Une mémoire cognitive pour agent IA : quand SQLite remplace les bases de données vectorielles

L'un des principaux problèmes non résolus des agents IA actuels paraît faussement simple : comment leur apprendre à retenir ce qui compte et à oublier ce qui est périmé ? Dans une analyse technique détaillée publiée sur Habr, un développeur propose une solution qui va à contre-courant de l'industrie. Au lieu des populaires bases de données vectorielles, il a bâti une véritable mémoire cognitive sur un seul fichier SQLite.

Le problème qu'il décrit est familier à quiconque a tenté de créer un agent IA au long cours. La recette standard est connue : on prend un texte, on le découpe en chunks, on le convertit en embeddings vectoriels, on stocke le tout dans Pinecone ou Chroma, puis on récupère au moment de la requête les fragments les plus proches selon la distance cosinus. Sur de courtes durées, cela fonctionne.

Mais dès que l'agent vit un peu plus longtemps, le chaos s'installe : la fenêtre de contexte se remplit de fragments non pertinents, des faits contradictoires issus de périodes différentes cohabitent comme si de rien n'était, et il n'existe tout simplement aucun mécanisme d'oubli. L'agent se souvient de tout aussi bien, ce qui revient en pratique à se souvenir de tout aussi mal.

L'architecture proposée emprunte ses principes à la psychologie cognitive et aux neurosciences. La mémoire s'organise en graphe avec deux types de nœuds : les nœuds épisodiques, qui stockent des événements et des interactions concrets, et les nœuds sémantiques, qui contiennent des connaissances et des faits généralisés. Des arêtes typées relient les nœuds et traduisent la nature de leurs liens. Une couche distincte est consacrée aux entités nommées : l'agent peut ainsi suivre les mentions de personnes, d'organisations ou de concepts précis, et relier des fragments d'information épars en une vision cohérente.

Le système de recherche mérite une attention particulière. Plutôt que de s'en remettre à une seule méthode d'extraction, le développeur a mis en place une approche hybride qui combine trois mécanismes : la recherche plein texte via SQLite FTS5 pour les correspondances exactes et les mots-clés, la recherche vectorielle pour la proximité sémantique, et le parcours de graphe pour extraire les contextes liés. Les résultats des trois stratégies sont fusionnés grâce à Reciprocal Rank Fusion, un algorithme qui combine des listes classées provenant de sources différentes sans qu'il soit nécessaire de calibrer leurs scores absolus. Une solution élégante, qui permet à chaque méthode de compenser les faiblesses des autres.

Mais la partie la plus intéressante de l'architecture ne concerne pas la mémorisation : elle concerne l'oubli. Le développeur a intégré la courbe de l'oubli d'Ebbinghaus, un modèle classique de la psychologie expérimentale du XIXe siècle qui décrit l'effacement exponentiel de la mémoire au fil du temps. Chaque nœud du graphe dispose d'un indicateur de « force mémorielle » qui décroît progressivement. Les informations consultées à plusieurs reprises se renforcent, tandis que les fragments rarement sollicités passent naturellement au second plan. Une rupture nette avec la plupart des systèmes, où une donnée est soit présente, soit absente.

Un mécanisme de consolidation par LLM en arrière-plan complète le dispositif. À la manière du cerveau humain, qui traite et généralise l'information pendant le sommeil, l'agent lance périodiquement un modèle de langage pour analyser les souvenirs épisodiques accumulés. Le modèle repère des schémas, résout les contradictions et crée de nouveaux nœuds sémantiques, transformant des épisodes disparates en connaissance structurée. Il s'agit en fait d'une génération automatique de « sagesse tirée de l'expérience ».

Il faut souligner le pragmatisme technique de la solution. L'ensemble du système tourne sur un seul fichier SQLite, sans services externes, sans conteneurs Docker hébergeant des bases vectorielles, sans abonnement à un stockage cloud. Pour un agent exécuté en local, cela signifie un minimum de dépendances, un déploiement simple et un contrôle total sur les données. Malgré sa réputation de « base de données pour petits projets », SQLite a depuis longtemps prouvé sa capacité à encaisser des charges sérieuses, et l'extension FTS5 en fait un véritable moteur de recherche.

Ce projet s'inscrit dans une tendance croissante : doter les agents IA d'une mémoire plus « humaine ». De grands laboratoires comme Google DeepMind et OpenAI explorent activement les mécanismes de mémoire à long terme, mais leurs solutions restent en général liées à des plateformes propriétaires. Une architecture ouverte, déployable en local sur n'importe quelle machine, démocratise l'accès à ces capacités. Si l'approche se révèle viable à grande échelle, elle pourrait changer la façon de concevoir la mémoire des agents autonomes : passer d'une accumulation aveugle de données à une gestion raisonnée des connaissances.