Contexte et besoin
Les agents conversationnels basés sur les grands modèles de langage (LLM) perdent leurs décisions architecturales, leurs découvertes de domaine et leurs faits opérationnels dès la fermeture de la fenêtre de contexte. Cette perte empêche la réutilisation d’informations critiques et augmente le coût de reconstruction de connaissances. OKF Agent Memory répond à ce problème en proposant une couche de mémoire standardisée, indépendante du fournisseur et stockée directement dans le dépôt Git du projet, sous le répertoire knowledge/ au format Markdown avec front‑matter YAML.
Architecture et fonctionnement
Le système repose sur la spécification OKF v0.2, qui définit un format normatif Markdown/YAML pour la provenance, les niveaux de confiance et les métadonnées de cycle de vie. La convention de mémoire impose trois règles comportementales : recherche préalable, révision des résultats et validation de confiance. Le moteur Go, fourni comme binaire unique, effectue un parsing déterministe, une validation de graphe et un index lexical BM25 entièrement en mémoire. La recherche s’effectue en moins de 300 µs, tandis que la validation du bundle complet ne dépasse pas 4 ms, grâce à l’absence de démarrage de machine virtuelle ou d’appels réseau.
# Compilation du binaire
make build
# Validation stricte du bundle
./bin/okf validate knowledge --strict --drift
# Recherche d’un concept
./bin/okf search "agent memory"
Le protocole Model Context Protocol (MCP) intégré permet aux agents d’interroger la mémoire via un serveur local, éliminant ainsi les coûts d’API externes liés aux embeddings vectoriels. Le principe "search‑before‑write" oblige le système à interroger la base avant toute écriture, limitant la duplication de concepts et les dérives hallucinationnelles.
Performances, avantages et limites
Les mesures publiées indiquent un temps de recherche inférieur à 300 µs et une validation de graphe autour de 4 ms, ce qui rend le système compatible avec des boucles d’appels d’outils à haute fréquence. L’absence de dépendances externes réduit la surface d’attaque et simplifie l’audit via les commandes Git classiques (git diff, git log). Cependant, la recherche repose sur un index lexical BM25 ; elle ne bénéficie pas des propriétés sémantiques des vecteurs, ce qui peut réduire la pertinence pour des requêtes très abstraites. De plus, la persistance dépend entièrement du dépôt Git ; les projets très volumineux peuvent subir une surcharge de stockage texte.
Le benchmark fourni, exécuté avec des modèles locaux tels que Gemma, Qwen ou Llama via LM Studio ou Ollama, montre une réduction de 80 % du nombre de tokens consommés et un gain de temps jusqu’à la première token (TTFT). Ces gains proviennent de la récupération locale et de la divulgation progressive, où les fichiers index.md hiérarchiques limitent le chargement aux concepts requis. En résumé, OKF Agent Memory propose une solution technique robuste pour la persistance de connaissances d’agents IA, avec des performances mesurables, tout en imposant les contraintes inhérentes à une approche purement textuelle et Git‑native.
