💬 NLP

Metis: Bridging Text and Code Memory for Self-Evolving Agents

L'article présente Metis, un système d'agent auto-évolutif qui emploie une mémoire à double représentation hiérarchique pour combiner dynamiquement le texte en langage naturel et le code exécutable, atteignant ainsi une précision de tâche et une efficacité d'exécution supérieures par rapport aux approches existantes en tirant parti des forces complémentaires de ces deux types de mémoire.

Auteurs originaux : Zijie Dai, Siuhin He, Hui Li, Qihui Zhou, Jiajun Li, Mingcong Song, Guoping Long, Hongjie Si, Xin Yao, Lin Zhang, James Cheng, Xiao Yan

Publié 2026-06-24

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zijie Dai, Siuhin He, Hui Li, Qihui Zhou, Jiajun Li, Mingcong Song, Guoping Long, Hongjie Si, Xin Yao, Lin Zhang, James Cheng, Xiao Yan

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 enseigniez à un robot assistant très intelligent, mais oublieux, comment accomplir des tâches complexes, comme gérer votre vie numérique ou diriger une petite entreprise. Chaque fois que le robot tente une tâche, il apprend quelque chose. La grande question est : comment devons-nous sauvegarder cet apprentissage pour que le robot puisse l'utiliser plus tard ?

Le papier « METIS » soutient qu'il existe deux manières principales de sauvegarder ce savoir, et que la plupart des systèmes en choisissent une seule par défaut. Les auteurs ont découvert qu'aucune de ces méthodes n'est parfaite en soi, ils ont donc construit un nouveau système qui utilise les deux de manière hiérarchique et intelligente.

Voici la décomposition utilisant des analogies simples :

1. Les deux façons de se souvenir

Le papier compare deux méthodes de stockage de l'expérience :

La Mémoire Textuelle (Le « Carnet de Notes ») :
- Ce que c'est : Le robot écrit ce qui s'est passé en anglais courant, comme une entrée de journal ou une série d'instructions.
- Avantages : C'est peu coûteux et rapide à écrire. C'est aussi très flexible. Si le robot fait face à une situation légèrement différente plus tard, il peut lire la note et comprendre comment s'adapter.
- Inconvénients : C'est lent à utiliser. Chaque fois que le robot doit accomplir la tâche, il doit lire la note, y réfléchir, puis exécuter les étapes une par une. C'est comme lire une recette à chaque fois que l'on veut faire griller du pain.
La Mémoire de Code (Le « Bras Robotique ») :
- Ce que c'est : Le robot transforme une routine en un outil pré-fabriqué ou un script qu'il peut simplement cliquer et exécuter.
- Avantages : C'est incroyablement rapide. Une fois l'outil construit, le robot appuie sur « Go » et la tâche est accomplie instantanément.
- Inconvénients : C'est coûteux et risqué à construire. Il faut le tester parfaitement pour s'assurer qu'il fonctionne. De plus, c'est rigide. Si la situation change, même un tout petit peu, l'outil peut se briser ou faire une erreur car il a été conçu pour un scénario très spécifique.

2. Le problème avec les systèmes actuels

La plupart des systèmes d'IA actuels choisissent un style et s'y tiennent.

Certains n'utilisent que le Carnet de Notes. Ils sont flexibles mais lents et répétitifs.
D'autres n'utilisent que le Bras Robotique. Ils sont rapides mais fragiles ; si le monde change, ils échouent.

Les auteurs ont découvert qu'aucun des deux n'est suffisant en soi. Vous avez besoin de la flexibilité du carnet de notes pour les nouvelles situations et de la vitesse du bras robotique pour les tâches courantes.

3. La solution : METIS (Le « Bibliothécaire Intelligent »)

Les auteurs ont créé un système appelé METIS qui agit comme un bibliothécaire intelligent qui sait exactement quand écrire une note et quand construire un outil.

