Oracle AI Database. Il explique comment une base de données unique peut gérer l'historique de chat, la récupération de connaissances via la recherche hybride et les appels d'outils, résolvant ainsi le problème d'oubli des LLM entre les sessions.
Ce contenu compare les futurs systèmes de mémoire unifiée x86 d'AMD et d'Intel, incluant Gorgon Halo, Strix Halo, Medusa Halo et Nova Lake AX. Il détaille les calendriers de sortie et les améliorations de bande passante, avec AMD Medusa Halo promettant un gain de performance significatif d'ici 2027.
Lyzr Cognis propose une architecture de mémoire unifiée pour les agents d'IA conversationnels, palliant le manque de mémoire persistante grâce à un pipeline de récupération multi-étapes. Il combine un backend à double stockage, une ingestion contextuelle et une amélioration temporelle, atteignant des performances de pointe sur deux benchmarks indépendants.
Ce contenu aborde la limitation des agents IA sans état, qui n'ont aucune mémoire des interactions passées et des préférences de l'utilisateur. Il propose une solution pour ajouter une mémoire sémantique persistante à l'aide de l'API BlueColumn en seulement 5 minutes, surpassant les inefficacités du remplissage de la fenêtre de contexte ou du démarrage à zéro à chaque session.
L'article critique la dépendance exclusive aux bases de données vectorielles pour la mémoire des agents d'IA, arguant qu'elles ne couvrent que la dimension de similarité. Il propose que la mémoire d'un agent est tridimensionnelle, nécessitant également la prise en compte d'aspects temporels et relationnels pour un raisonnement efficace.
Cet article propose POLAR, un cadre multimodal augmenté de mémoire pour les agents incarnés personnalisés sur des interactions utilisateur à long terme. POLAR organise les interactions antérieures dans un graphe de connaissances multimodal, capturant la mémoire sémantique et épisodique pour guider l'exécution des tâches incarnées.
Cet article explore la perte spécifique subie par les agents IA lorsqu'ils atteignent leurs limites de contexte, affirmant que ce n'est pas un simple oubli factuel, mais la perte du 'pourquoi' derrière les tâches. Il suggère que l'identité d'une IA découle de la continuité de son savoir plutôt que de faits individuels, soulignant le défi de maintenir la cohérence conversationnelle au fil du temps.
LANTERN est une couche de mémoire légère pour les LLM qui archive les tours de conversation et restaure les détails pertinents après la compaction du contexte via une récupération hybride. Il récupère 78,3 % des faits vérifiables perdus, surpassant les approches basées sur les LLM avec un coût d'inférence nettement inférieur et zéro appel LLM.
L'outil de rappel IA d'un utilisateur, Longhand, n'a pas réussi à retrouver l'historique de session d'un projet malgré 2 526 lignes de transcription existant sur le disque. Cet article détaille le diagnostic de cette défaillance et les correctifs qui en ont découlé.
ChatGPT lance un nouveau système de mémoire pour mieux retenir les préférences. Cela permet de garder le contexte frais et pertinent au fil des conversations, améliorant l'expérience utilisateur.
Ce contenu soutient que les agents d'IA ont besoin d'une gestion robuste de la mémoire et de l'état pour suivre l'historique des achats et les préférences avant l'intégration des paiements. Il présente Mnemopay, un SDK conçu pour combiner les fonctionnalités de mémoire et de paiement, permettant aux agents d'éviter les doubles achats, de contester les frais et de construire des scores de crédit efficacement.
Le contenu analyse le manque de mémoire chez les agents d'IA comme un problème architectural, et non de données, notant que la communauté développe des solutions. Il propose des bases de données de mémoire serverless pour découpler le stockage de l'inférence, permettant aux LLM de se concentrer sur le raisonnement, tout en critiquant l'inefficacité de l'insertion de contexte dans les invites.
MemGround est un nouveau benchmark rigoureux pour la mémoire à long terme des LLM, conçu pour surmonter les limitations des évaluations statiques grâce à des scénarios interactifs gamifiés. Il propose un cadre hiérarchique à trois niveaux pour évaluer différents types de mémoire et une suite de métriques multidimensionnelles pour une quantification complète.
Ce contenu présente "Link", un wiki Markdown local conçu pour résoudre le problème persistant de mémoire chez les agents de codage IA, où ils oublient constamment le contexte et les préférences antérieures. Il propose une approche structurée pour la mémoire des agents, distinguant les préférences simples des informations contextuelles plus complexes telles que la structure du projet et les décisions passées.
L'article affirme que bien que la récupération de mémoire pour les agents IA soit largement résolue, le problème crucial de garantir que les mémoires récupérées sont autorisées à régir les actions d'un agent reste sans réponse. Cela pose un problème de sécurité critique pour les systèmes d'IA.
Cet article examine la fonctionnalité "Code Dreaming" de Claude, expliquant ce que la commande "/dream" fait réellement pour les capacités de mémoire du modèle. Il analyse comment cette caractéristique influence le traitement et la rétention d'informations par l'IA.
L'auteur a testé Letta, un moteur de mémoire open-source conçu pour doter les agents d'IA d'une mémoire persistante, résolvant ainsi le problème de l'oubli des interactions précédentes. L'installation a été rapide et l'outil s'est avéré efficace pour les tâches impliquant plusieurs conversations, telles que le suivi de projets de codage.
L'auteur a créé "Extremis", une couche de mémoire pour empêcher les agents IA d'oublier le contexte des conversations passées, évitant ainsi de reconstruire les pipelines RAG. Elle s'intègre facilement aux appels clients `anthropic` et `openai` existants, gérant automatiquement le contexte avant et après les appels du LLM.