Article
Mémoire d'agent IA : entraîner un agent qui apprend entre les sessions
Qu'est-ce qu'un agent IA ? Dans ma propre pratique, un agent IA est un programme qui ne se contente pas de répondre aux questions, il agit. Il récupère des données selon une planification, analyse ce qu'il trouve, propose l'étape suivante et vérifie sa propre sortie face à un standard avant d'envoyer quoi que ce soit. C'est ce qui distingue un agent d'un chatbot. La question plus difficile, et le sujet de cet article, est la mémoire d'agent IA : si l'agent peut transporter ce qu'il a appris dans une session vers la suivante, ou s'il repart de zéro à chaque fois.
L'objectif que je me suis fixé
Je voulais construire un agent qui ne se contente pas d'assister. Un agent qui agit.
L'idée était simple : configurer des automatisations pour récupérer des données, laisser l'agent analyser ce qu'il trouve, lui faire proposer les prochaines étapes, envoyer ces propositions quelque part pour révision, et à travers cette boucle de feedback, s'améliorer progressivement. À un certain stade, une fois que ses propositions correspondraient systématiquement à ce que je considère comme de bonnes décisions, il arrêterait d'attendre une approbation et commencerait à exécuter de manière autonome.
Pas un chatbot. Pas un copilote. Un système autonome qui gagne son autorité par sa précision démontrée.
C'était l'objectif. J'en ai décrit une partie dans mon article précédent sur les modèles IA locaux. Ceci est le chapitre suivant.
CE QUE J'AI CONSTRUIT, ET CE QU'IL NE POUVAIT PAS FAIRE
La première version était simple par choix. Mais le plus intéressant n'était pas ce qu'elle faisait. Le plus intéressant, c'était ce qu'elle ne pouvait pas faire.
L'agent tourne selon un calendrier, récupère des données, les analyse, et envoie un rapport dans Slack. Pour m'assurer que la sortie soit cohérente, j'ai créé un schéma, un format approuvé contre lequel l'agent se vérifie avant d'envoyer quoi que ce soit. Si quelque chose ne correspond pas, il se corrige. Il boucle jusqu'à ce que la sortie passe. Si quelque chose l'empêche de terminer le processus, comme un appel LLM échoué, il n'envoie pas une sortie dégradée. Il envoie une alerte dans Slack à la place.
J'ai aussi ajouté des exemples positifs. Des sorties approuvées des exécutions précédentes que l'agent peut utiliser comme référence pour produire la suivante.
Ça semblait être un système solide. Et pendant un moment, je le pensais.
CE QUI CONTINUAIT À ME DÉRANGER
Chaque session repart de zéro.
Le schéma est là. Les exemples sont là. Mais l'agent ne sait pas avec quoi il a galéré hier. Il ne sait pas quelle règle il continue de violer. Il ne sait pas ce qu'il a déjà compris.
Et ça change tout.
La boucle d'autocorrection fonctionne au sein d'une seule session. Entre les sessions, rien ne s'accumule. Donc l'incohérence que j'observais n'était pas un problème de configuration. Ce n'était pas un problème de prompting.
Le problème n'était pas technique. Il était structurel.
AUTOCORRECTION VS AUTO-AMÉLIORATION
C'est là que j'ai réalisé quelque chose d'important.
L'autocorrection signifie que l'agent détecte ses propres erreurs avant d'envoyer la sortie. Ça se passe au sein d'une seule exécution, contre un schéma fixe. La session se termine, et tout ce que l'agent a appris disparaît.
L'auto-amélioration signifie que l'agent construit quelque chose d'une exécution à l'autre. Chaque session laisse une trace que la suivante peut utiliser. Les erreurs deviennent des règles. Les règles deviennent du contexte. Le contexte façonne la prochaine sortie avant même que la génération ne commence.
Le premier est un filtre de qualité. Le second est quelque chose qui se rapproche davantage de l'apprentissage.