Comment ça fonctionne :

La Fondation (Le Carnet de Notes) : METIS commence par tout sauvegarder sous forme de texte. Il organise ces notes en trois types spécifiques :
- Plans : Des étapes générales sur la façon de faire les choses.
- Faits : Des règles concernant l'environnement (ex : « La base de données est lente les lundis »).
- Pièges : Des avertissements sur les erreurs à éviter (ex : « Ne cliquez pas deux fois sur ce bouton »).
- Pourquoi ? Cela ne coûte pas cher et aide le robot à gérer des situations nouvelles ou étranges.
L'Amélioration (Le Bras Robotique) : METIS ne transforme pas chaque note en outil. Il observe le comportement du robot.
- Si le robot essaie d'utiliser un « Plan » spécifique de nombreuses fois pour différentes tâches, METIS se dit : « D'accord, c'est un motif récurrent ! Créons un outil permanent pour cela. »
- Il construit ensuite soigneusement un outil, le teste pour s'assurer qu'il est sûr, et l'ajoute à la bibliothèque.
- Si une note n'est qu'un avertissement ponctuel ou un fait spécifique, elle reste sous forme de texte.

Le Résultat :

Pour les tâches nouvelles ou étranges : Le robot lit les notes flexibles (Mémoire Textuelle) pour comprendre comment faire.
Pour les tâches courantes et répétées : Le robot saute la phase de réflexion et utilise simplement les outils pré-construits (Mémoire de Code).

4. Pourquoi cela importe (Les Résultats)

Les auteurs ont testé cela sur un benchmark difficile appelé AppWorld (un environnement simulé comprenant de nombreuses applications).

Meilleure Précision : METIS a résolu plus de tâches correctement que les systèmes qui n'utilisaient que des notes ou uniquement des outils.
Exécution plus Rapide : Parce qu'il utilisait des outils pour les tâches courantes, il a terminé les travaux plus rapidement et a utilisé moins de ressources informatiques.
Moins Coûteux à Construire : Curieusement, bien que la construction d'outils soit coûteuse, METIS a dépensé moins d'efforts total pour construire sa mémoire que les autres systèmes avancés. C'est parce que METIS ne construit des outils que lorsqu'ils sont réellement nécessaires (lorsqu'un motif se répète), évitant ainsi le gaspillage lié à la construction d'outils pour des tâches uniques.

Résumé par l'analogie

Imaginez que vous apprenez à cuisiner.

La Mémoire Textuelle est comme lire un livre de cuisine. C'est excellent pour apprendre de nouvelles recettes, mais vous devez lire et suivre les étapes à chaque fois.
La Mémoire de Code est comme avoir un sous-chef qui peut instantanément couper des oignons ou faire bouillir de l'eau. C'est super rapide, mais vous devez d'abord le former, et il ne peut pas gérer une recette que vous ne lui avez pas encore apprise.

METIS est le chef de cuisine qui lit le livre de cuisine pour apprendre de nouveaux plats, mais une fois qu'il réalise que « Je fais de la sauce tomate tous les mardis », il forme le sous-chef pour qu'il le fasse automatiquement. De cette façon, vous obtenez le meilleur des deux mondes : la capacité d'apprendre de nouvelles choses et la vitesse d'accomplir les tâches de routine instantanément.

Résumé Technique : METIS : Combler le fossé entre la mémoire textuelle et la mémoire de code pour les agents auto-évolutifs

Énoncé du Problème

Les agents auto-évolutifs visent à améliorer leurs performances au fil du temps en distillant l'expérience des exécutions passées et en la réutilisant dans des tâches futures. Cependant, les systèmes actuels sont confrontés à une limitation fondamentale : le choix de la représentation de la mémoire (texte en langage naturel vs code exécutable) est généralement fixé au moment de la conception plutôt que d'être dérivé des caractéristiques de l'expérience elle-même.

Les approches existantes se divisent généralement en deux catégories :

Mémoire Textuelle : Les expériences sont stockées sous forme de langage naturel et injectées dans le contexte de l'agent, ce qui nécessite que l'agent les lise et raisonne sur elles.
Mémoire de Code : Les routines passées sont encapsulées sous forme d'outils ou de services appelables que l'agent invoque directement.

