Sept solutions open source améliorent la mémoire des agents IA

La mémoire devient une brique clé pour des agents capables d'enchaîner les tâches et de retrouver leur contexte. Sept projets open source proposent des voies différentes, des graphes temporels à la persistance d'état en passant par la réflexion et la portabilité entre outils de codage. Tour d’horizon des options disponibles et de leurs cas d’usage.

Définir contexte et mémoire pour des agents durables

Le contexte correspond à ce qu’un agent peut consulter à l’instant, tandis que la mémoire désigne ce qu’il conserve pour plus tard. Grâce à la mémoire IA, les agents sont en mesure de retenir des éléments importants issus de conversations précédentes et de s’en servir lors de prochaines utilisations. Un agent a la possibilité d’enregistrer des faits, des préférences, des actions effectuées ou des informations pertinentes, puis de les utiliser à nouveau pour générer des réponses plus adaptées et tenant compte du contexte. Lorsque les agents gèrent des missions plus longues et complexes, leur aptitude à mémoriser, retrouver et actualiser les expériences passées fait évoluer un modèle sans état vers un système qui capitalise sur ce qui a déjà été appris. En stockant et en réutilisant des informations pertinentes, ils assurent la continuité, exploitent les connaissances acquises et peuvent améliorer leur efficacité lors d’échanges répétés.

Graphes de connaissances et temps : Cognee et Graphiti

Plusieurs projets misent sur les graphes pour structurer une mémoire riche. Cognee transforme documents, code et conversations en une mémoire connectée et interrogeable. Son pipeline combine recherche vectorielle et relations graphiques, de sorte que les agents récupèrent des informations par signification et par connexions entre concepts. Cette approche préserve explicitement les liens entre morceaux d’information. Le dépôt est disponible sur GitHub à l’adresse https://github.com/topoteretes/cognee. Graphiti applique des graphes de connaissance temporels. Les informations et relations y sont modélisées comme évolutives, ce qui aide les assistants à maintenir un contexte changeant, distinguer l’ancien du nouveau et conserver un historique précis des évolutions. Son code est accessible à l’adresse https://github.com/getzep/graphiti. Ces approches, qui s’inscrivent parmi des flux de travail allant des faits compacts aux graphes élaborés, traitent le même enjeu fondamental de la mémoire d’agent.

Persistance d’état et continuité : Mem0 et OpenViking

D’autres solutions ciblent la conservation de l’état sur la durée. Mem0 se présente comme une couche de mémoire à usage général : elle stocke et récupère des souvenirs d’utilisateurs ou d’agents pour maintenir des informations entre les sessions, y compris faits, préférences et interactions, sans dépendre uniquement du contexte conversationnel du moment. Son dépôt GitHub est disponible à l’adresse https://github.com/mem0ai/mem0. OpenViking met l’accent sur la persistance et la récupération de l’état au fil des interactions. Conçu pour organiser le contexte, il permet à un agent de réutiliser des informations antérieures, de maintenir la continuité entre sessions et de retrouver des éléments pertinents lorsqu’une tâche similaire se présente ou pour s’appuyer sur un travail précédent. Le projet est accessible à l’adresse https://github.com/volcengine/OpenViking. Ces deux projets s’attaquent au même besoin de continuité opérationnelle des agents.

Proactivité et réflexion : Hindsight et memU

Hindsight articule la mémoire à long terme autour de trois fonctions complémentaires : mémoire, rappel et réflexion. Il vise à ce que les agents conservent des informations et exploitent des expériences passées pour des décisions ultérieures, en construisant une compréhension persistante des échanges au-delà de l’isolement de chaque session. Son code est disponible à l’adresse https://github.com/vectorize-io/hindsight. Pour sa part, memU considère l’expérience accumulée comme un ensemble structuré de connaissances pouvant être retrouvées. Son objectif est d’offrir une mémoire qui soit à la fois durable et anticipatrice, et non un simple mécanisme de rappel ponctuel, afin de permettre l’apparition automatique de savoirs utiles dès qu’une nouvelle tâche le nécessite. Le code source se trouve à l’adresse https://github.com/NevaMind-AI/memU. Ces deux projets abordent la mémoire comme une ressource active, pas seulement comme un historique à consulter.

Continuité entre environnements de code : OpenMemory

OpenMemory cible la portabilité du contexte dans le développement logiciel. L’outil importe et exporte des sessions de codage entre des environnements d’agents tels que Claude Code, Codex et OpenCode, pour éviter la perte de contexte lors des changements d’outils. Cette portabilité permet de reprendre un travail sans reconstruire l’état de la conversation ou de la tâche. Le dépôt est accessible à l’adresse https://github.com/mem0ai/openmemory.

Des usages au-delà du chatbot

La mémoire côté agent ne se limite pas aux interfaces conversationnelles. Elle est utilisée dans les agents spécialisés en programmation, dans les outils et plateformes de recherche ainsi que dans les assistants polyvalents. Dans ces situations, la mémoire permet de stocker des données relatives à des missions, des échanges, des découvertes ou des préférences utilisateurs, puis de les restituer lorsque cela devient à nouveau utile. La problématique commune à l’ensemble des projets identifiés demeure la même : offrir aux agents une base stable de connaissances réutilisables.