Le problème

The problem

Les LLM modernes sont brillants pendant 8k tokens, puis ils oublient. Pour un agent qu'on veut revoir le lendemain, il faut décider ce qui mérite d'être retenu, comment réutiliser ces souvenirs sans saturer la fenêtre de contexte, et comment maintenir une identité stable alors que le modèle de base n'en a aucune.

Modern LLMs are brilliant within 8k tokens, then forget everything. For an agent you want to return to the next day, you need to decide what's worth keeping, how to reuse those memories without flooding the context window, and how to maintain a stable identity when the base model has none.

Mémoire en 9 briques

9-layer memory

Brique	Layer	Rôle	Role	Durée	Duration
Sessions / Messages	Historique brut	Raw history	Permanent	Permanent
Épisodique	Résumés de sessions	Session summaries	Permanent	Permanent
Sémantique	Faits atomiques	Atomic facts	Permanent	Permanent
Relationnelle	Graphe social	Social graph	Permanent	Permanent
Procédurale	Règles comportementales	Behavioral rules	Permanent	Permanent
Émotionnelle	Tendances longitudinales	Longitudinal trends	Permanent	Permanent
De travail	Contexte chaud à TTL court	Short-TTL hot context	Heures	Hours
Identité	Résolution cross-canal	Cross-channel resolution	Permanent	Permanent
Recherche	Index BM25 + embeddings	BM25 + embeddings index	—

Recherche hybride

Hybrid search

BM25 (SQLite FTS5) pour les correspondances exactes + embeddings (sentence-transformers, MiniLM multilingue, ChromaDB) pour la similarité sémantique. Fusion par Reciprocal Rank Fusion (Cormack et al. 2009). Fallback gracieux en BM25 seul si les embeddings ne sont pas disponibles.

BM25 (SQLite FTS5) for exact matches + embeddings (sentence-transformers, multilingual MiniLM, ChromaDB) for semantic similarity. Merged via Reciprocal Rank Fusion (Cormack et al. 2009). Graceful fallback to BM25-only if embeddings are unavailable.

GitHub — extrait open-source (recherche hybride BM25 + embeddings) ↗