Mem0 et OpenAI : bâtir une couche universelle de mémoire à long terme pour les agents IA

Les agents IA traînent un vieux problème : ils répondent bien sur le moment, mais oublient vite tout ce qui précède. Un nouveau guide pratique montre comment transformer un chat jetable en système doté d'une mémoire persistante : Mem0 extrait les faits utiles de la conversation, les modèles OpenAI aident à les structurer et à les exploiter, et ChromaDB stocke la mémoire de façon à pouvoir l'interroger par le sens, et pas seulement par mots-clés.

Le montage de base est très concret. L'auteur installe mem0ai, openai, rich et chromadb, puis crée un objet Memory avec la configuration par défaut : gpt-4.1-nano comme LLM, text-embedding-3-small pour les embeddings et ChromaDB comme base vectorielle locale. L'idée est que l'agent cesse de traîner tout l'historique du chat et ne conserve que les faits durables : la profession de l'utilisateur, sa stack de travail, ses préférences, ses projets en cours, des détails personnels et d'autres informations qui serviront vraiment lors des sessions suivantes.

La démonstration repose sur un profil de test, Alice. À partir de plusieurs courts dialogues, le système extrait automatiquement une dizaine de souvenirs distincts : l'utilisateur est ingénieur développeur, aime Python et le machine learning, préfère le thème sombre, utilise VS Code, construit un pipeline RAG pour la documentation interne d'une startup fintech, aime la randonnée et passe du temps avec son chien nommé Max. C'est un changement important : au lieu de texte brut, la base contient des enregistrements atomiques porteurs de sens, qu'on peut chercher, mettre à jour et supprimer indépendamment les uns des autres.

L'étape suivante est la recherche sémantique. Le tutoriel montre comment une question banale comme « quel IDE cet utilisateur utilise-t-il ? » devient une requête sur la mémoire limitée par user_id, et renvoie les enregistrements les plus proches avec leur score.

Par-dessus, il démontre des opérations CRUD complètes : on peut exporter tout le profil, récupérer un enregistrement précis par ID, modifier son contenu et vérifier aussitôt le résultat. Dans l'exemple, l'un des enregistrements sur le projet RAG est mis à jour avec la mention « confirmed », puis un autre souvenir est supprimé purement et simplement. Autrement dit, il ne s'agit pas d'un joli habillage de l'historique du chat, mais d'une couche de données à part, qu'on peut piloter comme un véritable sous-système.

La partie la plus pratique est la boucle de chat à mémoire augmentée. Avant chaque réponse, l'agent cherche d'abord dans la mémoire jusqu'à cinq faits pertinents, les assemble dans un system prompt, et appelle seulement ensuite le modèle gpt-4.1-nano-2025-04-14. Une fois la réponse générée, la nouvelle paire user/assistant est renvoyée dans Memory pour que la base continue de s'enrichir. Ce schéma donne à l'agent un contexte continu : il sait quelle stack vous convient, sur quoi vous travaillez et ce que vous aimez faire hors travail, sans devoir transmettre tout l'historique au modèle à chaque fois.

Deux points difficiles à écarter en production sont traités à part. Le premier est l'isolation des utilisateurs. Pour un second profil, Bob, des faits propres sont enregistrés : spécialisation en computer vision et PyTorch, travail sous Jupyter avec les raccourcis Vim.

Les requêtes pour Alice et Bob renvoient des résultats différents, ce qui confirme que la mémoire est strictement cloisonnée par user_id et ne mélange pas les données d'autrui. Le second est la configuration personnalisée. Memory peut être créé via from_config, en précisant explicitement le modèle, la temperature, la limite de tokens, l'embedder, le nom de la collection ChromaDB et le chemin de stockage.

Enfin, l'auteur montre aussi l'historique de la mémoire avec horodatage et la liste complète des enregistrements, utiles pour l'audit et le débogage.

La conclusion est simple : la mémoire à long terme des agents devient peu à peu une couche d'infrastructure à part entière, et non une fonction bonus du chat. L'association de Mem0, OpenAI et ChromaDB offre un modèle minimal clair, avec lequel démarrer en local, puis remplacer la base vectorielle par Qdrant, Pinecone ou Weaviate et intégrer la mémoire dans LangChain, LangGraph ou CrewAI. Pour les équipes qui conçoivent des assistants personnels, des bots de support ou des outils IA internes, ce n'est plus une amélioration décorative, mais un moyen de rendre les réponses cohérentes, personnalisées et maîtrisables d'une session à l'autre.