Cognee stocke la mémoire des agents dans LanceDB : un dossier par test, sans serveur
Un agent doté de mémoire a généralement besoin d'un graphe de relations, d'une base vectorielle pour la recherche sémantique et d'un code qui maintient le tout cohérent. Cognee réunit ces briques dans un seul pipeline et stocke les vecteurs dans LanceDB, une base dont les données reposent dans de simples fichiers. Chaque test, chaque utilisateur et chaque espace de travail obtient donc son propre dossier sur le disque, au lieu d'un serveur séparé. Les tests parallèles ne se perturbent pas, et un projet peut passer du portable au cloud sans réécriture.
Traité par IA depuis LanceDB Blog ; édité par Hamidun News
Pour se souvenir de ce qui s'est passé auparavant, un agent a besoin de mémoire. On l'assemble en général à partir de plusieurs composants : une base vectorielle retrouve des fragments de texte par similarité sémantique, une base orientée graphe conserve les liens entre personnes, tâches et documents, un stockage séparé héberge les fichiers eux-mêmes, et un code de liaison veille à ce que l'ensemble reste cohérent. La startup Cognee développe un moteur de mémoire qui regroupe ces composants dans un seul pipeline.
Elle stocke les vecteurs dans LanceDB, une base de données dont tout le contenu réside dans des fichiers ordinaires, sans qu'il soit nécessaire de faire tourner un serveur. Chaque test, chaque utilisateur et chaque espace de travail reçoit ainsi son propre dossier, et non sa propre instance de base. Ces informations viennent du blog de LanceDB.
Point important : il s'agit d'un cas présenté par le fournisseur, sans mesures concrètes. La hausse de précision sur les questions qui exigent plusieurs étapes de raisonnement est décrite qualitativement, sans chiffres. La valeur de ce document réside dans ses choix d'architecture, non dans ses benchmarks.
Comment fonctionne la mémoire : trois étapes et un graphe
Cognee accepte des fichiers, des API et des bases de données, et les fait passer par le pipeline Extract–Cognify–Load (ECL), c'est-à-dire « extraire, structurer, charger ». La première étape récupère les données auprès des sources. La deuxième découpe le contenu en fragments, en extrait les entités et les relations, puis ajoute le contexte temporel. La troisième écrit le résultat à deux endroits : la structure du graphe va dans le stockage graphe, les embeddings vont dans le stockage vectoriel.
L'agent peut ainsi répondre à des questions qui exigent de suivre plusieurs liens. Par exemple : « Qui doit relire la release, et quand ne faut-il pas la déployer ? » La recherche vectorielle retrouve les fragments similaires, tandis que le graphe montre comment les faits sont reliés entre eux. Les auteurs affirment que les réponses ont une provenance plus lisible : on voit de quelle source et par quelle chaîne de relations le modèle a tiré chaque fait.
Le pipeline Memify constitue une partie distincte. Une fois mis en production, il supprime les nœuds obsolètes du graphe, renforce les liens et recalcule le poids des faits importants. La promesse est simple : la qualité de la recherche progresse sans reconstruction complète de la mémoire. Dans l'exemple de l'article, deux courts échanges de chat (« on suit PEP8, on ajoute des type hints » et « pas de releases le vendredi, Suzanne vérifie les PR ») produisent un graphe, puis un type de recherche dédié en extrait les règles à appliquer au code.
Pourquoi LanceDB : un dossier plutôt qu'un serveur
L'argument d'ingénierie principal est le modèle d'isolation. Cognee veut que chaque développeur, chaque utilisateur et chaque exécution de test dispose d'un espace totalement indépendant. Une base vectorielle classique exige pour cela des serveurs, des ports et de l'orchestration. LanceDB stocke ses données dans des fichiers, si bien qu'un espace de travail n'est qu'un répertoire sur le disque. Créer un stockage vierge pour un test, puis le supprimer après l'exécution, ne coûte presque rien.
Les avantages pratiques mis en avant par les auteurs :
- les tests parallèles en CI ne partagent pas d'état, ce qui réduit les bugs intermittents ;
- les démonstrations et les bacs à sable se créent et se jettent sans lancer de services ;
- un nouveau développeur démarre en local sans infrastructure dédiée ;
- les données sources et les embeddings sont stockés ensemble, sans code de synchronisation.
