Résumé technique : La mémoire d'agent est-elle une base de données ? Repenser les fondements des données pour la mémoire à long terme des agents IA

1. Énoncé du problème

Les systèmes actuels de mémoire d'agent IA et les paradigmes de bases de données traitent la mémoire comme un mécanisme de stockage statique, reposant sur des opérations CRUD (Créer, Lire, Mettre à jour, Supprimer) au niveau des enregistrements. Cette abstraction ne permet pas de répondre aux exigences des agents IA de longue durée, qui doivent maintenir, réviser et raisonner sur des informations à travers plusieurs sessions. Les auteurs identifient quatre modes de défaillance récurrents inhérents aux approches actuelles de type « append-only » (ajout uniquement) ou « pilotées par la capacité » :

1. Croissance non régulée : De nouvelles informations sont ajoutées aveuglément, entraînant l'accumulation d'entrées redondantes et peu pertinentes, ce qui étouffe le contenu utile et augmente les coûts d'inférence.
2. Absence de révision sémantique : Les mises à jour sont stockées sous forme de nouveaux enregistrements à côté des versions obsolètes plutôt que d'être intégrées. Cela conduit à des contradictions où un agent peut récupérer des faits périmés (par exemple, une ancienne date limite) au lieu de l'état actuel.
3. Absence d'oubli sélectif : L'éviction est généralement pilotée par l'âge ou la capacité (FIFO) plutôt que par la pertinence pour l'utilisateur. Des faits critiques peuvent être écartés tandis que des données triviales persistent.
4. Récupération en lecture seule : Les opérations de récupération renvoient des faits sans mettre à jour l'état de la mémoire. Par conséquent, les informations fréquemment consultées ne gagnent pas de « saillance » ni de protection contre l'oubli, entrant en concurrence à égalité avec du contenu périmé.

L'article soutient que ce ne sont pas des bogues d'implémentation, mais des limitations structurelles du traitement de la mémoire comme une collection d'enregistrements. La justesse dans la mémoire à long terme est une propriété de la trajectoire d'état (la manière dont la mémoire évolue dans le temps), et non de la justesse des enregistrements individuels.

2. Méthodologie : Mémoire Évolutive Gouvernée (GEM)

Les auteurs proposent la Mémoire Évolutive Gouvernée (GEM), une nouvelle abstraction de gestion des données qui déplace le focus des opérations au niveau des enregistrements vers des opérateurs au niveau de l'état.

2.1 L'abstraction GEM

La mémoire est formalisée comme un état global $M_t = (D_t, S_t, P_t)$ au temps $t$ :

• $D_t$ (Contenu) : Unités sémantiques (par exemple, des sujets) qui détiennent des histoires de valeurs et des signaux de saillance, plutôt que des enregistrements isolés.
• $S_t$ (Structure) : L'organisation structurelle reliant les unités sémantiques via des arêtes typées (par exemple, des arêtes « d'extension » pour la propagation de dépendances, des arêtes « d'association » pour le contexte).
• $P_t$ (Politiques) : Règles déclaratives $\langle \text{événement}, \text{condition}, \text{action} \rangle$ qui régissent comment l'état est autorisé à changer.

2.2 Opérateurs au niveau de l'état

GEM remplace le CRUD par quatre opérateurs qui agissent sur l'état global sous contraintes de politiques :

1. Ingestion : Intègre une nouvelle entrée dans des unités sémantiques existantes, en ajoutant des histoires de valeurs plutôt que de créer des enregistrements dupliqués.
2. Révision : Réconcilie les unités se chevauchant et propage les mises à jour le long des arêtes typées (dépendances) tout en préservant la provenance des valeurs supplantées.
3. Oubli : Régule l'influence du contenu en fonction des signaux de pertinence (saillance) plutôt que de l'âge. Il emploie une échelle d'atténuation graduée (compression $\to$ masquage $\to$ archivage) plutôt qu'une suppression binaire.
4. Récupération : Une opération modifiant l'état qui renvoie une sortie et met simultanément à jour la saillance des unités consultées, renforçant ainsi les faits importants.

2.3 Conditions de justesse

L'article définit six conditions de justesse (C1–C6) qui régissent la trajectoire de la mémoire :

• C1 (Validité de la requête) : Renvoie la valeur la plus récente non archivée.
• C2 (Validité de la transition) : Garantit qu'aucune valeur supplantée n'est renvoyée comme actuelle après une révision.
• C3 (Cohérence des dépendances) : Les mises à jour se propagent le long des arêtes typées vers les unités dépendantes.
• C4 (Préservation de la provenance) : L'oubli et la révision préservent la chaîne d'historique des unités accessibles.
• C5 (État actif borné) : La taille de la mémoire active est bornée par la pertinence définie par la politique, et non seulement par la capacité.
• C6 (Adaptation induite par la récupération) : Chaque récupération met à jour la saillance des unités consultées.