Le domaine manque d'une compréhension systématique des compromis entre ces représentations. Plus précisément, il est difficile de savoir quels types d'expériences sont le mieux capturés par chacune, quels coûts elles engendrent, et comment elles devraient coopérer lorsque ni l'une ni l'autre ne suffit seule. Les systèmes actuels appliquent souvent une représentation de manière indiscriminée, échouant à équilibrer le coût de construction, l'efficacité d'exécution et la fiabilité du transfert.

Méthodologie

1. Étude de Profilage Contrôlée

Les auteurs ont d'abord mené une étude contrôlée sur le benchmark AppWorld pour isoler les effets de la mémoire textuelle et de la mémoire de code sur un ensemble identique d'expériences. Cette étude a révélé trois compromis complémentaires :

Coût de Construction : La mémoire textuelle est nettement moins coûteuse à construire. Créer un outil réutilisable nécessite une exploration, une validation et un débogage supplémentaires, entraînant environ 2,5× plus de tours ReAct et ~1M de tokens additionnels par rapport à la mémoire textuelle.
Efficacité d'Exécution : La mémoire de code offre une efficacité d'exécution nettement plus élevée. Elle compile les routines en de simples invocations d'actions, éliminant le raisonnement intermédiaire redondant requis par les directives textuelles.
Fiabilité du Transfert : La mémoire textuelle généralise de manière plus fiable aux tâches inédites. La mémoire de code, étant fragile et fixe, se dégrade considérablement (22,3 points) dans les contextes de flux continu (streaming) où les tâches varient, tandis que la mémoire textuelle ne se dégrade que légèrement (5,6 points).

Insight Clé : Aucune des deux représentations n'est suffisante seule. Le texte est peu coûteux et robuste pour une capture large, tandis que le code est efficace mais fragile et coûteux. Par conséquent, la codification doit être réservée uniquement aux expériences qui réapparaissent fréquemment et présentent des modèles procéduraux stables.

2. Le Système Metis

Guidés par ces résultats, les auteurs proposent Metis, un système de mémoire à double représentation hiérarchique.

Structure Hiérarchique : Metis maintient une mémoire $M = (M_{text}, M_{code})$ .
- Mémoire Textuelle ( $M_{text}$ ) : Sert de fondation, capturant les expériences en langage naturel. Elle est organisée en trois catégories distinctes :
  - Plans : Modèles procéduraux réutilisables pour les sous-routines récurrentes.
  - Faits : Contraintes et propriétés de l'environnement.
  - Pièges (Pitfalls) : Modèles d'échec structurés (déclencheur, erreur, conséquence).
- Mémoire de Code ( $M_{code}$ ) : Une bibliothèque d'outils appelables et validés.
Réflexion Textuelle Différenciée : Un agent de réflexion distille les trajectoires terminées en les trois catégories de texte. Il fusionne les entrées redondantes et met à jour les entrées obsolètes, garantissant que la mémoire textuelle reste générale et précise. Crucialement, cet agent opère comme une boucle de raisonnement bornée avec accès à l'environnement, et non pas seulement au texte de la trajectoire.
Génération de Code Sensible aux Motifs (Pattern-Aware) : Ce composant implémente un mécanisme de promotion sélective.
- Il ne convertit pas indistinctement toutes les expériences en code.
- Il surveille la réutilisation des Plans d'Exécution dans la mémoire textuelle.
- Lorsqu'un plan est sélectionné suffisamment souvent (dépassant un seuil de récurrence $\theta$ ), il est promu.
- Le codificateur utilise le corps du plan et les requêtes de tâches associées (excluant délibérément les trajectoires brutes pour éviter d'encoder du bruit spécifique à la tâche) pour synthétiser des outils.
- Les outils générés subissent une fermeture de dépendances, une compilation et des tests fonctionnels dans un bac à sable (sandbox) avant leur admission.
Gestionnaire de Mémoire et Harnais de Réflexion :
- Le Gestionnaire effectue une recherche conjointe, sélectionnant les entrées textuelles et les outils pertinents en fonction de la requête de la tâche actuelle.
- Le Harnais fournit une "divulgation progressive" des preuves d'exécution au réflecteur (résumant les longues trajectoires) et impose des vérifications de dépendances strictes pour les nouveaux outils.
Flux de Travail : Le système fonctionne selon une boucle exécution–réflexion–réutilisation. La réflexion se déroule hors du chemin critique d'exécution (de manière asynchrone), garantissant que la construction de la mémoire n'augmente pas la latence de service des tâches.

