Mémoire et agents IA : les architectures qui transforment la planification multi-agent

La conception de la mémoire dans les systèmes multi-agents d’intelligence artificielle est devenue un enjeu central en 2024. Face à la complexité croissante des tâches collaboratives et des longues chaînes de raisonnement, les architectures mémoire doivent gérer efficacement le stockage, la récupération et la cohérence des informations. Trois grandes familles de systèmes mémoire dominent aujourd’hui : les mémoires vectorielles, les graphes de connaissances temporels et les journaux d’exécution. Chacune présente des forces et faiblesses spécifiques, impactant directement la qualité des décisions prises par les agents.

Mémoires vectorielles : rapidité et limites structurelles

Les systèmes de mémoire vectorielle, comme le modèle classique de Retrieval-Augmented Generation (RAG), encodent les fragments textuels en vecteurs d’embeddings stockés dans des index de recherche approximative (ANN) tels que FAISS ou HNSW. Cette approche garantit une latence faible, souvent de l’ordre de quelques dizaines de millisecondes, même pour des corpus de plusieurs millions d’éléments. Elle excelle dans les requêtes locales ou sur des corpus de taille modérée.

Cependant, cette méthode souffre de pertes importantes dans la gestion du contexte temporel et des relations complexes. Les requêtes impliquant un raisonnement multi-hop, une cohérence inter-session ou des contraintes globales échouent souvent à cause de dérives sémantiques ou d’une dilution du contexte. Pour pallier ces limites, des architectures tiered vector memory, comme MemGPT, introduisent une mémoire virtuelle combinant un contexte actif restreint et un archivage vectoriel externe. Cette hiérarchisation améliore la réutilisation des informations importantes mais introduit des risques liés à la politique de pagination et à la divergence entre agents.

Graphes de connaissances temporels : structurer le temps et les relations

Les systèmes basés sur des graphes de connaissances temporels, tels que Zep ou Graphiti, modélisent explicitement les entités, événements et leurs relations dans un graphe indexé temporellement. Cette approche permet un raisonnement précis sur des questions complexes impliquant des dépendances temporelles et multi-documents, avec des gains d’exactitude et de latence significatifs par rapport aux mémoires vectorielles pures.

GraphRAG, développé par Microsoft, pousse cette idée en construisant un graphe hiérarchique avec détection de communautés et résumés, facilitant la gestion de très grandes bases documentaires. Néanmoins, ces systèmes requièrent des pipelines d’extraction et de mise à jour sophistiqués, et peuvent souffrir de biais liés à la construction du graphe ou à la perte d’informations rares lors des résumés.

Journaux d’exécution et mémoire épisodique : la vérité terrain des agents

Les journaux d’exécution, incarnés par des frameworks comme ALAS ou LangGraph, enregistrent de manière ordonnée et versionnée toutes les actions, décisions et états des agents. Ils constituent la source de vérité pour la traçabilité, la relecture et la réparation localisée des workflows multi-agents. Leur latence d’accès est faible pour les opérations récentes, mais l’analyse globale nécessite des index secondaires.

La mémoire épisodique, quant à elle, segmente les interactions en épisodes cohérents, facilitant la réutilisation de schémas et la gestion des longues durées. Elle améliore la pertinence des réponses sur des tâches complexes et répétitives, bien que sa qualité dépende fortement de la définition précise des frontières d’épisodes et de la consolidation des connaissances.