Et cette distinction ne concerne pas seulement les agents IA. C'est la différence entre les systèmes qui répètent et ceux qui évoluent. Entre les gens qui corrigent leurs erreurs et ceux qui cessent de faire les mêmes. La plupart des organisations ont de l'autocorrection. Très peu ont une véritable auto-amélioration. Le mécanisme semble similaire vu de l'extérieur. L'architecture en dessous est complètement différente.
Ce que j'avais, c'était un bon filtre de qualité. Ce qui me manquait, c'était la couche d'accumulation en dessous.
COMMENT DONNER UNE MÉMOIRE À UN AGENT IA
C'est une question légitime, et une que j'ai dû résoudre moi-même.
Claude Code a un fichier appelé CLAUDE.md. Il se charge automatiquement au début de chaque session. Quand on dit à l'agent de se souvenir de quelque chose pour les prochaines exécutions, il peut l'écrire dedans. Et la prochaine fois, ce sera là. C'est de la vraie persistance. Ce n'est pas une illusion.
Donc quand Claude Code confirme qu'il se souviendra de quelque chose, il ne ment pas.
Le problème, c'est ce que « là » signifie réellement en pratique.
Rejoindre la Bibliothèque
Accès complet à mes observations, histoires personnelles et ce que j'entends des gens que je rencontre.
Rejoindre la Bibliothèque · €29,99 par an Comment un petit entrepreneur, un créateur de contenu ou… Que faut-il étudier à l'ère de l'IA ? Quelle… J'ai quitté mon travail pendant plusieurs mois pour me… Comment j'ai eu le coup de foudre pour elle Comment ne plus dépendre des réseaux sociaux ? Un… Comment commencer avec l'IA en entreprise : automatiser le…Recevez l’article complet par e-mail et n’hésitez pas à répondre si vous souhaitez en discuter davantage.
Résumé
Questions fréquentes sur le sujet de l'article
Qu'est-ce qu'un agent IA ?
L'IA peut-elle avoir une mémoire ?
Les agents IA peuvent-ils apprendre dans le temps ?
Quelle est la différence entre l'autocorrection et l'auto-amélioration d'un agent IA ?
Qu'est-ce que CLAUDE.md et quelles sont ses limites pour les agents IA ?
Pourquoi chaque session d'agent IA repart-elle de zéro ?
Qu'est-ce qu'une couche de mémoire structurée pour les agents IA ?
Peut-on faire tourner des agents IA autonomes en local ?
Que faut-il pour construire un agent IA qui gagne son autonomie ?
Si vous avez des pensées, des questions ou des retours, n’hésitez pas à m’écrire à mail@richardgolian.com.
LinkedIn
Articles connexes
L'IA crée le visuel, la newsletter et la page produit plus vite qu'une personne. À celui qui le faisait auparavant, il ne reste qu'une chose : le jugement, savoir si le résultat est bon. Mais la plupart des gens ont un moins bon jugement que l'IA. Et celui qui ne sait pas juger la qualité ne sait pas non plus déléguer. Comment savoir si le vôtre est le jugement sur lequel une entreprise s'appuie, ou celui qu'elle peut remplacer ?
En avril, dans la première partie de cette série, j'écrivais sur un système d'IA prédictif commencé sur mon propre ordinateur. Le logiciel avait alors quelques heures, le registre de prédictions était vide. Depuis, les enregistrements ont révélé une chose qui, avec le recul, était prévisible : le système ne comprend pas encore le marché qu'on lui demande de prévoir. Il sait trouver le contexte macro, la valeur comptable des entreprises, les bénéfices. Mais il ne sait pas assembler ces choses en quelque chose qui l'aide à comprendre le prix.
Je construis un système d'IA pour prédire le S&P 500. Il tourne sur ma propre machine, utilise des données publiques gratuites, yfinance, FRED, le jeu de données Shiller, et évalue chaque prévision face à la réalité. Cette série documente la construction elle-même : les décisions, la méthodologie, les erreurs. Ce que je partagerai finalement du système en fonctionnement est une question séparée, et honnête.