Contributions Clés

Première Étude Contrôlée : L'article présente la première étude isolant les formes de mémoire textuelle et de code sur un ensemble identique d'expériences et un squelette d'agent partagé, séparant les effets de la représentation des effets du système de l'agent.
Système Metis : L'introduction d'un système de double représentation hiérarchique qui traite la mémoire textuelle comme une fondation à faible engagement et promeut sélectivement les plans stratégiques récurrents en outils appelables validés, tout en conservant les faits et les pièges sous forme textuelle.
Validation Empirique : Des expériences approfondies sur le benchmark AppWorld démontrent que Metis atteint un équilibre supérieur entre précision, efficacité d'exécution et coût de construction de la mémoire par rapport aux agents auto-évolutifs existants.

Résultats Expérimentaux

Évalué sur le benchmark AppWorld (9 applications, 457 API), Metis a été comparé à No Memory (ReAct de base), ACE (évolution de contexte basée sur le texte) et SkillX (réutilisation basée sur les compétences).

Précision : Metis a obtenu la précision de tâche la plus élevée, améliorant la complétion de l'objectif de la tâche (TGC) de 8,3 % par rapport à la ligne de base No Memory sur le split Official et de 11,3 % sur le split Resampled. Il a surpassé ACE et SkillX.
Efficacité d'Exécution : Metis a réduit les tokens de l'exécuteur de 13,5 % (Official) et de 22,8 % (Resampled) par rapport à la ligne de base. Il a nécessité moins de tours ReAct (11,25 contre 14,55 pour la ligne de base sur Official).
Coût de Construction : Malgré la synthèse d'outils, Metis a engendré un coût de réflexion inférieur (7,9M de tokens) à celui de SkillX (9,4M de tokens) sur le split Official.
Robustesse : Sous l'effet d'un changement de distribution (split Official), Metis a conservé la majeure partie de l'utilité de sa mémoire, tandis que SkillX a perdu la majorité de ses gains, soulignant la transférabilité supérieure de l'approche sélective de Metis.
Études d'Ablation :
- Hybride vs Simple : Le système hybride complet a surpassé les variantes "Text-only" et "Code-only", confirmant que l'interaction entre les deux formes n'est pas additive mais synergique.
- Porte de Récurrence : Le retrait de la porte de récurrence (codification précoce/eager) a augmenté le coût de construction de 47 % et a dégradé la précision de 3,5 points, prouvant qu'une codification indiscriminée mène au surapprentissage et au gaspillage de ressources.

Signification

L'article affirme que Metis comble une lacune de conception critique dans les agents auto-évolutifs en s'éloignant des choix de représentation fixes et ad hoc. En démontrant que les mémoires textuelle et de code sont complémentaires plutôt qu'interchangeables, ce travail motive une stratégie de promotion sélective. Metis prouve qu'il est possible d'atteindre l'efficacité d'exécution de la mémoire de code tout en maintenant le faible coût de construction et la haute fiabilité de transfert de la mémoire textuelle, à condition que la codification soit régulée par des preuves de récurrence. Cette approche permet aux agents de s'améliorer au fil du temps sans subir les coûts prohibitifs d'une synthèse d'outils indiscriminée ou l'inefficacité d'un raisonnement purement textuel.