Agents Memory

Définition

L'Agent Memory (memoire des agents IA) fait reference aux differents mecanismes permettant aux agents LLM de stocker, recuperer et utiliser des informations au-dela de la fenetre de contexte immediate. C'est une composante critique des systemes agentiques car la memoire determine la capacite d'un agent a apprendre de ses interactions, a maintenir de la coherence sur de longues periodes, et a personnaliser ses reponses. Les 4 types de memoire pour les agents LLM : (1) In-context Memory — les informations dans la fenetre de contexte courante (prompt, historique de conversation). Temporaire, limitee par la fenetre de contexte. (2) External Memory (Long-term) — stockage externe (base vectorielle, base de donnees SQL, fichiers) que l'agent peut interroger via des outils. Persistant, illimite. (3) Episodic Memory — memoire des interactions passees (resumees ou indexees), consultable par similarite semantique. (4) Semantic Memory — connaissances generales stockees dans les poids du modele (pre-training). Les implementations pratiques : MemGPT (Packer et al., 2023) utilise un systeme de pages memoire (comme le paging OS) ou l'agent gere activement ce qui est en contexte vs stocke dans la memoire externe. LangChain Memory (ConversationSummaryMemory, VectorStoreRetrieverMemory) offre plusieurs strategies. Zep, Memoripy, Mem0 sont des solutions specialisees de memoire persistante pour les agents. La memoire episodique via les bases vectorielles : chaque interaction de l'agent est condensee en un resume, encode en embedding, et stocke dans une base vectorielle. L'agent peut ensuite retrouver les interactions passees pertinentes via la recherche semantique. Cette approche permet une memoire a long terme sans exploser la taille du contexte. Les defis de la memoire des agents : (1) Selection de ce qui doit etre memorise (tout garder est couteux, ne rien garder est inutile), (2) Reconciliation des informations contradictoires (une information ancienne peut etre incorrecte par rapport a une plus recente), (3) Privacy (les donnees personnelles memorisees creent des risques RGPD), (4) Coherence sur de longues conversations (le modele peut oublier des decisions prises il y a 100 messages).