Qu’est‑ce que la mémoire d’agent IA ? Mémoire à court terme, à long terme, épisodique et sémantique expliquées

La mémoire d’agent IA est le système qui stocke, organise et récupère les informations dont un agent peut avoir besoin au-delà de la réponse immédiate de son modèle. Elle peut conserver l’état actif d’une tâche, les expériences passées, les faits, les préférences et les procédures apprises, mais ce n’est pas une base de données unique et ce n’est pas la même chose que la fenêtre de contexte d’un modèle.

La mémoire aide un agent à rester cohérent sur de longues tâches et lors d’interactions répétées. Elle peut également introduire des faits obsolètes, des risques pour la vie privée et des récupérations trompeuses. La question de conception essentielle n’est pas « Comment l’agent peut‑il tout se souvenir ? » mais « Que doit‑il retenir, pendant combien de temps et sous quelle autorité ? »

Le contexte n’est pas la mémoire

La fenêtre de contexte d’un modèle est l’information disponible pendant une inférence particulière : instructions, messages, résultats d’outils, documents récupérés et autres entrées. Elle fonctionne comme un espace de travail temporaire.

La mémoire est le mécanisme plus large qui décide quelles informations persistent et comment les enregistrements sélectionnés reviennent dans cet espace de travail. Une base de données remplie de conversations constitue du stockage ; elle ne devient une mémoire utile que lorsque le système peut récupérer les bonnes informations au bon moment et en représenter la fiabilité.

Cette distinction est importante car de grandes fenêtres de contexte ne résolvent pas la gestion de la mémoire. Remplir une invite avec chaque événement antérieur augmente le coût et peut distraire le modèle avec des détails hors sujet ou contradictoires.

Les principaux types de mémoire d’agent

Un système de production peut implémenter les quatre avec un mélange d’état de conversation, de bases de données structurées, de recherche vectorielle, de journaux d’événements et d’instructions versionnées. La taxonomie décrit le rôle que joue l’information, et non le produit de base de données qui la stocke. Une préférence client constitue une mémoire sémantique, qu’elle réside dans une table relationnelle ou un index vectoriel.

Mémoire de travail ou à court terme

La mémoire de travail conserve l’état actif de la tâche en cours : l’objectif, le plan actuel, les observations récentes, les questions ouvertes, les sorties d’outils et les étapes terminées. Elle est souvent stockée en partie dans la conversation et en partie dans un objet d’état structuré.

Comme le contexte de travail est limité, les agents à long terme peuvent résumer les événements plus anciens, conserver séparément les variables importantes, ou ne charger que la prochaine portion pertinente d’une tâche.

Mémoire épisodique

La mémoire épisodique consigne les expériences sous forme d’événements : ce qui s’est produit, quand, dans quelle situation, quelles actions ont été prises et quels en ont été les résultats. Un agent peut se souvenir qu’un déploiement particulier a échoué après une modification de configuration ou qu’un utilisateur a rejeté une recommandation pour une raison indiquée.

Les enregistrements épisodiques peuvent soutenir le raisonnement basé sur des cas — trouver une situation passée similaire à la situation actuelle. Ils nécessitent une attribution soigneuse car un résultat antérieur peut avoir dépendu de conditions qui ne s’appliquent plus.

Mémoire sémantique

La mémoire sémantique représente des faits et des concepts indépendamment d’un événement unique. Parmi les exemples figurent la langue préférée d’un client, la définition d’une métrique interne ou la relation entre des produits.

La mémoire sémantique peut résider dans des documents, des index vectoriels, des bases de données relationnelles ou des graphes de connaissances. Les faits importants doivent inclure la provenance, les horodatages et la propriété afin que l’agent puisse distinguer les enregistrements autoritaires des résumés générés par le modèle.

Mémoire procédurale

La mémoire procédurale capture comment exécuter une tâche : un flux de travail, une règle de sélection d’outil, une liste de contrôle, un plan réussi ou une compétence réutilisable. Dans les systèmes actuels, cela apparaît souvent sous forme d’instructions versionnées, de code ou de modèles testés plutôt que comme un modèle qui se modifie silencieusement.

Séparer les mises à jour procédurales de la conversation ordinaire est une mesure de sécurité. Une interaction inhabituelle unique ne doit pas réécrire automatiquement les règles de fonctionnement de l’agent.

Comment un agent se souvient de quelque chose

Un pipeline de mémoire pratique comporte quatre étapes.

1. Capture : observer un message, une action, un résultat ou un changement environnemental.
2. Sélectionner et encoder : décider si l’information mérite d’être conservée et la convertir en enregistrement avec métadonnées.
3. Stocker : placer l’enregistrement dans un système approprié avec contrôles d’accès et politique de rétention.
4. Récupérer : lorsqu’une nouvelle tâche arrive, rechercher les enregistrements pertinents, les classer et placer une petite sélection dans le contexte.

Certains systèmes ajoutent une consolidation : combiner des observations répétées, résoudre les doublons ou convertir les événements en faits durables. Ce processus ne doit pas effacer la provenance ni l’incertitude.

Comment fonctionne la récupération

La recherche par similarité vectorielle est courante car elle peut trouver des enregistrements sémantiquement liés même si la formulation diffère. Pourtant, la similarité seule ne suffit pas. Une préférence de six mois peut être pertinente sur le plan thématique mais ne plus être valide.

Une récupération robuste peut combiner plusieurs signaux :

• pertinence sémantique : à quel point l’enregistrement correspond à la tâche actuelle ;
• récence : si les informations plus récentes doivent recevoir plus de poids ;
• importance : si l’enregistrement influence une décision clé ou une contrainte ;
• autorité : si elle provient d’un système de confiance, d’un utilisateur ou d’une inférence de modèle ;
• portée : si l’agent et l’utilisateur actuels sont autorisés à y accéder ;
• diversité : si les mémoires sélectionnées apportent des informations distinctes plutôt que de répéter le même point.

