Tech • IA • Crypto
Des agents qui se souviennent
9/10INTRO
Anthropic a introduit des magasins de mémoire d’agents persistants ainsi qu’un système asynchrone de « dreaming » afin de permettre aux agents IA de conserver, affiner et réutiliser des connaissances entre différentes sessions.
POINTS CLÉS
Limites des agents sans état
La plupart des workflows d’agents IA fonctionnent en sessions isolées, ce qui signifie qu’aucune information n’est conservée une fois la session terminée. Cela empêche toute continuité, obligeant les agents à réapprendre le contexte en permanence et limitant leur utilité dans des tâches réelles en plusieurs étapes. Ainsi, même de simples questions de suivi échouent si elles reposent sur des interactions passées.
Introduction des magasins de mémoire
Les magasins de mémoire agissent comme des couches de stockage persistantes, similaires à des systèmes de fichiers, attachées aux sessions d’agents. Ils permettent aux agents de lire et d’écrire des données entre les sessions, offrant ainsi une mémoire à long terme. Les développeurs peuvent créer plusieurs magasins selon l’utilisateur, l’espace de travail ou l’application, offrant une grande flexibilité d’organisation.
Architecture basée sur un système de fichiers
Le système monte les magasins de mémoire comme des systèmes de fichiers accessibles dans les environnements des agents. Les agents peuvent rechercher, lire et modifier des fichiers via des outils comme la recherche par mots-clés ou des commandes shell. Cette structure permet une organisation et une récupération des données plus complexes, améliorant nettement les capacités par rapport aux contextes temporaires.
Intégration aux sessions et contrôle d’accès
Les magasins de mémoire sont attachés au niveau des sessions via des paramètres d’API, incluant des prompts configurables pour guider les informations à stocker. L’accès peut être défini en lecture-écriture ou en lecture seule, permettant de contrôler si les agents peuvent modifier ou uniquement consulter les données.
Impact démontré sur la mémorisation
Lorsque la mémoire est activée, les agents peuvent récupérer et utiliser des informations issues de sessions précédentes. Lors de tests, les agents sans mémoire échouaient à répondre à des questions de suivi, tandis que ceux disposant de mémoire rappelaient correctement les informations, montrant des bénéfices immédiats.
Gestion manuelle et programmatique
Les développeurs peuvent inspecter, modifier et versionner les fichiers mémoire via CLI ou console. Chaque mise à jour crée une nouvelle version, assurant traçabilité et correction des erreurs. Une supervision humaine est possible grâce à l’édition directe et à la navigation structurée des données.
Le problème de la croissance de la mémoire
L’écriture continue dans les magasins de mémoire pose de nouveaux défis, comme une croissance illimitée, des duplications et des informations obsolètes. Sans intervention, la qualité de la mémoire se dégrade, réduisant l’efficacité de la récupération et augmentant les coûts.
Le « dreaming » comme optimisation de la mémoire
La fonctionnalité dreaming répond à ces problèmes via un traitement asynchrone en arrière-plan. Elle analyse les mémoires stockées et les transcriptions de sessions pour consolider les données, supprimer les doublons, vérifier les faits et enrichir les entrées avec des métadonnées ou des chronologies.
Architecture multi-agents
Le dreaming fonctionne comme un système multi-agents, où un orchestrateur attribue à des sous-agents l’analyse de transcriptions individuelles. Cette approche garantit une couverture complète et permet de traiter de grands volumes de données historiques tout en conservant une structure claire.
Affinement non destructif de la mémoire
Le dreaming n’écrase pas le magasin de mémoire original. Il crée une version améliorée distincte, préservant les données initiales. Cela permet une itération sûre et des comparaisons, les développeurs pouvant adopter les versions optimisées après validation.
Récupération améliorée grâce à l’indexation
Les magasins de mémoire produits incluent souvent des index structurés et des fichiers réorganisés, permettant une récupération plus rapide et précise. Les agents peuvent consulter ces index pour localiser efficacement les informations pertinentes.
Considérations de performance et de coût
Les tâches de dreaming peuvent durer de quelques minutes à plusieurs heures selon le volume de données, mais s’exécutent de manière asynchrone pour ne pas perturber les workflows actifs. L’usage de tokens est élevé par conception, bien que le cache puisse atteindre jusqu’à 95 % d’efficacité, et que le choix du modèle ou la planification puisse réduire les coûts.
CONCLUSION
La mémoire persistante et son affinement asynchrone marquent une évolution vers des agents IA plus autonomes, capables d’accumuler et d’améliorer leurs connaissances au fil du temps.