Mémoire graphe pour agents — au-delà du vecteur

En bref

Un survey publié en février 2026 (Yang et al., arXiv:2602.05665) recense et classe l’ensemble des approches de mémoire graph-based pour agents IA. Les auteurs proposent une taxonomie à six types cognitifs, analysent quatre structures de stockage principales et identifient six opérateurs de retrieval distincts. Leur conclusion centrale : les représentations graphiques surpassent les approches vectorielles et clé-valeur sur quatre dimensions mesurables — un constat qui éclaire les choix d’architecture pour tout système agent persistant.

En clair : pensez à un cartographe vs un photographe. Le photographe (mémoire vectorielle) prend des images de chaque rue — utile pour reconnaître une scène. Le cartographe (mémoire graphe) trace les rues, les intersections, les flux. Pour répondre à « quel chemin va de A à B », le cartographe gagne ; pour reconnaître une enseigne, le photographe gagne. Les agents IA persistants ont besoin des deux, mais on a longtemps construit avec uniquement des photos.

Les 6 types de mémoire agent

La taxonomie du survey distingue deux grandes familles. La mémoire connaissance (Knowledge Memory) est un référentiel passif et statique d’informations objectives, globales et vérifiables. La mémoire expérience (Experience Memory) est un journal personnel proactif et dynamique des interactions et de leurs résultats.

Ces deux familles se décomposent en six types cognitifs :

• Sémantique : connaissances générales sur le monde, faits stables, définitions. Correspond à ce que le modèle “sait” indépendamment de tout contexte d’usage.
• Procédurale : compétences et règles d’action — comment accomplir une tâche, quels outils utiliser, dans quel ordre.
• Associative : liens latents entre concepts, relations indirectes qui ne sont pas explicitées dans les données brutes mais peuvent être inférées.
• De travail : scratchpad immédiat, état courant de la tâche en cours. Correspond au contexte de la fenêtre active.
• Épisodique : séquences chronologiques de sessions passées — ce qui a été fait, dans quel ordre, avec quels résultats.
• Sentimentale : tonalité émotionnelle des interactions, préférences utilisateur, signaux d’approbation ou de rejet accumulés au fil du temps.

Cette classification n’est pas purement théorique : chaque type correspond à des besoins de stockage et de retrieval différents, ce qui justifie l’usage de structures distinctes pour les représenter.

Le survey organise également le cycle de vie de la mémoire en quatre phases : Extraction (construction des représentations à partir des interactions), Stockage (persistance dans la structure choisie), Retrieval (récupération à l’usage) et Évolution (mise à jour et réorganisation dans le temps).

Pourquoi le graphe bat le vecteur

Les approches vectorielles — embeddings, top-k sémantique, bases de données vectorielles — dominent les architectures RAG actuelles. Elles répondent bien à la question “quel contenu est sémantiquement proche de cette requête ?”. Elles répondent mal à des questions de nature différente : pourquoi deux faits sont-ils liés ? Quelle est la hiérarchie entre des concepts ? Un événement A a-t-il précédé ou suivi un événement B ?

Yang et al. identifient quatre dimensions sur lesquelles les graphes surpassent les approches linéaires, vectorielles et clé-valeur :

1. Modélisation explicite des relations. Un graphe stocke les relations comme des arêtes nommées entre nœuds, ce qui rend le raisonnement causal direct. Un vecteur encode la relation de manière implicite dans l’espace de plongement — elle peut être perdue ou brouillée lors du retrieval.

2. Organisation hiérarchique. Les graphes permettent de structurer l’information à plusieurs niveaux d’abstraction, des faits granulaires jusqu’aux thèmes de haut niveau. Un embedding plat ne supporte pas naturellement cette hiérarchie.

3. Structuration temporelle et dynamique. Les arêtes d’un graphe peuvent porter des métadonnées temporelles. Les graphes bi-temporels (voir section suivante) distinguent le moment où un fait était vrai du moment où il a été enregistré — distinction impossible avec un vecteur.

4. Récupération structurée efficace. La traversée de graphe (traversal) suit les relations explicites entre entités, ce qui produit des chemins de raisonnement vérifiables. La similarité vectorielle pure peut remonter des contenus thématiquement proches mais structurellement non reliés.

En clair : si l’agent doit répondre « pourquoi A est-il lié à B ? », un graphe lui donne le chemin direct (A → relation X → C → relation Y → B). Un vecteur lui donne au mieux « A et B sont thématiquement proches ». Pour un assistant juridique ou médical, la différence est entre une explication traçable et une corrélation muette.

Structures de stockage

Le survey distingue plusieurs architectures de stockage, chacune adaptée à un profil de mémoire différent.

Knowledge Graph classique

Le KG standard stocke des triplets (entité-tête, relation, entité-queue), construits par extraction LLM avec détection de conflits. Il est adapté à la mémoire long-terme statique : faits stables, règles du monde, définitions. Il peut être enrichi de métadonnées temporelles pour les faits épisodiques datés.

Hypergraphes — HyperGraphRAG

Un hypergraphe généralise le graphe binaire en autorisant des hyperarêtes qui connectent un nombre arbitraire de nœuds simultanément. Cela permet de préserver les relations n-aires sans les fragmenter en paires binaires — une relation qui implique trois entités simultanément (par exemple “X a collaboré avec Y sur le projet Z”) n’est pas fidèlement représentée par deux arêtes séparées.

HyperGraphRAG exploite cette propriété avec une “double-récupération” : l’agent peut requêter à la fois des entités isolées et des hyperarêtes complètes, selon le niveau de granularité nécessaire.

