AgentMemory

AgentMemory — un système de mémoire ouvert à long terme pour les agents d'IA qui résout le problème fondamental de la perte de contexte entre les sessions. Au lieu de réexpliquer les mêmes détails à l'agent à chaque fois — par exemple, quel intergiciel d'autorisation que vous utilisez et pourquoi — vous avez configuré l'environnement une fois, et l'agent se souvient pour toujours.

Lors de la deuxième session, l'agent sait déjà que vous travaillez avec Jose, où se trouvent les tests, et quelles sont les raisons qui ont conduit à choisir cette bibliothèque particulière. Pas de copier-coller à partir de conversations précédentes ou de ré-entrer dans le contexte. Toutes les informations nécessaires sont enregistrées automatiquement.

Comment fonctionne la mémoire d'agent

Le système repose sur une recherche hybride combinant trois approches : BM25, la recherche vectorielle et un graphique de connaissance avec fusion RRF des résultats. Cela permet de trouver rapidement et avec précision les informations nécessaires dans la mémoire accumulée. Sur la référence LongMemEval-S, qui comprend 500 questions, Le système affiche des résultats élevés : R@5 = 95,2% et MRR = 88,2%, tandis que le BM25 pur montre 86,2%.

Capture automatique du contexte

La capture de contexte se passe par des crochets sans appels manuels et sans avoir besoin d'ajouter quoi que ce soit aux invites. Le système lui-même détermine quand et quelles informations enregistrer. C'est un processus entièrement automatisé.

Caractéristiques de l'agent

Pour qui AgentMemory convient-il ?

AgentMemory est destiné aux développeurs et aux équipes qui utilisent activement les assistants AI dans leur travail quotidien. L'outil sera particulièrement utile pour ceux qui passent beaucoup de temps à réexpliquer le contexte dans chaque nouvelle session.

Développeurs travaillant avec des assistants AI

Si vous utilisez Claude Code, Cursor, Copilot CLI, Codex ou d'autres outils similaires, AgentMemory vous évitera de devoir décrire la structure du projet, les technologies utilisées et les décisions prises à chaque fois. Un serveur, une mémoire — partagé sur tous les outils à la fois.

Équipes travaillant sur des projets à long terme

Dans les projets où la cohérence des actions et la préservation de l'historique des décisions comptent, la mémoire partagée devient critique. AgentMemory préserve le contexte entre les sessions pour tous les membres de l'équipe travaillant avec les agents de l'IA.

Comment utiliser AgentMemory?

Installation et connexion

L'installation prend une commande via npm ou npx. Après cela, l'agent télécharge les instructions indépendamment, démarre le serveur mémoire, et se connecte à lui.

Mise en place de l'autorisation et intégration

L'outil se connecte à la plupart des agents populaires via MCP, plugins natifs ou API REST. Après avoir mis en place l'autorisation JWT lors de la première session, l'agent s'en souviendra dans tous les suivants.

Utilisation en mode local

Pour une autonomie totale et un coût zéro, vous pouvez utiliser des embarquations locales basées sur tout-MiniLM-L6-v2. Cela permet de travailler sans frais de jeton externe.

Principales caractéristiques de AgentMemory

Recherche hybride. La combinaison de BM25, de recherche vectorielle et d'un graphique de connaissance avec la fusion RRF assure une grande précision dans la recherche d'informations en mémoire.

Capture automatique du contexte. Crochets automatiquement intercepter et enregistrer le contexte important sans appels manuels ou changements rapides.

Intégration multi-agents. Une installation fonctionne avec tous les principaux outils AI simultanément à travers différents protocoles de connexion.

Stockage persistant. La mémoire n'est pas réinitialisée lorsqu'une nouvelle session démarre, permettant à l'agent d'utiliser les connaissances accumulées.

Avantages de AgentMemory

Des économies symboliques. L'approche "coller tous les contextes manuellement" consomme 19,5M+ jetons par an et dépasse souvent la fenêtre contextuelle. AgentMemory s'adapte à environ 170K jetons à un coût d'environ 10$ par année — ou 0$ du tout lors de l'utilisation d'intégrations locales.

Mémorisation automatisée. Pas besoin d'enregistrer manuellement le contexte ou d'ajouter des instructions aux invites — le système le fait lui-même.

