🤖 AI

GAAMA: Graph Augmented Associative Memory for Agents

Le papier présente GAAMA, un système de mémoire associative augmentée par un graphe qui, grâce à une architecture hiérarchique combinant la préservation d'épisodes, l'extraction de faits et la synthèse de réflexions, surpasse les approches existantes en matière de cohérence et de personnalisation des agents IA sur plusieurs sessions.

Auteurs originaux : Swarna Kamal Paul, Shubhendu Sharma, Nitin Sareen

Publié 2026-03-31

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Swarna Kamal Paul, Shubhendu Sharma, Nitin Sareen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous parlez à un assistant virtuel très intelligent, mais qui a une mémoire très étrange : il se souvient de tout ce que vous avez dit, mais il a du mal à relier les points entre eux. Si vous lui parlez de votre voyage en Italie il y a deux ans, puis de votre nouvelle passion pour la poterie, il risque de traiter ces deux sujets comme des boîtes séparées, sans voir le lien entre votre amour du voyage et votre envie de créer des objets.

C'est le problème que résout GAAMA, un nouveau système conçu pour donner aux agents IA une mémoire à long terme qui ressemble plus à celle d'un humain qu'à celle d'une simple base de données.

Voici comment cela fonctionne, expliqué avec des images simples :

1. Le problème : La bibliothèque en vrac vs. Le cerveau organisé

Les systèmes actuels (comme le "RAG" standard) agissent comme une bibliothèque géante où les livres sont empilés au hasard. Si vous cherchez un livre sur "les vacances", l'ordinateur fouille et trouve des pages qui contiennent ce mot. Mais il ne comprend pas que "vacances" est lié à "plage", "soleil" et "détente" s'ils sont dans des livres différents.

D'autres systèmes essaient de faire des graphes (des réseaux de liens), mais ils tombent souvent dans le piège des "hubs" (des nœuds centraux trop populaires). Imaginez un réseau social où tout le monde est connecté à "Moi". Si vous cherchez une information via "Moi", vous recevez un flot de données indifférencié, comme si tout le monde parlait en même temps. C'est bruyant et inefficace.

2. La solution GAAMA : Le "Cerveau Associatif"

GAAMA construit une mémoire qui ressemble à un réseau de métro intelligent, avec des gares (les concepts) et des lignes (les liens). Voici les trois étapes de sa construction :

Étape 1 : Le Journal de Bord (Les Épisodes)

Le système enregistre d'abord mot pour mot chaque conversation. C'est comme tenir un journal intime exact.

Pourquoi ? Pour garder le contexte temporel. Si vous dites "Hier, j'ai acheté un chapeau", le système sait que "Hier" se réfère à un moment précis de la conversation, pas à n'importe quel jour.

Étape 2 : L'Extraction des Pépites (Les Faits et les Concepts)

C'est là que la magie opère. Un "cerveau" artificiel (un LLM) lit le journal et en extrait deux choses :

Les Faits : Des vérités simples et réutilisables. Au lieu de garder la phrase entière, il note : "L'utilisateur aime la poterie".
Les Concepts (La clé du système) : Au lieu de se focaliser sur les noms de personnes (ce qui crée les "hubs" bruyants), GAAMA crée des gares thématiques.
- Analogie : Imaginez que vous avez des conversations sur "la poterie", "le camping" et "la randonnée". Au lieu de tout lier à "Moi", le système crée des gares appelées poterie_loisir, voyage_camping, sport_randonnee.
- Ces gares sont des ponts. Si vous demandez des idées pour un week-end, le système peut voyager de la gare "poterie" à la gare "camping" parce que vous avez déjà parlé des deux, même si les conversations étaient séparées par des mois.

Étape 3 : La Réflexion (Les Synthèses)

Le système va plus loin en créant des réflexions. C'est comme si votre assistant prenait des notes en haut de page : "L'utilisateur préfère les activités de plein air le week-end". Cela permet de répondre à des questions complexes qui nécessitent de combiner plusieurs souvenirs.

