Agent memory (mémoire de l'agent)
La mémoire d'agent désigne le mécanisme par lequel un agent d'IA conserve et récupère des informations à travers les étapes et les sessions. On distingue typiquement la mémoire à court terme, pour le contexte de travail immédiat, et la mémoire à long terme, pour les informations durablement pertinentes. Grâce à la mémoire d'agent, un agent peut conserver le contexte dans le temps, apprendre d'interactions antérieures et agir de façon plus cohérente.
Également connu sous : mémoire d'agent, mémoire IA, memory
Qu'est-ce que l'agent memory ?
La mémoire d'agent est la capacité d'un agent d'IA à utiliser des informations non seulement à l'intérieur d'une étape de traitement mais à les conserver sur plusieurs étapes, voire sur des sessions séparées, et à les récupérer de façon ciblée. Sans une telle mémoire, un agent considérerait chaque interaction isolément et oublierait les enseignements, préférences ou résultats intermédiaires antérieurs.
La mémoire des agents complète la Fenêtre de contexte d’un modèle de langage. Comme on ne peut pas transporter une quantité illimitée d’informations dans le prompt, la mémoire d’agent fait que les contenus pertinents sont externalisés, rangés de façon structurée et réinjectés au besoin. L’agent reste ainsi capable d’agir même quand le volume total d’informations dépasse la fenêtre de contexte.
Mémoire à court terme et à long terme en comparaison
La mémoire à court terme comprend le contexte de travail immédiat d'un agent, par exemple le fil de conversation, les résultats intermédiaires actuels ou l'état d'une tâche en cours. Elle est étroitement liée à la session et se tient souvent directement dans la fenêtre de contexte ou dans un état temporaire.
La mémoire à long terme conserve en revanche des informations durablement et à travers les sessions. En font partie les préférences des utilisateurs, des faits appris, des décisions antérieures ou des motifs récurrents. La mémoire à long terme se réalise souvent via des stockages externes comme des bases vectorielles, d'où les contenus pertinents se récupèrent par recherche sémantique, une approche étroitement apparentée à la retrieval augmented generation.
Comment fonctionnent l'enregistrement et la récupération ?
À l'enregistrement, l'agent ou l'application qui l'entoure décide quelles informations méritent d'être conservées. Elles sont préparées, souvent découpées en unités plus petites (Découpage (chunking)) et déposés dans un stockage. En mémoire à long terme, les contenus sont souvent Embeddings dans une Base de données vectorielle enregistrés, afin de les retrouver plus tard par leur contenu.
Lors de la récupération, l'agent cherche de façon ciblée les souvenirs pertinents pour la tâche en cours et les réintroduit dans son contexte de travail. Plutôt que de charger toute la mémoire, seules les informations adaptées sont sélectionnées. Cette composition ciblée du contexte est une tâche centrale du Context engineering et détermine largement la qualité des réponses de l'agent.
Pourquoi l'agent memory est-elle importante ?
Sans mémoire, un Agent IA passif et oublieux. La mémoire d’agent lui permet de conserver le contexte dans le temps, de reprendre des conversations antérieures et de livrer des résultats personnalisés et cohérents. Un agent peut par exemple se souvenir des préférences d’un utilisateur ou des étapes déjà accomplies d’une tâche.
La mémoire est en outre la condition d'une forme d'apprentissage dans le temps. En consignant des démarches réussies, des erreurs ou de nouveaux faits, un agent peut adapter son comportement lors d'interactions futures. Pour les tâches longues ou récurrentes en particulier, la mémoire d'agent devient ainsi un facteur décisif d'utilité et de fiabilité.
Les défis de la mémoire des agents
Un défi central est le choix des bonnes informations. Si l'on stocke trop, la mémoire croît sans contrôle et la récupération devient imprécise. Si l'on stocke trop peu, des liens importants se perdent. Un concept réfléchi détermine ce qui est stocké, actualisé ou écarté, et quand.
S'y ajoutent des exigences de protection des données et de gouvernance, car des informations conservées durablement peuvent contenir des données personnelles ou sensibles. Un usage responsable de la mémoire d'agent tient donc compte dès le départ d'aspects comme la minimisation des données et la traçabilité. Elisabit conçoit des stratégies de mémoire pour agents d'IA à la fois performantes et conformes à la protection des données.
Questions fréquentes
Quelle est la différence entre l'agent memory et la fenêtre de contexte ?
La fenêtre de contexte est l'espace limité qu'un Modèle de langage peut traiter directement. La mémoire d'agent va plus loin et externalise les informations pour les recharger au besoin dans le contexte. Un agent peut ainsi travailler avec bien plus d'informations qu'il n'en tient à la fois dans la fenêtre de contexte.
Quelle est la différence entre la mémoire à court terme et à long terme ?
La mémoire à court terme contient le contexte de travail immédiat de la session en cours, par exemple le fil de conversation. La mémoire à long terme conserve durablement des informations à travers les sessions, par exemple les préférences des utilisateurs ou des faits appris. Cette dernière se réalise souvent via des stockages externes comme des bases vectorielles.
Comment l'agent memory est-elle liée au RAG ?
La mémoire à long terme utilise souvent les mêmes techniques que le retrieval-augmented generation : les informations sont déposées comme embeddings dans une base vectorielle et récupérées par recherche sémantique. RAG apporte le savoir pertinent, tandis que l'agent memory gère en plus les informations d'expérience et de session de l'agent.
Quelles données une mémoire d'agent enregistre-t-elle ?
Sont typiquement enregistrés les fils de conversation, les résultats intermédiaires, les préférences des utilisateurs, les faits appris et les décisions antérieures. Les données concrètement stockées dépendent du cas d'usage. Pour des raisons de protection des données, seul ce qui est vraiment nécessaire à la tâche devrait être conservé.
Termes associés
Un système d'IA qui poursuit des objectifs de façon autonome : percevoir, planifier, utiliser des outils et agir en plusieurs étapes.
Le context engineering façonne les informations transmises à un LLM afin d'obtenir des réponses plus précises et plus fiables.
La fenêtre de contexte est le nombre maximal de tokens qu'un modèle de langage peut prendre en compte simultanément.
Le RAG combine un modèle de langage avec la recherche d'informations pertinentes dans des sources externes avant de répondre.
Une base de données qui stocke les contenus sous forme d'embeddings et permet une recherche par similarité rapide pour les applications d'IA.
Mettre l'IA au service de votre entreprise ?
Nous vous aidons à intégrer l'intelligence artificielle dans vos processus, votre marketing et votre site — de manière stratégique et sûre.
Votre interlocuteur
Stefan
J'ai hâte de découvrir votre projet et de trouver ensemble la meilleure solution.