Architectures de mémoire influentes

Les recherches Generative Agents ont présenté une architecture où les agents stockaient des observations, récupéraient des mémoires en fonction de la pertinence, de la récence et de l’importance, et formaient des réflexions de niveau supérieur pour guider la planification. Elles ont démontré comment la mémoire peut créer de la continuité dans le comportement simulé.

MemGPT a abordé le contexte limité à l’aide d’une analogie avec un système d’exploitation, utilisant des niveaux de mémoire et un déplacement explicite entre un petit contexte actif et un stockage externe plus vaste. La leçon plus large est que le contexte doit être géré comme une ressource rare.

Ces idées influencent les agents modernes, mais la mémoire de production utilise souvent des composants plus simples : un état de tâche structuré, un journal d’événements, un magasin vectoriel et des préférences utilisateur explicites. La complexité doit répondre à un besoin démontré.

Mémoire vs. génération augmentée par récupération

La génération augmentée par récupération (RAG) introduit des informations externes dans le contexte du modèle. La mémoire d’agent peut utiliser les mêmes techniques de récupération, mais la source et le cycle de vie diffèrent.

Un système RAG peut récupérer des informations à partir d’une base de connaissances sélectionnée qui existe indépendamment de l’agent. Un système de mémoire inclut souvent des enregistrements créés par les propres interactions de l’agent et doit décider quoi écrire ainsi que quoi lire. La frontière peut s’estomper, mais la mémoire introduit la personnalisation, la rétention et des risques liés aux données auto-générées que la récupération de documents ordinaire ne présente pas.

Défaillances courantes de la mémoire

Les conflits sont inévitables. Un utilisateur peut modifier une préférence, deux systèmes peuvent être en désaccord sur un compte, ou un résumé peut omettre une exception importante. Une mémoire fiable conserve les horodatages et les sources, définit quel système est autoritaire et fait apparaître les contradictions non résolues au lieu de sélectionner silencieusement l’enregistrement qui apparaît en premier.

• Mémoire obsolète : un fait ancien l’emporte sur une valeur plus récente du système d’enregistrement.
• Mémoire erronée : une inférence générée par le modèle est stockée comme si elle était confirmée.
• Bruit de récupération : des enregistrements similaires mais non pertinents distraient le modèle.
• Surpersonnalisation : le système applique une préférence en dehors du contexte dans lequel elle a été donnée.
• Fuite inter‑utilisateur : des enregistrements d’une personne ou d’un locataire apparaissent dans le contexte d’un autre.
• Empoisonnement : du contenu malveillant est stocké afin de manipuler le comportement futur de l’agent.
• Rétention illimitée : des données sensibles persistent sans objectif clair ni voie de suppression.

Concevoir la mémoire de façon responsable

Commencez par des catégories explicites. Séparez les faits autoritaires, les préférences fournies par l’utilisateur, les résumés du modèle et les journaux d’interaction bruts. Conservez la provenance et les horodatages. Appliquez des règles d’expiration aux faits à fort impact ou exigez une confirmation lorsque les preuves sont contradictoires.

Les utilisateurs doivent pouvoir voir, corriger et supprimer la mémoire personnelle durable lorsque cela est approprié. Le contrôle d’accès doit s’appliquer tant lors du stockage que lors de la récupération. Un enregistrement présent dans la base de données n’est pas automatiquement accessible à chaque agent, tâche ou utilisateur.

Évaluez la mémoire comme un système. Testez si l’agent récupère les enregistrements utiles, ignore ceux qui sont hors sujet, respecte les faits mis à jour, résiste aux tentatives d’empoisonnement et se comporte correctement lorsqu’aucune mémoire n’est disponible. Mesurez l’amélioration par rapport à la latence supplémentaire, au coût et à l’exposition à la vie privée.

La mémoire signifie‑t‑elle que l’agent apprend ?

En général, aucun poids du modèle ne change. La plupart des mémoires d’agent sont des informations externes récupérées dans le contexte du modèle à l’exécution. Cela peut modifier le comportement de façon spectaculaire, mais c’est différent de l’entraînement ou du réglage fin du modèle sous‑jacent. Garder cette distinction claire aide les équipes à raisonner sur la réversibilité : un enregistrement externe peut être corrigé ou supprimé sans réentraîner le modèle.

Pas nécessairement. La plupart des mémoires d’agent modifient les informations fournies à un modèle fixe ; elles ne mettent pas à jour les paramètres du modèle. Le système peut se comporter différemment parce que son contexte change, ce qui peut ressembler à un apprentissage sans modifier le réseau neuronal sous‑jacent.

Cette séparation est utile. La mémoire externe peut être inspectée, corrigée, gouvernée et supprimée plus facilement que les connaissances intégrées par l’entraînement.

Ce qu’il faut retenir sur la mémoire des agents IA

La mémoire d’un agent IA est une architecture de récupération et de gouvernance autour d’un modèle. La mémoire de travail maintient la tâche en cours ; la mémoire épisodique enregistre les expériences ; la mémoire sémantique conserve les faits ; et la mémoire procédurale encode les méthodes de travail réutilisables.

Le meilleur système de mémoire est sélectif, attribuable, conscient des autorisations et facile à corriger. Mémoriser davantage n’est pas l’objectif. L’enjeu est d’aider l’agent à apporter les bonnes preuves à la bonne décision—sans compromettre la confiance.