Codex transformé en assistant personnel avec une mémoire sur Markdown, Git et Telegram

Sur Habr AI, une étude de cas détaillée a été publiée sur la façon dont Codex a été transformé d'un agent de codification en un assistant personnel avec mémoire à long terme. Au lieu de bases de données vectorielles et de RAG complexe, l'auteur a construit un système gérable basé sur Markdown, Git, des rôles, des automatisations et des sources externes comme Telegram et Anki.

Pourquoi Pas RAG

L'auteur commence par un problème simple : un chat IA typique répond bien au moment présent, mais a du mal à vivre dans le temps. Chaque nouveau dialogue perd une partie du contexte, distingue mal les faits stables des notes temporaires et des hypothèses, et la personnalisation reste enfermée dans un fil spécifique. Pour un assistant personnel, ceci est insuffisant, car il doit non seulement répondre aux questions mais aussi se souvenir des habitudes, des objectifs, de l'historique des décisions et des scénarios récurrents.

Au lieu d'une pile typique avec embeddings, vector DB et GraphRAG, il a choisi une option plus transparente : une hiérarchie de fichiers Markdown dans Git. Cette approche, selon lui, fonctionne mieux sur un corpus de connaissance petit à moyen qui peut être organisé en une structure claire. Les fichiers sont lisibles par l'homme, facilement versionnés, ne cachent pas la logique de recherche dans une boîte noire et vous obligent à réfléchir non seulement à la récupération mais aussi à la discipline de stockage.

L'idée principale de l'article est celle-ci : dans la mémoire personnelle, l'architecture et les règles importent plus que la dernière technologie à la mode.

Comment Fonctionne Jarvis

Jarvis est construit sur un référentiel divisé en plusieurs couches : profile pour les informations utilisateur stables, areas pour les principales sphères de la vie, events pour la chronologie, preferences pour les contraintes et les modèles, roles pour les modes de réponse, skills pour les procédures locales, assets pour les sources externes et inbox pour le matériau brut.

Le point n'est pas les dossiers eux-mêmes, mais que l'agent se voit donner un comportement strict : d'abord rechercher un contexte pertinent, puis répondre, et si nécessaire aussi mettre à jour la mémoire sans polluer tout le système.

La valeur pratique émerge dans des scénarios spécifiques que l'auteur a déjà liés à Codex :

• Rôle de professeur d'anglais qui s'appuie sur l'historique des cours et peut travailler avec AnkiConnect
• Analyse quotidienne des réductions en magasins et assemblage d'un régime économique pour la prise de masse
• Réassemblage hebdomadaire d'un plan sportif basé sur la charge actuelle et la récupération
• Brefs résumés des tâches, des décisions non résolues et des résultats personnels hebdomadaires
• Connexion des archives Telegram, où près de 300 mille messages et plus de 3 mille messages vocaux se sont déjà accumulés

Un accent particulier est mis sur les rôles et les automatisations. Le même agent peut agir comme un assistant de vie contextuel, analyste, opérateur de procédures de routine ou assistant de bien-être. Grâce à cela, les réponses ne sont pas génériques mais liées aux tâches réelles de l'utilisateur.

Telegram ici est nécessaire non pas comme un stockage infini de données brutes, mais comme une source pour la normalisation : les messages sont indexés par année, les messages vocaux sont transcrits, les cartes de personnes et les synthèses générales sont mises à jour en fonction des dialogues. Sans cette couche de nettoyage, la mémoire se transforme rapidement en un dépotoir, et les permissions d'écriture trop larges commencent à générer du bruit et des doublons.

«

Chaque subagent est comme une pieuvre dans un aquarium séparé. »

Ce Que Cela Signifie

L'article montre clairement où se déplace aujourd'hui le foyer pratique autour des agents IA. Pour les assistants personnels et les scénarios de travail avec Copilot, le gagnant ne sera pas celui qui a simplement un modèle plus fort, mais celui qui conçoit mieux la mémoire, les rôles, les limites d'accès et les coûts de maintenance. Si cette couche est rendue transparente et peu coûteuse à maintenir, même un agent de codification ordinaire peut commencer à fonctionner comme un véritable assistant numérique utile, surtout où il est critique de se souvenir de la personne et de ne pas perdre le contexte entre les sessions. C'est exactement ce qui rend cette approche pratique.