La mémoire des agents IA
La plupart des mémoires d'agents ne sont qu'une base vectorielle de fragments de conversations passées — elles récupèrent du texte qui sonne juste, pas des faits. Une mémoire ancrée dans l'ontologie stocke ce que les agents apprennent sous forme d'entités, de relations et de faits, de sorte que le rappel est précis, explicable et partagé entre tous les agents et toutes les sessions.
Des faits, pas des fragments
La mémoire est écrite et rappelée sous forme d'entités, de relations et de faits sur le graphe de connaissances — et non sous forme de fragments vectorisés d'anciennes conversations.
Partagée entre agents
Parce que la mémoire vit dans le graphe plutôt que dans un index vectoriel propre à un fil, n'importe quel agent — ou la session suivante — peut la reprendre avec tout le contexte.
Explicable & auditable
Chaque fait rappelé remonte au moment où il a été écrit et à sa source, de sorte que la mémoire peut être vérifiée, corrigée et gouvernée comme toute autre donnée.
La mémoire des agents IA est le mécanisme par lequel un agent conserve et rappelle des informations au-delà d'une seule fenêtre de contexte — ce qu'un utilisateur lui a dit, ce qu'il a fait et ce qu'il a appris. Une mémoire ancrée stocke cela sous forme d'entités, de relations et de faits typés dans un graphe de connaissances plutôt que sous forme de fragments de texte vectorisés, de sorte que les agents rappellent des faits exacts au lieu de passages qui sonnent juste, et que cette mémoire peut être auditée, corrigée et réutilisée entre agents.
Donnez à un agent une conversation suffisamment longue et il oublie, se contredit ou invente discrètement des détails — car la plupart des « mémoires » ne sont qu'une base vectorielle de messages passés, récupérés par similarité alors que la vraie question est factuelle. L'approche de Scrydon traite la mémoire comme une donnée : les agents écrivent ce qu'ils apprennent sous forme d'entités et de relations dans le graphe de connaissances ancré dans l'ontologie, et le récupèrent de la même manière qu'ils récupèrent tout autre fait gouverné, provenance intacte. Cette mémoire persiste d'une session à l'autre, est partagée entre les agents qui traitent le même dossier et ne quitte jamais votre périmètre. Cette page explique ce que la mémoire d'un agent doit réellement faire, pourquoi le rappel vectoriel est insuffisant, et comment le context engineering — concevoir ce que l'agent voit — dépend d'une mémoire bien conçue.
Mémoire des agents IA dans la plateforme Scrydon
Une architecture souveraine unique et intégrée. Voici où se situe Mémoire des agents IA — mis en évidence au sein de la pile complète avec laquelle il fonctionne.
L'AI OS pour les humains et les agents IA
Couche d'ontologie et couche sémantique : un modèle unique et connecté pour vos données, connaissances et processus
Le meilleur des data lakes, des entrepôts de données et de la recherche réuni
Agents IA, flux de travail et automatisations qui s'exécutent à travers vos systèmes
Intégrez via A2A, MCP, systèmes existants et sources de données
Fédération de domaines sécurisée, partage de données de confiance et intelligence au-delà des frontières
Fondations Souveraines
Mémoire des agents IA en détail
Orchestration Humain + IA
L'AI OS pour les humains et les agents IA
L'Orchestrateur Humain + IA est le runtime opérationnel au cœur de l'AI OS — également appelé Agentic OS — qui planifie, route et gouverne chaque tâche au sein de votre entreprise, qu'elle soit exécutée par un agent IA, un système existant ou un humain.
La plupart des organisations ont des processus défaillants : encodés dans des systèmes cloisonnés ou enfermés dans la tête des collaborateurs. L'AI OS les rend visibles et exécutables. Il capte l'intention, synthétise le contexte, agit — puis réinjecte chaque résultat dans l'ontologie afin que l'exécution suivante soit plus intelligente. Le tout à l'intérieur de votre périmètre.