Plus d'articles
Vous êtes créateur de contenu et vous suivez les règles de YouTube, d'Instagram ou de Google ? Vous êtes un petit entrepreneur et votre modèle économique dépend de la fréquence à laquelle Amazon vous recommandera, du prix des impressions publicitaires sur Facebook ou du prix des clics sur Google Ads ? Si tout votre contact avec votre public ou vos clients, ou la plus grande partie, dépend du fait qu'une grande plateforme vous affiche, vous n'êtes pas en bonne position.
Le développement de l'intelligence artificielle change notre regard sur les chemins de vie qui ont du sens. Sur les études et le métier à choisir.
C'était le jeudi 31 mars 2022, quand j'ai transmis les dernières parties de mes responsabilités à mes collègues, fermé mon ordinateur portable et je suis parti à la bibliothèque. J'ai quitté mon travail pendant plusieurs mois et je me suis plongé dans la philosophie. Et j'en suis profondément reconnaissant. Aujourd'hui je suis, comme la plupart des gens, dans un manège, et il m'est difficile de m'arrêter et de réfléchir aux questions essentielles de ma propre vie.
C'était en septembre 2023. Ma vie, mon travail, tout était complètement différent de maintenant. C'était plus simple. Je ne possédais presque rien. J'avais besoin de filmer une publicité, je suis monté à l'étage de l'entreprise où se trouvait le produit dont j'avais besoin, et c'est là que je l'ai remarquée pour la première fois. Elle rit de moi quand je le décris ainsi, mais à ce moment-là l'univers m'a dit, c'est elle.
Comment et pourquoi je quitte peu à peu les réseaux sociaux et les grandes plateformes. Quand je lis que Meta teste une nouvelle façon de faire payer les publications organiques qui renvoient hors de sa plateforme, cela me confirme à quel point ma décision de devenir de moins en moins dépendant des grandes plateformes était la bonne. Cela ne veut pas dire que je les ai quittés complètement. Cela veut dire que le fait de rester ou non en contact avec mes lecteurs dépend d'eux de moins en moins, et aujourd'hui presque plus du tout.
Un membre de ma famille décrivait une entreprise dont les données sont réparties dans plusieurs outils différents et dont les salariés les rassemblent encore aujourd'hui à la main, dans des tableurs. C'est l'état ordinaire des entreprises. Si on dit à ces gens de ne pas le faire à la main et d'utiliser l'IA, ils ne comprendront pas. La plupart des entreprises n'ont même pas les connecteurs de base entre les outils qu'elles utilisent. Ces entreprises ont besoin d'aide pour leur transformation par l'IA.
La même tâche, deux modèles. Fable 5 contre Opus 4.8. Sur le papier, Fable est le meilleur modèle, avec un contexte plus large et de meilleures caractéristiques. Et pourtant il a perdu. Opus a traité la tâche en un seul tour de contrôle pour 721 000 tokens, tandis que Fable en a exigé neuf et a brûlé 2,78 millions de tokens. La différence ne tenait pas au modèle, mais à la façon dont j'ai formulé la tâche. Et je le sais, parce que je l'ai mesuré.
J'ai écrit autrefois sur la construction de mon propre outil d'analytics respectueux de la vie privée. Il détectait les bots dès la première version, mais cela n'a pas suffi. Les visites directes pesaient étrangement lourd. Quand quelqu'un affirme que 20 % de ses visites sont des bots et 80 % des humains, je le pensais aussi autrefois. Aujourd'hui, je dirais que la proportion inverse est plus proche de la vérité. Voici comment j'en suis arrivé là.
J'ai Heidegger et mon carnet à côté de moi. Je me demande où tout cela nous mène, où l'intelligence artificielle nous emporte.
Quatre jours en Catalogne. Sans ordinateur, sans IA, presque sans réseaux sociaux. J'ai acheté ce carnet pour y noter ce à quoi je penserais et ce que je rencontrerais et apprendrais durant le voyage.