Pour le développement à plusieurs, l'économie est notable. Chaque instance de base vectorielle a un coût et demande de l'attention, alors qu'un répertoire sur le disque ne coûte rien. LanceDB propose par ailleurs des index dont on peut régler l'exhaustivité de la recherche, la latence et l'empreinte mémoire. Le conseil du document est pertinent : partir des réglages par défaut, vérifier le comportement, puis seulement ajuster l'index et la quantification en fonction du coût et de la latence visés.
Du portable à la production
En local, l'équipe travaille avec l'interface de Cognee : elle connecte les données, construit la mémoire, examine les réponses et le graphe de raisonnement. Lorsque le besoin d'échelle et de contrôle se fait sentir, le même projet est transféré vers le service cloud de Cognee (cogwit), qui ajoute la mise à l'échelle automatique et la gestion des accès. Selon les auteurs, les structures de données et l'API restent identiques, ce qui évite de réécrire le système.
Ce que cela change concrètement
L'idée est utile que vous adoptiez Cognee ou non. Si votre agent perd le contexte entre les sessions, et que vos tests de mémoire échouent à cause d'un état partagé, il vaut la peine de passer à une isolation par dossier et de conserver les données à côté de leurs vecteurs. Si vous avez besoin de réponses fondées sur une chaîne de faits, un graphe superposé à la recherche vectorielle paraît une complexité justifiée.
Les limites sont tout aussi claires. Les affirmations sur la hausse de précision et les gains de temps ne sont étayées par aucun chiffre dans le texte, et l'isolation par fichiers convient au développement et aux tests, mais en production sous forte charge, le fonctionnement du stockage devra être profilé séparément. Avant tout déploiement, il est judicieux de mener une petite expérience sur vos propres données et de comparer les réponses avec et sans graphe.
- 21 nov. 2026Meta prépare Muse Charm, un tamagotchi IA à 300 $ avec un an de 5G Verizon
- 21 nov. 2026Dreamteam lève 53 M$ pour un CRM qui se remplit tout seul à partir des e-mails et des appels
- 21 nov. 202622 agents Claude ont cherché pendant six semaines des réponses sur les trous noirs — et ont résolu deux problèmes
- 21 nov. 2026Google a construit une copie fermée d'internet avec de fausses banques pour entraîner les agents IA de Chrome
Questions clés sur cet article
Comment fonctionne la mémoire : trois étapes et un graphe?
Cognee accepte des fichiers, des API et des bases de données, et les fait passer par le pipeline Extract–Cognify–Load (ECL), c'est-à-dire « extraire, structurer, charger ». La première étape récupère les données auprès des sources. La deuxième découpe le contenu en fragments, en extrait les entités et les relations, puis ajoute le contexte temporel. La troisième écrit le résultat à deux endroits : la structure du graphe va dans le stockage graphe, les embeddings vont dans le stockage vectoriel.
Pourquoi LanceDB : un dossier plutôt qu'un serveur?
L'argument d'ingénierie principal est le modèle d'isolation. Cognee veut que chaque développeur, chaque utilisateur et chaque exécution de test dispose d'un espace totalement indépendant. Une base vectorielle classique exige pour cela des serveurs, des ports et de l'orchestration. LanceDB stocke ses données dans des fichiers, si bien qu'un espace de travail n'est qu'un répertoire sur le disque. Créer un stockage vierge pour un test, puis le supprimer après l'exécution, ne coûte presque rien.
Que sait-on sur Du portable à la production ?
En local, l'équipe travaille avec l'interface de Cognee : elle connecte les données, construit la mémoire, examine les réponses et le graphe de raisonnement. Lorsque le besoin d'échelle et de contrôle se fait sentir, le même projet est transféré vers le service cloud de Cognee (cogwit), qui ajoute la mise à l'échelle automatique et la gestion des accès. Selon les auteurs, les structures de données et l'API restent identiques, ce qui évite de réécrire le système.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.