Vue d’ensemble
La mémoire de l’agent (Agent Memory) permet à votre agent de détecter, stocker et rappeler les informations spécifiques à un utilisateur entre les conversations. Lorsqu’elle est activée, l’agent analyse les messages pour en extraire le contexte utile, les stocke sous forme d’enregistrements de mémoire et injecte les mémoires approuvées dans les interactions futures — créant ainsi une expérience personnalisée pour chaque utilisateur. La mémoire de l’agent est utile pour retenir :- Les préférences de l’utilisateur — le ton souhaité, le format de réponse ou le style de workflow.
- Les faits stables de l’utilisateur — le rôle, l’équipe, l’entreprise ou les besoins récurrents.
- Le contexte important — les informations qui aident à personnaliser les interactions futures.
Fonctionnement de la mémoire de l’agent
La mémoire est activée pour l'agent
Activez l’option Enable Memory dans le panneau de paramètres de la mémoire.
L'agent analyse les conversations
Les messages de l’utilisateur sont automatiquement analysés en arrière-plan afin de détecter les préférences, faits ou contextes mémorables. L’agent effectue un contrôle de doublon par rapport aux mémoires existantes et attribue un score de confiance compris entre 0,0 et 1,0.
Les candidats sont stockés en attente
Les candidats mémoire détectés sont enregistrés avec le statut
pending. Les mémoires en attente expirent après 7 jours si elles ne sont pas examinées.Les mémoires sont approuvées ou rejetées
Les administrateurs examinent les mémoires en attente et les approuvent ou les rejettent via le panneau de gestion de la mémoire ou l’API REST.
Types de mémoire
L’agent peut capturer et stocker trois types de mémoire :| Type | Description | Exemples |
|---|---|---|
Preference | Préférences de l’utilisateur telles que le ton, le format ou le style de workflow. | « L’utilisateur préfère les résumés sous forme de puces », « L’utilisateur aime les réponses techniques concises » |
Fact | Faits stables concernant l’utilisateur tels que le rôle, l’équipe ou l’entreprise. | « L’utilisateur est CTO chez StartupCorp », « L’utilisateur est spécialisé en Python et en apprentissage automatique » |
Context | Contexte situationnel qui aide à personnaliser les interactions futures. | « L’utilisateur a une date limite de lancement de produit le mois prochain », « L’équipe de l’utilisateur utilise la méthodologie Agile » |
Statuts de la mémoire
| Statut | Description |
|---|---|
pending | La mémoire a été détectée et attend un examen. |
approved | La mémoire a été approuvée et est utilisée activement dans les réponses de l’agent. |
rejected | La mémoire a été refusée et ne sera pas utilisée. |
Cycle de vie de la mémoire
Création
- L’utilisateur envoie un message.
- L’agent analyse le message en arrière-plan.
- L’IA détecte les informations mémorables et effectue un contrôle de doublon.
- La mémoire est créée avec le statut
pendinget un score de confiance est attribué. - Un délai d’expiration de 7 jours démarre.
Approbation
- L’administrateur examine la mémoire en attente.
- La mémoire est approuvée ou rejetée.
- Si elle est approuvée, la mémoire devient active et est injectée dans les conversations futures.
- Si elle est rejetée, la mémoire est archivée.
Utilisation
- L’utilisateur lance une conversation.
- Le système charge les mémoires approuvées pour cet utilisateur.
- Les mémoires sont formatées par type et ajoutées au prompt système de l’agent.
- L’agent utilise les mémoires pour personnaliser ses réponses.
Expiration
- Les mémoires en attente expirent après 7 jours si elles ne sont pas approuvées.
- Les mémoires approuvées n’expirent pas sauf suppression manuelle.
- Les mémoires en attente expirées sont automatiquement rejetées.
Exemples
Exemple 1 : Mémoire de préférence
Exemple 1 : Mémoire de préférence
Message de l’utilisateur :
Impact futur : L’agent utilisera par défaut des exemples de code en Python lorsque l’utilisateur demandera du code.
« Je préfère recevoir des exemples de code en Python plutôt qu’en pseudo-code. »Mémoire détectée :
| Champ | Valeur |
|---|---|
| Type | preference |
| Contenu | « L’utilisateur préfère les exemples de code en Python au pseudo-code. » |
| Confiance | 0,90 |
Exemple 2 : Mémoire de fait
Exemple 2 : Mémoire de fait
Message de l’utilisateur :
Impact futur : L’agent comprendra le rôle et le contexte de l’entreprise de l’utilisateur dans toutes les conversations futures.
« Je suis CTO chez StartupCorp et nous construisons une plateforme SaaS. »Mémoire détectée :
| Champ | Valeur |
|---|---|
| Type | fact |
| Contenu | « L’utilisateur est CTO chez StartupCorp et construit une plateforme SaaS. » |
| Confiance | 0,95 |
Exemple 3 : Mémoire de contexte
Exemple 3 : Mémoire de contexte
Message de l’utilisateur :
Impact futur : L’agent privilégiera la rapidité et l’urgence dans ses réponses.
« Nous lançons notre produit le mois prochain, donc j’ai besoin que tout soit prêt rapidement. »Mémoire détectée :
| Champ | Valeur |
|---|---|
| Type | context |
| Contenu | « L’utilisateur a une date limite de lancement de produit le mois prochain nécessitant un traitement rapide. » |
| Confiance | 0,85 |