Cognitive Enterprise
Couche d'ontologie et couche sémantique : un modèle unique et connecté pour vos données, connaissances et processus
La plupart des organisations ont des données qu'elles ne peuvent pas exploiter — non pas parce qu'elles n'existent pas, mais parce que rien ne les relie. La couche Cognitive Enterprise est l'intelligence déterminante de l'AI OS : un modèle sémantique vivant et interrogeable des entités, processus et règles de votre organisation. C'est la source unique de vérité qui permet à chaque agent, analyste et workflow de raisonner sur votre activité avec une compréhension cohérente.
Sans elle, les agents IA raisonnent sur du bruit. Avec elle, ils raisonnent sur l'activité.
- Graphe d'entités : Modélisez clients, comptes, commandes, produits et tout concept métier — puis reliez-les par des relations typées et parcourables.
- Intégration des processus : Reliez les workflows réels aux entités de l'ontologie afin que les agents comprennent comment les données circulent dans votre activité.
- Enrichissement continu : Les agents enrichissent automatiquement les nœuds de l'ontologie avec des données fraîches issues du lakehouse, gardant le modèle à jour sans effort manuel.
L'IA agentique transforme les modèles frontier de chatbots isolés en véritables opérateurs autonomes de l'AI OS. Au lieu de simplement générer du texte, ces agents sont conçus pour exécuter les tâches que vos collaborateurs ne devraient pas traiter manuellement — raisonner, planifier et agir à travers des processus complexes en plusieurs étapes.
L'AI OS s'appuie sur un socle mêlant créativité et contrôle pour déployer efficacement des agents autonomes :
- Les workflows IA comme fondation : Le cœur de l'AI OS repose sur des workflows IA orchestrés qui relient en toute sécurité les modèles frontier, les outils internes et la mémoire d'entreprise.
- Flux déterministes et non déterministes : En combinant les capacités de raisonnement de l'IA frontier avec des workflows stricts et déterministes, l'AI OS garantit à la fois adaptabilité et prévisibilité absolue dans les processus critiques.
- Exécution autonome : Les agents agissent de manière autonome dans des limites définies, récupérant le contexte depuis votre data lakehouse et exécutant des actions via des outils approuvés.
Déployés en toute sécurité au sein de votre infrastructure, ces agents puisent dans votre cognitive enterprise pour agir avec discernement. Des garde-fous stricts, fondés sur des politiques, les maintiennent fermement dans les limites définies par votre organisation, assurant un équilibre parfait entre productivité et sécurité de niveau entreprise.
Ce qu'est réellement la mémoire des agents IA
La fenêtre de contexte d'un agent est une mémoire de travail à court terme — elle se réinitialise à chaque session et ne peut contenir qu'une quantité limitée d'informations. La mémoire d'agent est ce qui survit au-delà : les faits, les préférences et les décisions antérieures dont un agent a besoin pour reprendre là où il s'était arrêté, ou là où un autre agent s'était arrêté. Bien conçue, cette mémoire sépare ce qui s'est passé dans une session de ce qui est durablement vrai d'une entité, et réécrit les deux sous forme de faits structurés plutôt que de transcription brute. Ce chemin d'écriture compte autant que la recherche — un agent qui ne peut pas inscrire ce qu'il apprend dans un stockage partagé et gouverné n'a pas de mémoire du tout, seulement un prompt plus long.
Contexte à court terme — La fenêtre de contexte active — ce sur quoi l'agent raisonne en ce moment, rafraîchie à chaque tour.
Mémoire à long terme — Les faits, entités et relations qu'un agent a appris et qui doivent persister après la réinitialisation de la fenêtre de contexte.
Épisodique vs sémantique — Ce qui s'est passé dans une session (épisodique) par rapport à ce qui est durablement vrai d'une entité (sémantique) — une mémoire ancrée garde les deux distincts et interrogeables.
Chemin d'écriture — Les agents inscrivent ce qu'ils apprennent dans le graphe ancré dans l'ontologie, et non dans un stockage privé propre à un fil.
