Pipeline memoire

Transforme les sessions de conversation brutes en memoire structuree et cherchable.

HOW IT WORKS

1. Scanne tous les fichiers JSONL de sessions des 24 dernieres heures
2. Extrait des resumes structures dans .daily-raw/ (retention 4 jours) et memory/interactions.md (40K chars max, fenetre glissante)
3. Declenche la reindexation QMD apres chaque execution pour garder les embeddings a jour
4. Zero tokens LLM -- parsing Python pur, aucun appel API

WHY IT MATTERS

Sans extraction, l'agent n'aurait que des logs JSONL bruts. Ce script cree la couche structuree sur laquelle tous les autres systemes memoire s'appuient.

Compresse les interactions quotidiennes en un MEMORY.md curate et durable.

HOW IT WORKS

1. Lit les resumes .daily-raw/ et memory/interactions.md
2. Utilise Claude Sonnet (~5K tokens par execution) pour resumer, fusionner et dedupliquer
3. Reecrit MEMORY.md avec le resultat condense, preserve le contexte important et supprime le bruit
4. Declenche la reindexation QMD apres chaque cycle de distillation

WHY IT MATTERS

Les interactions brutes s'accumulent vite. Sans distillation, MEMORY.md grossirait indefiniment et perdrait en signal. Le LLM agit comme curateur, ne gardant que l'essentiel.

Protege MEMORY.md contre la derive identitaire lente causee par la reecriture LLM repetee.

HOW IT WORKS

1. Maintient une copie baseline de MEMORY.md verifiee par l'humain
2. Toutes les 3h, compare le MEMORY.md actuel avec la baseline par analyse de diff
3. Si la derive depasse le seuil : archive la version corrompue, restaure la baseline et journalise l'incident
4. Archive aussi les notes temporaires (scratch notes) pour eviter l'accumulation

WHY IT MATTERS

Le script distill utilise un LLM pour reecrire MEMORY.md deux fois par jour. Sur des centaines de cycles, les petites deviations s'accumulent -- la personnalite, les instructions ou les connaissances de l'agent pourraient changer silencieusement. Le shepherd ancre tout sur une reference approuvee par l'humain.

Donne a l'agent des capacites d'introspection autonome.

HOW IT WORKS

1. L'agent ecrit des reflexions libres sur son propre comportement, ses decisions et ses interactions dans memory/reflect/
2. Les reflexions sont indexees par QMD et disponibles pour la recherche de contexte future
3. Aucune revue humaine requise -- c'est l'agent qui reflechit sur lui-meme

WHY IT MATTERS

L'auto-reflexion permet une amelioration comportementale au fil du temps. L'agent peut reconnaitre les patterns dans ses propres erreurs et s'ajuster sans correction humaine explicite.

Deduplique et re-classe les resultats des 3 sources memoire (QMD + Mem0/Qdrant + Cognee) en un seul bloc propre.

HOW IT WORKS

1. Interroge QMD, Mem0/Qdrant et Cognee en parallele via Promise.allSettled (tolere les pannes individuelles)
2. Deduplique les resultats par similarite Jaccard sur les ensembles de mots (seuil : 0.6 -- 60% de chevauchement = doublon)
3. Re-classe les resultats dedupliques via Claude Haiku avec scoring de pertinence par resultat (echelle 0-10)
4. Injecte un seul bloc memory fusionne respectant un budget de 6 000 caracteres (max 8 resultats) dans le contexte

WHY IT MATTERS

Sans fusion, les 3 sources injecteraient chacune leurs propres resultats, creant des doublons et du bruit. La fusion donne a l'agent un seul contexte memoire propre et classe au lieu de trois qui se chevauchent.