🧠
2 mémoires pour des IAs
qui n'oublient plus
Live Memory + Graph Memory — Architecture mémoire pour agents IA
Christophe Lesur — Cloud Temple
Open Source
Apache 2.0
MCP Protocol
Un LLM, c'est quoi au fond ?
Pour ceux qui viennent du réseau, c'est simple
f(x) = y
prompt → modèle (200 milliards de paramètres) → réponse
C'est une fonction mathématique. Rien de plus.
- 📥 Une entrée — votre prompt + contexte
- ⚙️ Un calcul — multiplication de matrices
- 📤 Une sortie — la réponse générée
Comme un serveur web qui traite une requête HTTP :
c'est 100% stateless.
Aucune mémoire entre deux appels.
Zéro. Nada.
💡 Un concept familier pour les gens du réseau !
L'amnésie en action
Ce qui se passe à chaque nouvelle session
🟢 Session 1 — 14h00
L'agent a analysé votre infrastructure, compris les dépendances réseau,
pris des décisions d'architecture, documenté les flux, écrit du code...
→ Productif, contextualisé, pertinent
🔴 Session 2 — Le lendemain
"Bonjour ! Comment puis-je vous aider ?"
→ Tout est perdu. Il repart de zéro.
C'est comme si votre meilleur ingénieur réseau avait un reset total chaque matin.
Et si vous avez 3 agents IA sur le même projet ? Chacun dans sa bulle. Aucune coordination.
Comment fonctionne notre mémoire ?
Le cerveau humain a résolu ce problème depuis des millions d'années
🔴 Mémoire de travail
Hippocampe
- ⚡ Rapide, volatile
- 📝 Notes mentales en cours
- 🔄 Capacité limitée (~7 éléments)
- ⏱️ Durée : minutes à heures
🟢 Mémoire long terme
Néocortex
- 🏗️ Structurée, durable
- 🔗 Réseau de concepts reliés
- ♾️ Capacité quasi-illimitée
- ⏱️ Durée : jours à années
Le sommeil consolide : il trie les souvenirs de la journée et les intègre dans la mémoire long terme.
C'est exactement ce que fait notre architecture.
Notre réponse : 2 mémoires
Inspirées directement de l'architecture cognitive humaine
🔴Live MemoryMémoire de travail
→
🧠Consolidation LLM"Trie et structure"
→
📘Memory BankDocumentation structurée
→
🟢Graph MemoryMémoire long terme
| 🔴 Live Memory | 🟢 Graph Memory |
|---|
| Rôle | Mémoire de travail partagée | Base de connaissances permanente |
| Durée | Session / projet | Permanent |
| Contenu | Notes live + Bank Markdown | Entités + Relations + Embeddings |
| Stack | S3 seul (pas de BDD !) | Neo4j + Qdrant + S3 |
| Analogie | Tableau blanc + cahier de projet | Bibliothèque avec index |
📖 Réf : Tran et al., 2025 — "Multi-Agent Collaboration Mechanisms: A Survey of LLMs" (arXiv:2501.06322)
🔴 Live Memory
Le tableau blanc partagé — chaque agent écrit des notes atomiques en temps réel
🤖 Agent Cline
observation Build OK, 0 erreursdecision REST plutôt que gRPCtodo Tester l'auth OAuth2
🤖 Agent Claude
observation Latence API > 200msquestion Redis ou Memcached ?progress Module auth terminé
🤖 Agent QA
issue Fuite mémoire en chargeinsight Pattern retry efficaceobservation 95% couverture tests
Architecture : Append-Only sur S3
- 📦 Pas de base de données — juste du S3
- 🔒 Pas de conflit — 1 note = 1 fichier unique horodaté
- 🐜 Stigmergie — communication indirecte via l'environnement
Comme les fourmis qui communiquent par les phéromones, pas par la parole. Chaque agent laisse des traces que les autres lisent.