Pourquoi la plupart des mémoires d'agents sont lacunaires et non auditables
La plupart des mémoires d'agents sont aujourd'hui une base vectorielle de tours de conversation passés, vectorisés et récupérés par similarité — ce qui signifie qu'elles optimisent le texte qui semble pertinent, et non les faits qui sont exacts. Compresser une conversation en un vecteur est intrinsèquement lacunaire : les détails précis se brouillent les uns dans les autres, et il n'y a derrière un fragment récupéré aucune affirmation structurée à vérifier, à corriger ou à citer. Parce que cette mémoire est généralement limitée à un fil ou à un agent, ce qui est appris lors d'un appel au support est invisible à l'agent commercial qui traite le même compte une heure plus tard. Une mémoire ancrée dans l'ontologie évite ces trois défaillances d'un coup, en écrivant ce que les agents apprennent sous forme d'entités et de relations sur le graphe même sur lequel tout le reste raisonne.
Lacunaire par conception — Vectoriser une conversation la compresse en une approximation — les faits fins sont brouillés ou perdus.
Récupère la ressemblance, pas le fait — La recherche par similarité renvoie le fragment qui ressemble le plus à la requête, pas nécessairement celui qui est vrai ou à jour.
Cloisonnée par fil — La mémoire vectorielle est généralement limitée à une conversation ou à un agent, de sorte que ce qui est appris dans une session est invisible à la suivante.
Aucune piste d'audit — Derrière un fragment récupéré, il n'y a aucune affirmation structurée — vous ne pouvez pas désigner le fait, savoir quand il a été appris, ni le corriger sans revectoriser.
Context engineering : concevoir ce que l'agent voit
Le prompt engineering consistait à bien formuler une instruction ; le context engineering consiste à décider tout le reste de ce que le modèle voit — quels faits sont récupérés, quels schémas d'outils sont exposés et quels souvenirs sont amenés dans la fenêtre avant que la génération ne commence. À mesure que les agents puisent simultanément dans le RAG, la mémoire et les appels d'outils, cet assemblage devient le problème d'ingénierie le plus difficile, et il est structurel, non stylistique. Un contexte ancré dans l'ontologie se compose de manière prévisible : les entités et les relations s'insèrent dans la fenêtre comme des faits typés et bornés, tandis que l'entassement improvisé de prompts croît de façon imprévisible et dégrade d'autant les performances du modèle. Parce que la recherche, les arguments d'outils et la mémoire puisent tous dans le même graphe gouverné, faire du context engineering sur Scrydon revient à concevoir une seule stratégie de recherche, et non trois stratégies déconnectées.
Au-delà du prompt engineering — Le prompt engineering façonne l'instruction ; le context engineering façonne tout le reste de ce que le modèle voit — faits récupérés, schémas d'outils et mémoire.
La recherche comme surface de conception — Ce qui est extrait de la mémoire et du RAG, dans quel ordre et en quelle quantité, est désormais une décision d'ingénierie explicite, et non une réflexion après coup.
Le structuré l'emporte sur l'improvisé — Un contexte ancré dans l'ontologie — entités et relations typées — se compose de manière prévisible dans une fenêtre de contexte ; du texte de prompt entassé, non.
Le même substrat, sur chaque surface — La recherche, les arguments d'outils et la mémoire puisent tous dans le même graphe gouverné, de sorte que le contexte qu'un agent assemble reste cohérent d'un outil à l'autre.
Questions fréquentes
Qu'est-ce que la mémoire des agents IA ?+
Pourquoi la mémoire d'agent fondée sur les vecteurs n'est-elle pas fiable ?+
Comment fonctionne une mémoire ancrée dans l'ontologie ?+
Qu'est-ce que le context engineering ?+
La mémoire peut-elle être partagée entre plusieurs agents ?+
Comment la mémoire des agents reste-t-elle auditable et gouvernée ?+
Explorer la plateforme
Écrivez-nous
Vous préférez écrire ? Envoyez un e-mail à hello [at] scrydon.com et nous vous répondrons.
Partenaires