Stockage unifié pour tous les outils. Un serveur mémoire sert tous les assistants AI simultanément, créant un espace de connaissance unifié.

Ouverture et reproductibilité. Le projet est entièrement ouvert, les repères sont reproductibles localement et des comparaisons avec les concurrents sont disponibles dans le dépôt.

Inconvénients de l'agentMemory

La principale limite est que la pleine utilisation nécessite des compétences techniques: vous devez configurer l'autorisation JWT, comprendre comment les crochets fonctionnent, et comment intégrer via l'API MCP ou REST. C'est un outil pour les développeurs, pas pour les utilisateurs finaux.

Il convient également de noter que les données de performance précises sur les tâches réelles sont actuellement limitées à des repères — les informations sur le comportement dans les environnements de production sont insuffisantes dans les sources ouvertes.

Quels problèmes AgentMemory résout-il ?

Éliminer les explications de contexte répétées. L'agent se souvient de tous les accords, paramètres et décisions entre les sessions, ce qui permet de gagner du temps au développeur.

Réduction de la consommation de jetons. Au lieu de 19,5M+ jetons par an, le système consomme environ 170K – 100 fois moins.

Prévenir le débordement des fenêtres contextuelles. Le collage manuel de tous les contextes provoque souvent un débordement de fenêtre. AgentMemory stocke l'information efficacement.

Préserver l'historique des décisions. Le graphique des connaissances ne contient pas seulement des faits, mais aussi les liens entre eux, y compris les raisons qui sous-tendent les décisions.

AgentPrix de mémoire

Le modèle de distribution est gratuit. Cela signifie que l'outil lui-même est gratuit. Lors de l'utilisation d'intégrations intégrées basées sur tout-MiniLM-L6-v2, les coûts sont nuls. Si vous utilisez des API externes pour l'intégration, le coût estimé est environ 10 $ par année avec une consommation d'environ 170 K de jetons — nettement moins cher que l'approche standard du contexte de collage manuel.

Conditions d'utilisation de AgentMemory

Le projet est distribué sous forme de logiciel libre. Les développeurs peuvent librement étudier le code source, reproduire les repères localement et comparer les performances avec des solutions concurrentes. Des données comparatives sont disponibles dans le dépôt du projet.

Disponibilité de l'agentMemory

L'outil est disponible pour l'installation via npm ou npx avec une seule commande. Il s'intègre aux agents d'IA suivants : Claude Code, Cursor, Copilot CLI, Codex, Gemini CLI, Aider, Windsurf, etc. La connexion se fait via MCP, plugins natifs ou API REST, ce qui garantit une large compatibilité avec les outils de développement existants.

Comment AgentMemory diffère des alternatives

La différence clé est la combinaison de recherche hybride et de capture automatique du contexte. De nombreuses solutions offrent une recherche vectorielle uniquement ou des bases de données simples. AgentMemory combine trois approches (BM25, recherche vectorielle, graphique des connaissances), ce qui améliore l'exactitude de la recherche d'information.

La deuxième différence importante est la polyvalence. Un serveur de mémoire fonctionne simultanément avec la plupart des agents AI. Cela élimine la nécessité de configurer une mémoire séparée pour chaque outil.

La troisième différence est la rentabilité. 170K jetons par an vs 19,5M+ avec l'approche manuelle — une différence d'ordre de grandeur. La possibilité d'utiliser des emboîtements locaux rend le système complètement libre.

Enfin, l'ouverture du projet permet de vérifier indépendamment les paramètres revendiqués au moyen de repères reproductibles.

Conclusion

AgentMemory est une solution pratique au problème de la perte de contexte chez les agents d'IA. Il permet aux développeurs d'éviter d'avoir à réexpliquer les détails du projet, de préserver automatiquement le contexte à travers des crochets et de réduire significativement la consommation de jetons — environ 100 fois par rapport à l'approche manuelle. La recherche hybride combinant BM25, les ancrages vectoriels et un graphique de connaissance assure une grande précision dans la recherche d'informations, confirmée par des repères. Le modèle de distribution ouverte, le support de la plupart des agents populaires, et la capacité de travailler entièrement localement rendent l'outil accessible à un large éventail de développeurs. Le projet ressemble à une alternative convaincante à la gestion manuelle du contexte et aux solutions fermées.