Mémoire des systèmes d’IA — Connaissances persistantes et mémoire des agents
Un savoir persistant au-delà d'un simple fil de discussion.
Cette section recueille des guides sur la connaissance persistante et la mémoire pour les systèmes d’IA — la manière dont les assistants conservent des faits, des préférences et un contexte distillé au fil des sessions sans entasser chaque jeton dans un seul prompt. Ici, « mémoire » désigne une rétention intentionnelle (faits sur l’utilisateur, résumés, stores soutenus par des plugins), et non la mémoire vive du GPU ou les poids du modèle.
Elle complète le cluster plus large des Systèmes d’IA — OpenClaw, Hermes, orchestration — et se situe aux côtés de la RAG pour la mécanique de récupération et de l’Hébergement de LLM pour l’exécution des modèles.
La mémoire s’inscrit dans la pile d’assistants plus large décrite dans Architecture des assistants d’IA aux côtés du routage, des outils et de l’observabilité.
Conception de la mémoire pour les assistants
Guide transversal entre les frameworks pour la mémoire à court terme, structurée et de récupération — politique de consolidation, compromis des vecteurs, et motifs issus d’OpenAI, LangGraph, Hermes et OpenClaw.
- Systèmes de mémoire dans les assistants d’IA qui aident vraiment — mémoire de travail, état structuré, couches de récupération, et quand la mémoire est bénéfique ou nuisible
Fournisseurs de mémoire pour agents
Backends intégrables exposés par des frameworks tels que Hermes Agent et OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne et autres — avec des compromis différents en matière de LLM, d’encodage vectoriel et de base de données.
- Comparatif des fournisseurs de mémoire pour agents — tableau complet, comparaison des politiques de capture, notes sur les dépendances et flux de
memory setuppour Hermes
Pour la mémoire de base bornée uniquement pour Hermes (MEMORY.md / USER.md), voir Système de mémoire de Hermes Agent. Pour une installation de Mnemosyne et un tour d’horizon d’une politique d’écriture conservatrice, voir Mnemosyne pour Hermes Agent : Prise en main de la mémoire locale. Pour Hindsight sur Hermes avec encodages vectoriels locaux, réclassement, contrôle du chemin d’écriture et sauvegarde de la banque, voir Hindsight pour Hermes Agent : Mémoire auto-hébergée avec LLM locaux.
Gouvernance de la mémoire et modes de défaillance
La capture, la réflexion et la consolidation automatiques peuvent transformer l’inférence propre du modèle en « fait » durable, traité comme une preuve dans les sessions ultérieures.
- Boucles de mémoire auto-renforçantes dans les agents d’IA — les sept formes que prend ce retour, pourquoi la provenance compte plus que les vecteurs, et comment tester si un fournisseur refuse de mémoriser
Graphes de connaissances et Cognee
Connaissances institutionnelles et de projet extraites en graphes pour des assistants conscients de la récupération.
- Auto-hébergement de Cognee — Choix du LLM sur Ollama — prise en main concrète de Cognee avec des modèles locaux
- Choisir le bon LLM pour Cognee — Configuration locale Ollama — comparaison des modèles pour la qualité du graphe par rapport au matériel
Les constructeurs de graphes comme Cognee ingèrent typiquement des coffres Markdown, des wikis ou des exports que les humains ont déjà édités — la saillance, la nomenclature et le « pourquoi cela comptait » sont en grande partie établis avant que les fragments n’atteignent les encodages vectoriels. Un corpus amont bâclé réinjecte l’ambiguïté dans l’assistant ; des workflows disciplinés de capture par l’expression limitent ce préjudice. Pour cette approche centrée sur l’humain — y compris en quoi elle diffère de la RAG centrée sur la récupération — voir Second cerveau expliqué pour les ingénieurs.
