Mémoire des systèmes d’IA — Connaissance persistante et mémoire des agents
Une connaissance persistante au-delà d'un simple fil de discussion.
Cette section rassemble des guides sur les systèmes de connaissance persistante et de mémoire pour les systèmes d’IA — la manière dont les assistants conservent les faits, les préférences et le contexte distillé au fil des sessions, sans entasser chaque jeton dans une seule invite. Ici, la mémoire désigne une rétention intentionnelle (faits liés à l’utilisateur, résumés, magasins de données gérés par des plugins), et non la mémoire vive (RAM) du GPU ou les poids du modèle.
Elle complète l’ensemble plus large de Systèmes d’IA — OpenClaw, Hermes, orchestration — et se place à côté de RAG pour les mécanismes de récupération et d’Hébergement LLM pour l’exécution des modèles.
La mémoire s’inscrit dans la pile d’assistance plus large décrite dans Architecture des assistants IA aux côtés du routage, des outils et de l’observabilité.
Conception de la mémoire pour les assistants
Guide inter-cadres sur la mémoire à court terme, structurée et de récupération — politique de consolidation, compromis vectoriels et modèles issus d’OpenAI, LangGraph, Hermes et OpenClaw.
- Systèmes de mémoire dans les assistants IA qui sont réellement utiles — mémoire de travail, état structuré, couches de récupération et quand la mémoire aide ou nuit
Fournisseurs de mémoire pour agents
Interfaces d’arrière-plan prêtes à l’emploi exposées par des cadres tels que Hermes Agent et OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne, et d’autres — avec des compromis différents en matière de LLM, d’embeddings et de bases de données.
- Comparatif des fournisseurs de mémoire pour agents — tableau complet, comparaison des politiques de capture, notes sur les dépendances et flux d’activation
memory setupde Hermes
Pour la mémoire centrale bornée exclusive à Hermes (MEMORY.md / USER.md), voir Système de mémoire de l’agent Hermes. Pour un guide d’installation de Mnemosyne et une démonstration d’une politique d’écriture conservatrice, voir Mnemosyne pour l’agent Hermes : démarrage rapide de la mémoire locale.
Gouvernance de la mémoire et modes de défaillance
La capture, la réflexion et la consolidation automatiques peuvent transformer les propres inférences d’un modèle en « faits » durables, traités comme des preuves dans les sessions ultérieures.
- Boucles de mémoire auto-renforcées dans les agents IA — les sept formes prises par ce retour d’information, pourquoi la provenance prime sur les embeddings, et comment tester si un fournisseur refuse de se souvenir
Graphes de connaissances et Cognee
Connaissances institutionnelles et de projet extraites sous forme de graphes pour les assistants conscient de la récupération.
- Auto-hébergement de Cognee — Choix du LLM sur Ollama — démarrage pratique de Cognee avec des modèles locaux
- Choisir le bon LLM pour Cognee — Configuration locale Ollama — comparaison des modèles pour la qualité du graphique par rapport au matériel
Les constructeurs de graphes tels que Cognee ingèrent généralement des coffres Markdown, des wikis ou des exports que les gens ont déjà édités — la saillance, la nomination et le « pourquoi c’était important » sont largement établis avant que les extraits n’atteignent les embeddings. Un corpus en amont mal entretenu réintroduit de l’ambiguïté dans l’assistant ; des workflows rigoureux de capture par l’expression limitent ces dégâts. Pour cette approche centrée sur l’humain — y compris comment elle diffère du RAG centré sur la récupération — voir Le second cerveau expliqué pour les ingénieurs.
