Leonie Monigatti présente dans cet article technique l'évolution architecturale depuis le RAG vanilla (2020) vers l'Agent Memory, traçant la progression de la manière dont les systèmes IA accèdent aux connaissances externes et les gèrent, avec un focus sur le flux bidirectionnel d'information entrant et sortant des fenêtres de contexte des LLM.

RAG vanilla (2020) : la couche fondation

Le Retrieval-Augmented Generation a introduit la récupération en un coup depuis des sources de connaissances externes. Architecture simple : stockage hors ligne + une seule récupération par requête. Question centrale : "Comment récupérer ?" La recherche sémantique via bases de données vectorielles permet d'augmenter le LLM avec de l'information externe pertinente. Limite : récupération déterministe, en une seule passe, sans raffinement adaptatif de la requête.

Agentic RAG : capacité de récupération dynamique

L'évolution introduit les appels d'outils permettant à l'agent de déterminer si une information supplémentaire est nécessaire. Le pseudo-code illustre la transition :

` SearchTool disponible → L'agent évalue la pertinence → Plusieurs tours de récupération possibles `

La question se déplace : "Comment récupérer ?" devient "Dois-je récupérer ?" L'agent décide de manière autonome quand et où récupérer l'information. La récupération devient plus stratégique, contextuelle et itérative. Mais les opérations restent en lecture seule : l'information ne circule que vers la fenêtre de contexte.

Agent Memory : gestion complète des données

"L'étape logique suivante après l'évolution du RAG vanilla vers l'Agentic RAG." Introduit un WriteTool aux côtés du SearchTool. Changement de paradigme majeur : opérations de lecture-écriture. La question devient : "Comment l'information est-elle gérée ?"

Le pseudo-code montre la transformation : ` SearchTool (lecture) + WriteTool (écriture) → Flux d'information bidirectionnel → Apprentissage persistant `

L'information circule dans les deux sens : non seulement récupérer, mais aussi stocker et modifier pendant l'inférence. Les capacités d'apprentissage persistant des agents en sont fondamentalement modifiées.

Applications pratiques démontrées

Expériences utilisateur personnalisées : le stockage de l'historique de conversation assure la continuité entre sessions. Préférences utilisateur et patterns d'interaction sont persistés.

Création automatique de souvenirs : le système extrait et stocke les détails importants (préférences, dates, noms) sans commande explicite de l'utilisateur. Gestion proactive de la mémoire.

Systèmes de mémoire multi-sources : architecture supportant des types de mémoire distincts : - Mémoire procédurale : workflows, savoir-faire - Mémoire épisodique : interactions passées, historique de contexte - Mémoire sémantique : faits, connaissances du domaine

La séparation permet des stratégies de récupération spécialisées par type de mémoire.

Nouveaux défis introduits

L'article, équilibré, souligne les défis :

Corruption de mémoire : les opérations d'écriture peuvent introduire des erreurs et des informations obsolètes. Des stratégies de validation sont nécessaires.

Complexité de gestion : versionnage, résolution de conflits et politiques de rétention deviennent nécessaires. Plus de puissance = gouvernance plus complexe.

Confidentialité : le stockage persistant soulève des questions de rétention des données, de consentement et de droit à l'oubli.

Changement de paradigme résumé

L'évolution représente un basculement fondamental des systèmes centrés sur la récupération vers la gestion complète des données. Le RAG récupérait la connaissance, l'Agentic RAG décidait quand récupérer, l'Agent Memory gère intégralement le cycle de vie de la connaissance.

Citation clé : "Agent memory represents paradigm shift from retrieval-focused systems to comprehensive data management."

Progression du framework : augmentation statique → récupération dynamique → apprentissage persistant. Chaque étape s'appuie sur les capacités précédentes en ajoutant une couche d'autonomie. L'Agent Memory permet aux agents d'apprendre des interactions, de construire des bases de connaissances et de personnaliser les réponses selon l'expérience accumulée. La transformation d'un outil de récupération en plateforme de gestion de données redéfinit fondamentalement l'architecture des agents LLM.