3. Comment il trouve l'information ? (Le voyage en métro)

Quand vous posez une question, GAAMA ne fait pas juste une recherche par mots-clés (comme Google). Il utilise une combinaison intelligente :

La recherche sémantique (Le GPS) : Il cherche d'abord les souvenirs qui ressemblent le plus à votre question (comme chercher un itinéraire par le chemin le plus court).
Le PageRank Personnalisé (Le métro) : Ensuite, il regarde les liens entre les souvenirs. Si votre question est sur "la poterie", il ne s'arrête pas là. Il regarde les lignes de métro qui partent de la gare poterie pour voir si elles mènent à des souvenirs sur "l'argile" ou "les ateliers du week-end" qui étaient cachés dans d'autres conversations.

L'astuce de GAAMA : Il ne laisse pas le métro prendre le contrôle total. Il utilise un système de poids : 90% de confiance dans la recherche directe (le GPS) et 10% de confiance dans les liens du métro. Cela évite de se perdre dans des connexions inutiles tout en découvrant des trésors cachés.

4. Les Résultats : Pourquoi c'est mieux ?

Les tests montrent que GAAMA est beaucoup plus performant que ses concurrents, surtout pour :

Les questions temporelles : "Qu'est-ce que j'ai fait la semaine dernière ?" (Il garde l'ordre des événements).
Les questions complexes : "Pourquoi je n'aime pas les activités de groupe ?" (Il combine plusieurs souvenirs pour trouver la réponse).

En résumé, GAAMA transforme la mémoire de l'IA d'un tas de papiers en vrac en un réseau de connaissances vivant et connecté, capable de comprendre non seulement ce que vous avez dit, mais comment vos idées s'entrelacent au fil du temps. C'est comme passer d'un annuaire téléphonique à un véritable ami qui se souvient de votre histoire.

1. Problématique

Les agents IA interagissant avec les utilisateurs sur de multiples sessions nécessitent une mémoire à long terme (LTM) persistante pour maintenir un comportement cohérent et personnalisé. Les approches actuelles présentent des limites fondamentales :

RAG (Retrieval-Augmented Generation) plat : Il repose sur la similarité sémantique de chunks de texte, ce qui entraîne la perte des relations structurelles entre les entités, les événements et les faits à travers les conversations.
Approches basées sur les graphes existantes (ex: HippoRAG) : Bien qu'elles utilisent des graphes de connaissances, leur conception centrée sur les entités (nœuds de personnes, objets) crée un problème de "hubs" (nœuds centraux). Dans des conversations multi-sessions, les entités récurrentes accumulent des centaines de liens, diluant la précision de la recherche par Personalized PageRank (PPR).
Approches non graphiques (ex: A-Mem, Nemori) : Elles manquent souvent de chemins d'association structurés pour le raisonnement multi-sauts ou la propagation de la pertinence.

2. Méthodologie : GAAMA

GAAMA propose un système de mémoire associative augmenté par un graphe, structuré autour de deux phases principales : la construction du graphe et la recherche hybride.

A. Construction du Graphe de Connaissances (Pipeline en 3 étapes)

Le système transforme les conversations brutes en un graphe de connaissances hiérarchique via un pipeline séquentiel :

Préservation littérale des épisodes (sans LLM) : Chaque tour de conversation est stocké tel quel dans un nœud "Épisode". Cela préserve les références temporelles relatives ("hier", "la semaine dernière") et l'ordre chronologique via des arêtes de type NEXT.
Extraction de faits et de concepts (avec LLM) :
- Faits : Des assertions factuelles atomiques sont extraites des épisodes.
- Concepts : Des étiquettes thématiques (ex: pottery_hobby, camping_trip) sont générées. Contrairement aux entités (noms de personnes), les concepts évitent la formation de "méga-hubs".
- Ces éléments sont liés aux épisodes sources par des arêtes de provenance (DERIVED_FROM, HAS_CONCEPT).
Synthèse de réflexions (avec LLM) : Un second passage LLM synthétise des insights de haut niveau à partir de plusieurs faits (ex: "L'utilisateur préfère les activités de plein air le week-end"). Ces "Réflexions" permettent un raisonnement transversal entre sessions.

Schéma du Graphe :

4 types de nœuds : Épisode, Fait, Réflexion, Concept.
5 types d'arêtes structurelles : NEXT (temporel), DERIVED_FROM, DERIVED_FROM_FACT, HAS_CONCEPT, ABOUT_CONCEPT.