🖥️ L'interface Live Memory en action
Dashboard + Timeline live + Memory Bank — tout le contexte d'un projet en un coup d'œil
📊 Dashboard (agents, stats, rules)
🔴 Timeline live (notes groupées par date)
📘 Bank Viewer (Markdown consolidé)
🔄 Auto-refresh intelligent
🧠 La consolidation LLM
Du chaos à la structure — le "sommeil" de notre architecture
📝Notes brutes47 notes · 3 agents
→
🧠LLMRules + Notes + Bank
→
📘Bank mise à jourÉdition chirurgicale
→
🗑️Notes purgéesIntégrées → supprimées
❌ Approche naïve
Le LLM réécrit tout le fichier à chaque consolidation.
Syndrome "photocopie de photocopie" :
Dégradation progressive de l'information à chaque passe.
✅ Notre approche : édition chirurgicale
Le LLM produit des opérations d'édition par section Markdown.
Ce qui n'est pas touché reste identique bit-à-bit.
Zéro perte d'information. ~50% tokens en moins.
Les Rules sont le contrat immuable : elles définissent la structure de la bank. Le LLM s'y conforme systématiquement.
📐 Les Rules en action
Le contrat immuable qui structure la mémoire — défini une fois, respecté toujours
Exemple : Rules "Standard Dev"
## Structure de la Memory Bank
projectbrief.md (fondation)
├── productContext.md pourquoi le projet existe
├── systemPatterns.md architecture & patterns
└── techContext.md stack technique & setup
└── activeContext.md focus actuel
└── progress.md journal d'avancement
## Mapping notes → fichiers
observation → activeContext.md
decision → systemPatterns.md
progress → progress.md
issue → progress.md (problèmes connus)
insight → systemPatterns.md
4 templates fournis
🖥️ Standard Dev
6 fichiers — projets logiciels, architecture, code
📚 Écriture de livre
6 fichiers — narratif, chapitres, style, compteur de mots
🏥 Suivi médical
7+2 fichiers — patients, traitements, fiabilité absolue
💼 Avant-vente B2B
5+N fichiers — personas dynamiques, qualification, offre
Les rules sont immuables après création. Elles garantissent que la mémoire garde toujours la même structure, quel que soit le nombre de consolidations.
🟢 Graph Memory
La bibliothèque intelligente — un graphe de connaissances, pas une boîte de chunks
📄DocumentPDF, DOCX, MD, HTML, CSV
→
🧠LLM + OntologieExtraction guidée
→
🔗Graphe Neo4jEntités + Relations typées
+
📐QdrantChunks vectoriels
Les ontologies : le vocabulaire métier qui guide l'extraction
⚖️ Legal
22 entités · 22 relations
☁️ Cloud
27 entités · 19 relations
🔧 Managed Svc
20 entités · 16 relations
💼 Presales
28 entités · 30 relations
📋 General
24 entités · 22 relations
L'ontologie dit au LLM quoi chercher dans les documents. Pas de relations génériques RELATED_TO : des types explicites comme DEFINES, APPLIES_TO, REFERENCES.
⚖️ L'ontologie en action
Exemple : ontologie "Legal" pour l'analyse de contrats
entity_types:
- Party # "Cloud Temple SAS", "TechCorp"
- Clause # "Article 12 - Réversibilité"
- Amount # "8 500 EUR HT/mois"
- Duration # "36 mois (durée initiale)"
- SLA # "99.95% disponibilité"
- Certification # "SecNumCloud", "HDS"
- Obligation # "Garantie de disponibilité"
... (22 types au total)
relation_types:
- PARTY_TO # Client → Contrat
- HAS_AMOUNT # Prestation → 50 000 EUR
- HAS_SLA # Service → 99.95%
- GUARANTEES # Cloud Temple → SecNumCloud
- OBLIGATES # Clause → Client
- GOVERNED_BY # Traitement → RGPD
... (22 types au total)
Le LLM reçoit l'ontologie + le document → extrait exactement les entités et relations définies. Pas de bruit, pas d'hallucination structurelle.
