Selection semantique de memoire
L'agent ne se souvient pas de tout, il se souvient de ce qui est pertinent.
Un agent peut avoir des milliers de souvenirs en memoire. Tout injecter dans le contexte a chaque message serait impossible et contre-productif. La selection semantique resout ce probleme.
Quand un nouveau message arrive, le systeme analyse son contenu et identifie les souvenirs les plus pertinents. La selection combine plusieurs signaux : proximite semantique, recence, frequence de rappel, et importance.
Le resultat est un contexte enrichi avec exactement les bons souvenirs. L'agent semble se souvenir naturellement des informations pertinentes, comme le ferait un collaborateur humain.
Analyse du message
Le message entrant est transforme en vecteur semantique et analyse pour en extraire les themes et entites cles.
Recherche vectorielle
Les souvenirs proches semantiquement sont identifies via une recherche dans la base vectorielle (Qdrant, pgvector).
Scoring multi-criteres
Chaque souvenir candidat recoit un score combine : pertinence semantique (40%), recence (20%), frequence de rappel (20%), importance (20%).
Selection
Les N souvenirs les mieux scores sont selectionnes (N configurable, typiquement 5-15).
Injection
Les souvenirs selectionnes sont injectes dans le contexte de l'agent, dans une section dediee, avant que l'agent ne formule sa reponse.
Continuite de projet
Un utilisateur reprend un projet apres 2 semaines d'absence. A son premier message mentionnant le nom du projet, l'agent se rappelle automatiquement les derniers choix techniques.
Preferences implicites
Un utilisateur mentionne qu'il travaille sur un composant React. L'agent se souvient que cet utilisateur prefere TypeScript strict et les hooks aux classes.
Multi-utilisateurs
Chaque utilisateur a son propre ensemble de souvenirs. Quand Alice parle du dashboard, l'agent se souvient du dashboard EasyBoard. Quand Bob en parle, il se souvient du dashboard Monitoring.
featurePages.memorySelection.config
- Actif par defaut sur tous les agents EasyClaw v2
- Requiert un backend vectoriel (Qdrant, pgvector, ou Cognee)
- Fonctionne en synergie avec Extract-Memories et Auto-Dream