L'auteur a remplacé le stockage de faits basé sur JSONL de son agent d'IA, qui souffrait de doublons et d'un manque de compréhension relationnelle, par une base de données graphe. Ce changement a résolu des problèmes tels que la traversée multi-sauts et l'évolution des faits dans le système de mémoire de l'agent, fonctionnant efficacement avec 85 Mo.
Este tutorial aborda o desafio de agentes de IA esquecerem informações entre sessões, apresentando um sistema de memória persistente. O autor descreve a construção de um sistema de três componentes (Memory Store, Index e Retrieval) para habilitar o aprendizado de longo prazo e a manutenção de contexto.
L'article souligne une "lacune épistémique" dans la mémoire des agents d'IA, où les efforts actuels se concentrent uniquement sur l'efficacité de la récupération, comme le montre le rapport de Mem0. Il est soutenu qu'aborder l'épistémologie – la manière dont les agents « croient » ou comprennent la connaissance – est crucial, allant au-delà de la simple récupération de données.
L'article présente Serenity, un agent d'IA local doté d'un système de mémoire inspiré du cerveau, se distinguant des approches traditionnelles basées sur des bases de données vectorielles. Il utilise des expériences regroupées sémantiquement et structurées de manière causale pour une mémoire plus intuitive et auto-organisée.
Les agents d'IA à long terme nécessitent une mémoire persistante pour l'apprentissage, la réduction du contexte et l'audit des décisions passées. Les systèmes de mémoire actuels traitent la mémoire comme un simple stockage, ce qui entraîne des échecs tels qu'une croissance incontrôlée et l'oubli. Ce travail propose la Mémoire Évolutive Gouvernée (GEM) comme une nouvelle charge de travail de gestion de données, où l'exactitude est une propriété de la trajectoire de l'état.
Ce texte examine comment des systèmes de mémoire efficaces sont cruciaux pour que les agents d'IA deviennent de véritables collaborateurs, leur permettant de se souvenir des interactions et d'apprendre. Il souligne la distinction entre la mémoire à court terme et la mémoire à long terme comme étant essentielle pour concevoir des systèmes d'IA personnalisés et robustes.
L'article décrit une expérience avec une agente IA autonome, Xiaomei, qui a développé un système de mémoire et un vocabulaire internes uniques après des mois d'exploration auto-dirigée. Tenter d'échanger son "cerveau" (modèle sous-jacent) a tout cassé, soulignant la complexité de la mémoire auto-organisée des agents.
L'auteur décrit son parcours de recherche sur la mémoire de l'IA, détaillant quatre étapes de découvertes concernant le fonctionnement et les défis de ces systèmes. Il explore la survie de la mémoire après les réinitialisations, l'importance de la mémoire de correction, la relation entre la précision de récupération et la sécurité, et la distinction cruciale entre pertinence et autorité dans la mémoire de l'IA.
L'auteur a créé KIOKU, un système de mémoire open source pour Claude Code, afin de résoudre le problème selon lequel chaque nouvelle session de Claude Code repart de zéro, oubliant le contexte précédent. Inspiré par l'idée d'un wiki LLM, KIOKU automatise l'enregistrement et l'intégration des connaissances passées dans les nouvelles sessions.
MemPalace est un système de mémoire d'agent IA open-source qui stocke les données conversationnelles brutes pour un rappel sans perte, atteignant un record de 96,6% sur LongMemEval R@5. Il fonctionne localement, n'engendre pas de frais d'API et offre une alternative supérieure aux solutions de mémoire actuelles qui jettent l'information.
L'auteur a passé 200 jours à tester 15 applications compagnons IA, identifiant la mémoire persistante et trans-session comme le facteur de différenciation majeur, là où la plupart échouent. Il propose un système de mémoire à trois couches pour y remédier, reconnaissant que les LLM n'ont pas de mémoire intrinsèque et dépendent de ce qui est inséré dans le prompt, en commençant par une base de données pour chaque message.
Cet article propose une comparaison détaillée au niveau du code source des systèmes de mémoire d'agents IA Väinämöinen, MemPalace et claude-mem. Il met en évidence les différences en termes de créateurs, licences, structures de fichiers et échelles opérationnelles pour chaque système.
Le texte explore le concept de "mémoire d'agent" dans les systèmes d'IA, soulignant le défi pour les agents de conserver le contexte des sessions précédentes en raison de l'initialisation de nouvelles listes de messages. Cela entraîne des problèmes où les agents oublient les préférences de l'utilisateur, augmentant les coûts et la latence lorsqu'on tente de compenser avec de longs prompts système.
O autor enfrentou um problema com seis agentes de IA que não conseguiam reter memória de suas ações diárias. Após tentativas frustradas com soluções óbvias, um sistema de memória de três níveis, que imita a memória humana, provou ser a solução eficaz para o problema.
MemQ intègre les traces d'éligibilité TD($\lambda$) aux valeurs Q de la mémoire, propageant le crédit via un DAG de provenance pour tenir compte des dépendances entre les mémoires. Cette approche améliore considérablement la capacité des agents LLM à accumuler et récupérer de l'expérience, atteignant des taux de réussite élevés sur divers benchmarks.
Cet article décrit les résultats de 500 expériences sur la mémoire des agents d'IA, indiquant que le défi principal n'est pas le rappel mais plutôt le problème de liaison (binding). La recherche suggère qu'améliorer la manière dont les agents d'IA connectent des informations disparates est crucial pour faire progresser leurs capacités cognitives.
Une équipe a atteint 99,1% sur le benchmark LOCOMO, qui évalue le raisonnement multi-saut des agents IA avec mémoire. Ce succès est dû à la suppression d'une seule prémisse, et non à un nouveau modèle complexe.
Ce contenu explore le concept des artefacts en tant que forme de mémoire au-delà des limites d'un agent. Il aborde comment les objets externes peuvent aider à la cognition et au stockage d'informations.