2.4 Observations structurelles

Les auteurs présentent trois observations structurelles prouvant qu'aucun système au niveau des enregistrements (quel que soit le modèle de stockage) ne peut satisfaire ces conditions :

1. Récupération : Une récupération purement fonctionnelle ne peut satisfaire C6 (mises à jour de saillance) car l'étape de modification de l'état est découplée de la requête.
2. Oubli : La rétention pilotée par la pertinence (C5) est inapplicable sur des moteurs CRUD si la récupération est en lecture seule.
3. Ingestion/Révision : Un stockage append-only sans unités sémantiques ne peut satisfaire C2 (validité) ou C3 (propagation des dépendances) car le moteur manque de mécanismes pour sélectionner entre des valeurs coexistantes ou parcourir des dépendances sémantiques.

3. Implémentation : Prototype MemState

Pour valider la faisabilité, les auteurs ont construit MemState, un prototype implémenté sur Kuzu, un moteur de graphes de propriétés intégré.

• Modèle de données : La mémoire est représentée comme un graphe de « sujets » (unités sémantiques). Chaque sujet contient des champs avec des histoires de valeurs (tuples de valeur, horodatage, provenance) et des embeddings.
• Opérateurs :
  • Ingestion : Le LLM sélectionne un sujet hôte et ajoute de nouvelles valeurs aux histoires de champs.
  • Révision : Détecte les conflits et propage les changements le long des arêtes « d'extension ».
  • Oubli : Applique une atténuation graduée basée sur les scores de saillance (augmentant à l'accès, décroissant en cas de non-utilisation).
  • Récupération : Achemine les requêtes vers les sujets et incrémente la saillance des unités consultées au sein de la même transaction.
• Application des politiques : Les politiques sont évaluées par rapport à la transition d'état proposée ($M_{t+1}$) avant l'engagement. Les transitions violant les règles sont annulées, garantissant ainsi C2 (Validité de la transition) par construction.

4. Résultats et découvertes

• Faisabilité : MemState démontre que GEM peut être réalisé sur une infrastructure commerciale (graphes de propriétés) en reconstruisant les histoires de champs, les arêtes de propagation et les vérifications de politiques à partir de primitives génériques.
• Identification des écarts : Le prototype révèle que, bien que GEM soit faisable, les moteurs actuels ne sont qu'une « couche de compatibilité ». Ils manquent de support natif pour :
  • Des attributs bitemporels de premier ordre pour les histoires de champs.
  • Des sémantiques de propagation attachées au schéma.
  • Un indexage unifié pour la similarité sémantique et les prédicats temporels.
  • Des primitives de récupération-écriture qui unifient la recherche et les mises à jour de saillance.

5. Importance et programme de recherche

L'article reframe la mémoire à long terme des agents non pas comme un problème de base de données, mais comme une nouvelle charge de travail de gestion des données définie par la justesse de la trajectoire d'état. Les auteurs esquissent trois directions de recherche spécifiques requises pour construire un moteur natif pour cette charge de travail :

1. Un moteur natif pour la mémoire gouvernée : Nécessite de co-localiser les sujets, les histoires et les embeddings sur des pages ; un indexage unifié pour les requêtes sémantiques et temporelles ; et des opérateurs qui traitent la récupération comme une opération d'écriture.
2. Justesse et évaluation : Appelle à des « benchmarks de trajectoire » mesurant l'évolution de l'état (C2–C6) plutôt que simplement le rappel au niveau de la réponse. Il propose également un langage de politique déclaratif pour la résolution de conflits et des contrôleurs appris contraints.
3. Vie privée et multi-locataire : Aborde le nouveau défi de la « fuite d'information induite par la récupération », où les mises à jour de saillance dans une instance de mémoire partagée peuvent fuiter des informations entre locataires, et la difficulté de l'« effacement vérifiable » dans un état évolutif avec des chaînes de provenance.

Conclusion : L'article conclut que pour que les agents IA à long terme fonctionnent de manière fiable, la mémoire doit évoluer d'une couche de stockage passive vers une charge de travail active et gouvernée de gestion des données, où la justesse est définie par la trajectoire de l'état, et non par l'intégrité des enregistrements individuels.