La mémoire agentique sort du simple vector store

Résumé exécutif

Les publications de mai et juin 2026 convergent vers une même conclusion : une mémoire d’agent ne se résume plus à indexer des conversations dans une base vectorielle. Elle doit organiser les faits, gérer leur évolution, séparer les coûts d’écriture et de lecture, consolider hors ligne et être évaluée indépendamment du raisonnement du modèle. Pour l’UAH, cela confirme la nécessité d’une couche mémoire explicite reliant SDM, ROL et ACE plutôt qu’un composant RAG générique partagé par tous les agents.

Ce qui vient de sortir

Infini Memory, publié le 9 juin, stocke la mémoire persistante sous forme de documents thématiques maintenables. Les nouvelles observations passent d’abord par un buffer, puis sont consolidées dans des documents qui agrègent les preuves, conservent les métadonnées et permettent de réviser les faits. À l’inférence, l’agent explore cette mémoire par appels d’outils successifs. Les auteurs rapportent un score global de 64,7 % sur MemoryAgentBench et attribuent des gains complémentaires à l’organisation thématique et à l’inspection itérative.

Le papier Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads, publié le 4 juin, déplace l’analyse vers le système. Il propose une taxonomie en quatre axes, instrumente les phases de construction, récupération et génération, puis compare dix systèmes sur deux suites de benchmarks. Le résultat le plus utile n’est pas un vainqueur universel, mais l’observation que les choix d’architecture déplacent les coûts entre chemin d’écriture et chemin de lecture. Les recommandations couvrent notamment la planification de la consolidation, l’amortissement selon le volume de requêtes, le compromis fraîcheur–latence et la gestion à l’échelle d’une flotte d’agents.

MemGym, publié le 20 mai, attaque un autre problème : les benchmarks de mémoire confondent souvent la qualité de la mémoire avec celle du modèle, du retrieval ou des outils. Il introduit des scores isolant la contribution mémoire dans quatre régimes : dialogue avec outils, recherche approfondie, programmation et navigation web. Cette séparation est essentielle pour éviter de conclure qu’une mémoire est meilleure simplement parce qu’elle est couplée à un modèle plus puissant.

Enfin, LightMem, publié en avril, montre une piste d’efficience : déléguer l’écriture, la récupération et la consolidation à de petits modèles. Son architecture distingue mémoire courte, intermédiaire et longue. La récupération en ligne utilise un filtrage vectoriel suivi d’un reranking sémantique, tandis que la consolidation est déplacée hors ligne. Les auteurs annoncent une amélioration moyenne d’environ 2,5 points de F1 sur LoCoMo, avec une médiane de 83 ms pour la récupération et 581 ms de bout en bout.

Fonctionnement technique

Ces travaux dessinent une architecture en quatre fonctions indépendantes :

Capture : journaliser observations, décisions, résultats, preuves et contexte de délégation.
Consolidation : fusionner les événements en unités cohérentes, détecter les contradictions et réviser les faits.
Retrieval agentique : permettre plusieurs lectures ciblées plutôt qu’un unique top-k vectoriel.
Évaluation : mesurer ce que la mémoire ajoute réellement, à modèle, outils et tâche constants.

Le stockage peut rester polyglotte : journal append-only pour les événements, documents thématiques pour la mémoire sémantique, graphe pour les relations et index vectoriel pour l’amorçage du retrieval. L’erreur serait de transformer une technologie de stockage en architecture complète.

Pourquoi cela compte pour l’UAH

Le Reward Outcome Ledger doit devenir la source factuelle des épisodes : objectifs, actions, outils, coûts, vérifications et outcomes. La Stigmergic Diffusion Memory peut publier les traces ou artefacts utiles aux autres agents, mais elle ne doit pas automatiquement transformer chaque trace en connaissance durable. L’Agentic Capitalization Engine doit assurer la consolidation : déduplication, contradiction, promotion, expiration et transformation d’un pattern répété en asset déterministe.

Cette séparation réduit trois risques actuels : pollution de la mémoire par des sorties non vérifiées, récupération de faits obsolètes et confusion entre expérience locale d’un agent et règle générale réutilisable.

Limites et points de vigilance

Les benchmarks restent jeunes et les résultats sont difficiles à comparer directement. Les documents thématiques peuvent devenir trop volumineux ou refléter les erreurs du consolidateur. Les petits modèles diminuent le coût, mais peuvent perdre des nuances lors de la compression. Une mémoire persistante accroît aussi les obligations de sécurité, de suppression, de traçabilité et de cloisonnement entre utilisateurs ou missions.

Recommandation opérationnelle

Construire un MemoryPort indépendant des fournisseurs, avec quatre adapters initiaux :

EpisodeLedgerAdapter pour les événements immuables ;
TopicDocumentAdapter pour la mémoire consolidée ;
GraphRelationAdapter pour provenance, dépendances et contradictions ;
VectorBootstrapAdapter uniquement pour présélectionner les zones à lire.

Ajouter un pipeline borné stage → validate → consolidate → index → retrieve → verify → promote/expire. La promotion vers la mémoire durable doit exiger une provenance, un niveau de confiance, une date de fraîcheur et un lien vers l’outcome d’origine.

Expérimentation recommandée

Créer un corpus de 100 épisodes UAH couvrant veille, code, navigateur et administration. Comparer trois configurations : vector store seul, mémoire à trois niveaux et documents thématiques avec retrieval itératif. Garder modèle, prompts et outils constants.

Les métriques minimales sont : exactitude factuelle, récupération de la bonne preuve, taux de contradictions non détectées, fraîcheur, coût d’écriture, coût de lecture, latence, tokens par succès et gain marginal de la mémoire. La prochaine itération doit être décidée sur ces mesures, pas sur une impression qualitative de « meilleure continuité ».

Sources

Suozhao Ji et al., « Infini Memory », arXiv, 9 juin 2026 : https://arxiv.org/abs/2606.10677
Yasmine Omri et al., « Agent Memory », arXiv, 4 juin 2026 : https://arxiv.org/abs/2606.06448
Wujiang Xu et al., « MemGym », arXiv, 20 mai 2026 : https://arxiv.org/abs/2605.20833
Jiaquan Zhang et al., « Lightweight LLM Agent Memory with Small Language Models », arXiv, 9 avril 2026 : https://arxiv.org/abs/2604.07798