Pipeline mémoire

Transforme les sessions de conversation brutes en mémoire structurée et cherchable. Première étape du pipeline, elle produit les données brutes que tous les autres systèmes consomment.

HOW IT WORKS

1. Scanne tous les fichiers de session des dernières 24 heures
2. Extrait des résumés structurés (rétention limitée) et maintient un journal glissant des interactions
3. Déclenche la réindexation QMD après chaque exécution pour garder les embeddings à jour
4. Zéro tokens LLM — parsing 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 systèmes mémoire s'appuient.

Analyse chaque session terminee et en extrait les faits significatifs : préférences utilisateur, décisions techniques, contraintes projet, contacts. Les faits sont structures, categorises et dedupliques avant d'être stockes dans la mémoire persistante.

HOW IT WORKS

1. Se déclenché automatiquement quand une conversation se termine ou atteint un seuil de longueur
2. Un modèle spécialisé identifié les faits, préférences, décisions et elements de contexte significatifs
3. Chaque fait est categorise (préférence, décision, contrainte, contact) et associé à des metadonnees (date, source, confiance)
4. Les faits déjà connus sont fusionnes ou mis à jour plutot que dupliques
5. Les souvenirs validés rejoignent la mémoire long-terme, disponibles pour Mem0 et la distillation

WHY IT MATTERS

Avant Extract-Memories, les informations precieuses des conversations étaient perdues à la fin de la session. Ce plugin assuré que les préférences, décisions et contexte projet sont automatiquement retenus, sans intervention manuelle.

Compresse les interactions quotidiennes et les extractions de faits en une mémoire curée et durable.

HOW IT WORKS

1. Lit les résumés récents, le journal d'interactions glissant et les extractions du plugin Extract-Memories
2. Utilise Claude pour résumer, fusionner et dédupliquer les entrées accumulées
3. Réécrit la mémoire curée avec le résultat condensé, préserve le contexte important et supprime le bruit
4. Déclenche la réindexation QMD après chaque cycle de distillation

WHY IT MATTERS

Les interactions brutes s'accumulent vite. Sans distillation, la mémoire curée grossirait indéfiniment et perdrait en signal. Le LLM agit comme curateur, ne gardant que l'essentiel.

Consolide la mémoire long-terme pendant les périodes d'inactivite, inspire du fonctionnement de la mémoire humaine pendant le sommeil. Complète et renforcé le travail de distill-memory.

HOW IT WORKS

1. Détecté les périodes sans interaction (nuit, week-ends, seuil d'inactivite configurable)
2. Scanne l'ensemble de la mémoire pour identifier les clusters de souvenirs proches sémantiquement
3. Fusionne les souvenirs redondants ou complementaires en un fait unique, plus complet et mieux formule
4. Quand deux souvenirs se contredisent, conserve le plus recent et archive l'ancien avec trace d'audit
5. Archive les souvenirs obsoletes (dépassés par de nouvelles informations, trop anciens sans rappel)

WHY IT MATTERS

Au fil des sessions, la mémoire accumule des centaines de faits. Sans consolidation, elle devient bruitee : doublons, informations obsoletes, fragments incomplets. Auto-Dream maintient une mémoire compacte et cohérente qui s'amélioré avec le temps.

Protège la mémoire curée contre la dérive identitaire lente causée par la réécriture LLM répétée (distill + auto-dream).

HOW IT WORKS

1. Maintient une copie baseline de la mémoire curée vérifiée par l'humain
2. Toutes les 3h, compare la mémoire curée actuelle avec la baseline par analyse de diff
3. Si la dérive dépasse le seuil : archive la version corrompue, restaure la baseline et journalise l'incident
4. Archive aussi les notes temporaires (scratch notes) pour éviter l'accumulation

WHY IT MATTERS

Distill et Auto-Dream utilisent un LLM pour réécrire la mémoire curée. Sur des centaines de cycles, les petites déviations s'accumulent — la personnalité, les instructions ou les connaissances de l'agent pourraient changer silencieusement. Le shepherd ancre tout sur une référence approuvée par l'humain.

Donne à l'agent des capacités d'introspection autonome.

HOW IT WORKS

1. L'agent écrit des réflexions libres sur son propre comportement, ses décisions et ses interactions dans son journal introspectif
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-même

WHY IT MATTERS

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

Identifié et injecte les souvenirs les plus pertinents dans le contexte de l'agent avant qu'il ne formule sa réponse. L'agent ne se souvient pas de tout -- il se souvient de ce qui est pertinent.

HOW IT WORKS

1. Le message entrant est transforme en vecteur sémantique et analyse pour en extraire les thèmes et entites clés
2. Les souvenirs proches sémantiquement sont identifiés via recherche dans la base vectorielle (Qdrant, pgvector)
3. Chaque souvenir candidat reçoit un score combine : pertinence sémantique (40%), recence (20%), fréquence de rappel (20%), importance (20%)
4. Les N souvenirs les mieux scores sont sélectionnés (N configurable, typiquement 5-15)
5. Les souvenirs sélectionnés sont injectes dans le contexte de l'agent, dans une section dédiée, avant la formulation de la réponse

WHY IT MATTERS

Un agent peut avoir des milliers de souvenirs. Tout injecter serait impossible et contre-productif. La sélection sémantique donne à l'agent exactement les bons souvenirs au bon moment, comme un collaborateur humain qui connaît bien le projet.

Déduplique et re-classe les résultats des 3 sources mémoire (QMD + Mem0/Qdrant + Graphiti) en un seul bloc propre. S'exécute après la sélection sémantique pour fusionner les résultats des différentes couches.

HOW IT WORKS

1. Interroge QMD, Mem0/Qdrant et Graphiti en parallèle avec isolation des pannes : une source défaillante n'affecte pas les autres
2. Déduplique les résultats par similarité sémantique (un seuil de chevauchement identifie les doublons)
3. Reranking listwise via gpt-4.1-nano : le modèle compare tous les résultats entre eux et retourne un ordre complet (approche RankGPT), plutôt que des scores indépendants par item — même modèle que Mem0 et Graphiti pour la cohérence de la stack
4. Injecte un seul bloc mémoire fusionné respectant un budget de contexte défini dans le prompt de l'agent

WHY IT MATTERS

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

Gère intelligemment le contexte des conversations longues pour éviter la perte d'information quand la fenêtre de contexte du modèle est atteinte. Inspire de la gestion mémoire des systèmes d'exploitation.

HOW IT WORKS

1. Surveille en continu la taille du contexte par rapport à la limite du modèle
2. A 70% de la capacité, déclenché le premier niveau de compaction
3. Résumé progressivement les échanges anciens en preservant les décisions clés, les faits importants et le fil conducteur
4. Organise le contexte en 3 niveaux : détail complet (20 derniers messages), résumé détaillé (50 precedents), résumé condense (reste)
5. Les elements marques comme critiques (décisions, code valide, instructions explicites) sont protégés de la compaction via des ancres

WHY IT MATTERS

Sans compaction, les conversations longues perdent leur debut (ou le design a été discute) quand le contexte deborde. La compaction multi-niveau permet des sessions de 3h+ sans perte de cohérence -- l'agent garde le plan global, les décisions en cours de route, et le détail complet des derniers échanges.