Résultat : le graphe de connaissances
Interface Graph Memory — Graphe interactif avec filtrage par types d'entités et de relations
💬 Interroger le graphe en langage naturel
Le panneau ASK — question → réponse LLM avec citations des documents sources
🗣️ Question en langage naturel
📊 Réponse Markdown (tableaux, listes, code)
📄 Citations des documents sources
🔬 Mode Focus : sous-graphe pertinent
Pourquoi un graphe ?
Graph-First vs RAG vectoriel classique
RAG vectoriel classique
- 📦 Document → chunks → embeddings
- 🔍 Recherche par similitude cosinus
- ❓ Chunks anonymes
- 🎯 Approximatif (voisinage sémantique)
- ↔️ Recherche unidirectionnelle
Comme chercher dans Google
avec juste des mots-clés
VS
Graph-First (notre approche)
- 🔗 Document → entités + relations
- 🗺️ Navigation dans un graphe structuré
- 📄 Chaque entité liée à son document source
- 🎯 Précis (relations explicites, typées)
- 🔀 Navigation multi-hop
Comme naviguer Wikipedia :
de lien en lien, avec contexte
Graph-Guided RAG : le meilleur des deux mondes
❶GrapheIdentifie entités + documents
→
❷QdrantChunks DANS ces documents
→
❸LLMRéponse avec citations
Le graphe cible, le vectoriel précise. Pas de bruit.
🌉 Le pont entre les deux
De la mémoire de travail à la mémoire permanente
Agents IA (Cline, Claude, ...)
▼ live_note() — ~50ms
🔴 LIVE MEMORY
append-only sur S3
Notes temps réel
7 catégories · multi-agents
▼ bank_consolidate() — ~15s
📘 MEMORY BANK
Édition chirurgicale
Markdown structuré
conforme aux Rules
▼ graph_push() — ~30s/fichier via MCP
🟢 GRAPH MEMORY
Neo4j + Qdrant + S3
Entités + Relations
Interrogeable en langage naturel
⚡ Écrire vite
- Notes live : ~50ms
- Consolidation : ~15 secondes
- → Zéro friction pour les agents
🏛️ Capitaliser durablement
- Graph push : ~30s/fichier
- Interrogation en langage naturel
- → Les connaissances survivent aux projets
🏗️ Architecture technique
Vue réseau — ce que vous aimez voir
Agent Cline
Agent Claude
Agent X
▼ Streamable HTTP + Bearer Token
🔒 Caddy WAF (Coraza OWASP CRS)
Rate Limiting · TLS Let's Encrypt
← seul port :8080
Docker network interne
🔴 Live Memory MCP (:8002)
35 outils · Auth Bearer
→ S3 (Dell ECS / AWS)
→ LLMaaS (OpenAI API)
▼ MCP Streamable HTTP
🟢 Graph Memory MCP (:8002)
30 outils · Auth Bearer
→ S3 + LLMaaS
→ Qdrant (embeddings)
→ Neo4j 5 (graphe)
🔒 WAF OWASP CRS
🔑 Auth Bearer Token
📡 MCP Streamable HTTP
🐳 Docker non-root
📦 S3 source of truth
MCP (Model Context Protocol) = la norme émergente pour les outils d'IA (Anthropic, 2024).
Comme REST pour les humains, MCP pour les agents.
Des IAs qui capitalisent
❌ Avant
- Amnésie totale entre sessions
- Agents isolés, sans coordination
- Connaissances perdues
- RAG approximatif
✅ Après
- Mémoire de travail partagée
- Collaboration multi-agents
- Graphe de connaissances permanent
- Q&A précis avec sources
Open Source · Apache 2.0 · Prêt pour la production
Christophe Lesur — Cloud Temple
