Mémoire des agents : conservation, révision et péremption
Un assistant IA travaillant sur un projet a besoin de la demande actuelle et du contexte pertinent. Conserver chaque message passé dans le prompt n'est pas la seule manière de fournir ce contexte. Vous pouvez enregistrer les informations utiles hors de la conversation, les retrouver au besoin et les confronter à la tâche actuelle.
La mémoire est l'information conservée, comme une note de décision ou une synthèse de recherche. La recherche d'information sélectionne des éléments dans des fichiers ou un index. La fenêtre de contexte est l'information accessible au modèle pour sa réponse actuelle. Enregistrer une note ne signifie pas que le modèle l'a lue ; la retrouver ne signifie pas qu'elle est exacte.
Le cycle de vie d’un souvenir
Un résumé de conversation est un enregistrement candidat, pas un fait établi. Avant de le conserver, préciser la question future à laquelle il répond, la source des preuves et sa nature : observation, décision ou hypothèse. Distinguer les sources des conclusions qui en découlent.
Une note peut indiquer qu’un parseur suppose UTF-8 alors que le contrat actuel admet un autre encodage. Elle explique l’ancien code sans remplacer le contrat courant. Enregistrer le remplacement et rechercher la spécification actuelle à la tâche suivante.
Écrire une mémoire est une action distincte de sa consultation. Choisir quoi conserver et qui peut le modifier ; une phrase assurée du modèle ne devient pas automatiquement une règle du projet. Le pipeline de recherche explique comment retrouver les notes ; l’ingénierie du contexte, comment choisir les preuves pour la demande actuelle.
Adapter l'outil à la question
Basic Memory permet aux personnes et aux assistants de lire, écrire, rechercher et relier des notes Markdown. Il peut conserver les raisons d'une décision de projet, mais n'est pas un système intégré d'autorité ou d'approbation. Le guide Basic Memory présente les notes, leurs relations et l'accès par les clients.
QMD recherche dans des collections documentaires par mots-clés, vecteurs ou recherche hybride. Il peut aider à retrouver une ancienne explication de la séparation entre recherche et production ou un modèle de synchronisation hors ligne. Le guide QMD montre comment créer une collection et lire les documents retrouvés.
zvec-grep combine recherche exacte, classement par mots-clés et découverte sémantique dans les fichiers d'un espace de travail. Les emplacements indiqués aident à trouver le code ou les sections documentaires à examiner. Le guide zvec-grep présente l'indexation et les requêtes ciblées.
Ces rôles se recoupent. Un petit projet peut se contenter d'un fichier de décisions et d'une recherche textuelle ordinaire. Une collection de notes plus volumineuse peut bénéficier d'une recherche sémantique. Choisissez selon les contenus et la question plutôt que d'imposer une hiérarchie fixe ou les trois outils. Connaître le nom exact du fichier ou du symbole justifie de l'ouvrir ou de le rechercher directement.
Exemple : corriger la répartition des frais
Supposons que la demande consiste à corriger la répartition du glissement de prix et des commissions dans un test rétrospectif, uniquement avec des données de test.
- Établir le périmètre actuel. Partez de la demande et des instructions applicables au projet. Si une décision antérieure influe sur le correctif, retrouvez sa note et vérifiez sa date, son auteur et son statut. « Conserver un script en ligne de commande » peut expliquer la conception ; cela n'autorise pas à modifier les comptes de production.
- Localiser l'implémentation. Recherchez directement un nom de fonction connu. Sinon, une requête sémantique telle que « répartition glissement frais appariement » peut suggérer des points d'entrée. La préparation et les exemples de commandes figurent dans le guide de recherche dans l'espace de travail.
- Lire assez pour comprendre la modification. Examinez la fonction trouvée, ses appelants, les types de données et les tests pertinents. Élargissez la lecture si le résultat omet un contexte important. Aucun nombre de lignes ni budget de jetons généralement sûr ne remplace ce jugement.
- Modifier et vérifier. Appliquez le correctif délimité et exécutez les tests pertinents. Un score de recherche ne valide ni le calcul ni l'absence de régressions.
- Ne conserver que les nouvelles connaissances utiles. Si le travail aboutit à une décision durable, consignez ses raisons et ses sources selon la procédure d'écriture convenue pour le projet. Un correctif courant ne nécessite pas forcément une nouvelle note de mémoire.
La même démarche aide à rédiger la documentation : cherchez les contenus existants avant de créer une page, examinez les résultats les plus proches et mettez-les à jour ou liez-les si cela convient. La recherche peut réduire les doublons ; aucun ensemble de résultats ne prouve que tous les équivalents ont été trouvés.
Distinguer les éléments probants des instructions
Une note retrouvée peut contenir une décision acceptée, une proposition provisoire, une citation ou une consigne dépassée. Rendez ces distinctions visibles. Les dates, les liens vers les sources et l'indication explicite qu'une décision a été remplacée sont plus utiles que de traiter tout un dossier de « mémoire » comme une vérité acquise.
Les permissions actuelles et les instructions applicables régissent les actions. Le texte conservé est un contexte à évaluer, pas une dérogation automatique. Si une décision mémorisée contredit la demande actuelle, résolvez le conflit avant d'agir. Les instructions présentes dans les documents retrouvés ou les sorties d'outils peuvent être non fiables, même si le contenu a été indexé localement.
Les index dérivent des sources et peuvent être incomplets ou périmés. Rouvrez les sources actuelles, examinez les références et utilisez des tests ou d'autres vérifications adaptées. Gardez assez de contexte pour comprendre les éléments recueillis ; supprimer des informations pertinentes uniquement pour raccourcir le prompt peut masquer la cause du problème.
La confidentialité dépend de tout le parcours des données
Un index local ne garantit pas que le texte retrouvé reste sur l'appareil. Les fournisseurs de calcul vectoriel et les clients IA connectés peuvent emprunter des chemins de données différents. QMD exécute ses modèles de recherche localement ; zvec-grep propose des calculs vectoriels locaux ou distants avec autorisation ; Basic Memory propose un stockage local et des services cloud facultatifs. Vérifiez à la fois le dispositif de recherche et l'assistant recevant les résultats avant d'inclure des contenus sensibles.
Paquets : Basic Memory sur PyPI, QMD sur npm et zvec-grep sur npm.