Un article de blog d'ingénierie chinois qui fait réfléchir remet en question l'approche dominante pour construire la mémoire à long terme des agents IA. L'auteur soutient que la plupart des implémentations actuelles traitent la mémoire des agents comme un simple pipeline RAG : découper les messages historiques en blocs, générer des embeddings, les stocker dans une base de données vectorielle et récupérer les résultats Top-K à la demande. Bien que cela fonctionne pour les MVP, cela ne répond fondamentalement pas aux besoins des agents de qualité production qui nécessitent un suivi des preuves, un contrôle de version et une gestion du cycle de vie des mémoires. L'article propose une architecture plus robuste où la mémoire des agents est traitée comme un système de données de première classe avec son propre schéma, versionnage et garanties de cohérence. Cela inclut le maintien de la provenance de chaque entrée mémoire, la prise en charge des mises à jour et des suppressions avec un historique approprié, et la mise en œuvre du garbage collection pour les mémoires obsolètes ou non pertinentes. L'auteur discute également des compromis entre différents backends de stockage (relationnel, graphe et vectoriel) et suggère une approche hybride.
Cet article soutient que la mémoire à long terme des agents ne doit pas être traitée comme un système RAG léger. Il propose plutôt un système de données qui maintient des preuves, un versionnage et une gestion du cycle de vie pour les mémoires des agents, allant au-delà de la simple recherche de similarité vectorielle.