B. Recherche Hybride (PPR + Similarité Sémantique)

La récupération de la mémoire pour une requête donnée suit un processus en 5 étapes :

Sélection des graines (KNN) : Récupération initiale des $k$ nœuds les plus similaires sémantiquement (cosinus) à la requête.
Expansion du graphe : Exploration locale autour des graines (profondeur $d=2$ ) pour découvrir des nœuds structurellement connectés mais sémantiquement distants (ex: un fait lié à un épisode via un concept partagé).
Pondération des arêtes : Utilisation de poids spécifiques selon le type d'arête (ex: NEXT et HAS_CONCEPT ont un poids élevé de 0,8).
Personalized PageRank (PPR) avec amortissement des hubs :
- Calcul du PPR pour propager la pertinence.
- Amortissement des hubs : Si un nœud a trop de connexions (degré > 50), ses poids de sortie sont réduits pour éviter la dilution de la masse de pertinence.
Score Additif : Le score final combine la similarité sémantique et le score PPR :
$score(n) = w_{ppr} \cdot ppr(n) + w_{sim} \cdot sim(n, q)$
- Configuration clé : $w_{ppr} = 0.1$ et $w_{sim} = 1.0$ . L'approche privilégie la similarité sémantique, le graphe servant d'augmentateur subtil pour découvrir des connexions structurelles manquantes.

3. Contributions Clés

Graphe médiatisé par les concepts : Remplacement des nœuds d'entités (souvent des hubs indésirables) par des nœuds de concepts thématiques, créant un graphe plus épars (30x moins d'arêtes) et des chemins de traversal non redondants.
Hiérarchie de mémoire (Épisodes → Faits → Réflexions) : Une construction incrémentale qui préserve le contexte brut tout en distillant des connaissances réutilisables et des patterns transversaux.
Stratégie de recherche hybride légère : Démonstration qu'une faible pondération du PPR (0,1) combinée à la recherche sémantique surpasse les approches purement graphiques ou purement vectorielles, en évitant le bruit tout en améliorant la précision structurelle.

4. Résultats Expérimentaux

Le système a été évalué sur le benchmark LoCoMo-10 (10 conversations multi-sessions, 1 540 questions).

Performance Globale (Récompense Moyenne) :

GAAMA : 78,9 %
RAG Baseline (optimisé) : 75,0 %
HippoRAG : 69,9 %
Nemori : 52,1 %
A-Mem : 47,2 %

Analyse par catégorie de questions :

Multi-hop (Cat1) : +4,7 pts par rapport au RAG. La structure du graphe permet de relier des informations dispersées sur plusieurs sessions.
Temporel (Cat2) : +12,9 pts par rapport au RAG. La préservation littérale des épisodes et les arêtes NEXT permettent de résoudre les références temporelles vagues.
Domaine Ouvert (Cat3) : +4,7 pts. Le PPR aide à trouver des faits structurellement connectés que la similarité vectorielle seule manquerait.
Single Hop (Cat4) : Performance comparable au RAG (87,2 % vs 87,1 %), montrant que le graphe n'ajoute pas de bruit pour les questions factuelles simples.

Analyse d'ablation :
L'ajout du PPR (avec poids 0,1) à la recherche sémantique pure améliore la performance globale de +1,0 point de pourcentage. Cela confirme que le graphe agit comme un complément efficace plutôt que comme un remplacement de la recherche vectorielle.

5. Signification et Conclusion

GAAMA démontre que pour les agents conversationnels à long terme, la structure de la mémoire est aussi cruciale que son contenu.

Innovation majeure : Le passage d'une mémoire centrée sur les entités (souvent inefficace à cause des hubs) à une mémoire centrée sur les concepts permet un raisonnement associatif plus robuste.
Efficacité : La combinaison d'une extraction hiérarchique (faits/réflexions) et d'une recherche hybride légère offre un équilibre optimal entre précision sémantique et raisonnement structurel.
Limites identifiées : La qualité du graphe dépend fortement de la précision de l'extraction des concepts (problèmes de duplication, concepts trop génériques). Des travaux futurs pourraient inclure une normalisation des concepts et un apprentissage des poids des arêtes.

En résumé, GAAMA établit une nouvelle référence pour la mémoire des agents IA, prouvant que l'intégration de graphes de connaissances structurés, médiatisés par des concepts et utilisés avec parcimonie, permet de surmonter les limites des systèmes RAG traditionnels.