Sediment Palace : mémoire locale pour les agents AI avec un modèle de couches géologiques

Les agents d'IA en 2025 ont atteint des hauteurs impressionnantes : ils écrivent du code, analysent des documents, conduisent des négociations et gèrent des outils. Mais la plupart d'entre eux ont une faiblesse fondamentale — la mémoire. Ou plutôt, son absence entre les sessions, ou des façons extrêmement rudimentaires de l'organiser.

Un développeur qui a publié du matériel sur Habr a pris deux concepts existants et les a combinés en quelque chose de nouveau — le système Sediment Palace. L'essence du modèle réside dans une analogie avec la géologie : la mémoire n'est pas organisée comme une liste plate d'enregistrements ni comme un espace vectoriel, mais comme une structure stratifiée où les données se « sédimentent » littéralement avec le temps. Les informations récentes — les événements des dernières minutes ou heures — sont dans la couche supérieure.

Elle est accessible rapidement, occupe beaucoup d'espace et n'est pas compressée. Au fur et à mesure que le temps passe, les enregistrements s'enfoncent plus profondément : ils se compriment, s'agrègent, perdent des détails mais préservent l'essence. Les couches les plus anciennes ressemblent à des fossiles : accessibles, mais sous une forme très compressée, et on y recourt rarement.

C'est une analogie directe avec le fonctionnement de la mémoire humaine. Nous nous souvenons clairement de ce que nous avons mangé au petit-déjeuner aujourd'hui, vaguement de ce qui s'est passé il y a un mois, et ne conservons que des « empreintes » compressées d'événements d'il y a de nombreuses années. Le cerveau fait exactement ce que Sediment Palace tente de reproduire en logiciel : la compression automatique de l'expérience ancienne tout en préservant ses modèles clés.

Contrairement aux approches classiques — les systèmes RAG sur les bases de données vectorielles ou les fenêtres de contexte simples — le modèle de sédimentation fonctionne localement et de manière déterministe. Il n'y a pas besoin d'API de base de données externe, pas de recherche probabiliste par embeddings, pas de dépendance à la taille de la fenêtre de contexte du modèle. L'agent lui-même gère ce qu'il se souvient et sous quelle forme.

L'auteur reconnaît : l'idée n'est pas entièrement originale. Il a pris deux approches externes — le concept de mémoire hiérarchique et la métaphore des couches géologiques — et les a combinées en une architecture fonctionnelle. Cet aveu honnête est ce qui rend la publication précieuse : dans le domaine des outils d'IA, il y a actuellement une énorme quantité de travaux qui réinventent la roue sans citer les prédécesseurs. Ici — c'est l'inverse.

L'applicabilité pratique du système est particulièrement évidente dans les scénarios avec des agents de longue durée : assistants personnels, chercheurs automatisés, agents de surveillance. Pour les tâches où une session dure non pas des minutes mais des jours ou des semaines, Sediment Palace offre un compromis entre l'exhaustivité de l'historique et le coût de son stockage.

Une question importante se pose lors de la découverte du concept : comment l'agent décide-t-il exactement ce qui faut compresser et ce qu'il faut rejeter lors de la transition entre les couches ? C'est la frontière où l'élégance architecturale se heurte aux difficultés pratiques. Toute heuristique d'« importance » est inévitablement subjective — et c'est là que réside le principal défi de tels systèmes.

Néanmoins, le simple fait de l'émergence de tels projets est révélateur. La communauté des développeurs s'engage de plus en plus non pas dans la puissance des modèles, mais dans l'infrastructure qui les entoure. La mémoire, les outils, l'orchestration — c'est la prochaine frontière. Sediment Palace est l'une des expériences sur cette frontière, digne d'attention.