La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Des recommandations proposent de mesurer d'abord des références simples — contexte complet et recherche texte — avant d'investir dans une mémoire vectorielle, réservée à des besoins précis. Sur le benchmark LoCoMo, un agent stockant en fichiers texte et interrogeant avec grep est cité comme surpassant des outils de mémoire financés. Le réflexe d'intégrer une base vectorielle pour tout agent conversationnel est remis en cause, en raison de difficultés liées au temps et à l'état, ainsi que de coûts et de latence d'intégration.
Quand garder une base vectorielle et comment trancher
L’utilisation des bases de données vectorielles n’est considérée comme appropriée que dans des situations précises : extraction hors contexte sur de très grands ensembles de données, raisonnement relationnel impliquant plusieurs étapes ou dimensions temporelles, ou encore stockage structuré centralisé avec gestion des accès pour plusieurs agents. Une recommandation accompagne ces cas particuliers : il convient d’abord d’évaluer les solutions de contexte complet et de recherche texte-système de fichiers, puis de ne retenir des solutions payantes ou fondées sur les vecteurs que si elles surpassent clairement ces deux méthodes de référence.
Pourquoi le réflexe vectoriel échoue souvent pour un agent
Nombre d'équipes adoptent par défaut une base vectorielle dès qu'un agent a besoin de mémoire, mais cette habitude est généralement inadaptée pour un agent conversationnel. Utilisée comme « mémoire en tant que récupération », la base vectorielle gère mal les changements de temps et d'état, avec à la clé obsolescence et contradictions. À cela s'ajoutent des coûts et de la latence liés à l'intégration et aux boucles de récupération répétées.
Des références simples surpassent des produits sur LoCoMo
Sur le benchmark LoCoMo, des références simples sont rapportées comme dépassant des produits de mémoire complexes, dont des outils financés. Parmi ces références figure un agent qui sauvegarde ses souvenirs dans un répertoire de fichiers texte et les interroge à l’aide d’outils tels que grep. Les modèles de langage pré-entraînés accomplissent plus efficacement des tâches classiques de système de fichiers et des requêtes standards que des API de mémoire personnalisées ou des requêtes sur des graphes propriétaires, selon leurs concepteurs. La mémoire y est présentée comme un cycle ininterrompu d’écriture, de gestion et de lecture, où le modèle choisit ce qu’il conserve et restitue, et cette méthode basée sur le système de fichiers peut être réalisée avec très peu de code.