Modèle bi-temporel — Graphiti

La plupart des systèmes de mémoire écrasent les faits obsolètes lors d’une mise à jour. Le modèle bi-temporel distingue deux axes du temps :

• Temps de validité : quand l’événement s’est produit dans le monde réel.
• Temps de transaction : quand l’information a été enregistrée dans la base.

Graphiti implémente ce modèle : quand un fait devient faux, il n’est pas supprimé mais invalidé temporellement. L’historique complet reste accessible, ce qui permet de répondre à des questions comme “que savait l’agent à tel moment ?” ou “quelle était la situation avant cette mise à jour ?”.

TReMu pousse ce raisonnement plus loin en distinguant le timestamp de session du temps absolu inféré de l’événement, avec support de l’arithmétique de dates pour le raisonnement neuro-symbolique.

MemoTime organise les graphes de connaissance temporels (TKG) dans un “Tree of Time” qui impose l’ordre chronologique et prévient les hallucinations logiques de type effet-avant-cause.

Architecture hybride — Optimus-1

Optimus-1 sépare explicitement les deux grandes familles de mémoire dans deux structures distinctes :

• Un HDKG (Hierarchical Directed Knowledge Graph) pour les règles du monde et les faits stables.
• Un AMEP (Abstracted Multimodal Experience Pool) pour les trajectoires et l’historique des interactions.

Cette séparation reflète la distinction taxonomique du survey : la mémoire connaissance et la mémoire expérience ont des propriétés différentes (stabilité vs dynamisme, global vs personnalisé) qui justifient des structures de stockage différentes.

Matrice décision — quelle structure mémoire pour quel agent

Récupérer la bonne information

Le survey identifie six opérateurs de retrieval, qui peuvent être combinés selon les besoins :

• Sémantique : top-k vectoriel sur les embeddings des nœuds ou des arêtes.
• Basé sur règles : filtres symboliques (type d’entité, plage temporelle, attribut explicite).
• Temporel : fenêtres de temps, fonctions de décroissance (les faits récents reçoivent un poids supérieur).
• Basé graphe : traversal intra-couche (parcours dans une même structure) ou inter-couches (croisement de structures différentes).
• RL-based : politiques adaptatives (PPO, GRPO) qui apprennent à quel moment et comment requêter la mémoire.
• Agent-based : boucle planification-feedback avec appels API — l’agent décide lui-même quelle partie de sa mémoire consulter.

Deux stratégies de traversal s’opposent dans l’écosystème :

Entity-centric (Mem0) : le retrieval part d’une entité centrale et explore ses relations immédiates. Précis, mais limité au voisinage de l’entité cible.

Breadth-first (Zep) : expansion progressive depuis le point d’entrée, qui remonte un contexte plus large mais potentiellement moins focalisé.

H-MEM adopte une approche différente : un routage par index dans la traversée intra-couche, ce qui permet de diriger le retrieval sans parcourir l’intégralité du graphe.

Une technique complémentaire — la stratégie post-retrieval — génère une représentation intermédiaire (thème, intention, structure brouillon) avant la récupération, réduisant la sensibilité aux formulations superficielles de la requête. La génération de latent memory tokens pousse cette idée dans l’espace latent du modèle.

Défis ouverts

Malgré les avantages décrits, le survey identifie six défis que la communauté n’a pas encore résolus :

Passage à l’échelle. Les structures graphiques sont coûteuses à maintenir en production lorsque le volume de nœuds et d’arêtes croît. Les index et les algorithmes de traversal existants montrent des limites sur les graphes d’entreprise de grande taille.

Cohérence temps-réel. Dans les systèmes distribués, maintenir un graphe mémoire cohérent quand plusieurs agents écrivent simultanément est un problème non résolu. Les conflits d’arêtes et les mises à jour concurrentes produisent des incohérences difficiles à détecter et à corriger.

Équilibre complétude/latence. Un retrieval exhaustif (exploration large du graphe) garantit une meilleure couverture contextuelle, mais augmente la latence. Un retrieval ciblé est rapide mais peut manquer des relations pertinentes. Les seuils optimaux dépendent du domaine et de la tâche.

Mesure de la qualité mémoire. Les métriques actuelles évaluent la mémoire indirectement, via les performances sur des tâches aval. Il n’existe pas encore de mesure directe de la qualité d’une représentation mémoire — précision des relations, complétude, fraîcheur.

Généralisation cross-domaine. Les architectures mémoire optimisées pour un domaine (agents médicaux, agents de jeu, agents conversationnels) généralisent mal hors de leur contexte d’entraînement. Un cadre unifié reste à construire.

Interprétabilité des politiques de retrieval apprises. Les politiques RL-based sont efficaces mais opaques. Comprendre pourquoi un agent a choisi de consulter telle partie de sa mémoire — et vérifier que ce choix était pertinent — est difficile avec les méthodes d’explication actuelles.

En clair : le passage des vecteurs aux graphes n’est pas un upgrade trivial. Construire un KG agent demande de l’outillage (extraction de triplets, déduplication, gestion temporelle) et augmente le coût de maintenance. Pour un chat simple, vecteurs suffisent ; pour un agent persistant qui doit raisonner et expliquer, l’investissement graphe se rentabilise.

Ce qu’il faut retenir

• Le survey Yang et al. (2026) propose la première taxonomie structurée de la mémoire graph-based pour agents : 6 types cognitifs, 4 structures de stockage principales, 6 opérateurs de retrieval.
• Les graphes surpassent les vecteurs sur quatre dimensions concrètes : relations explicites, hiérarchie, temporalité, traversal structuré. Ce n’est pas un avantage qualitatif vague — c’est une différence de capacité fonctionnelle.
• Le modèle bi-temporel (Graphiti) résout un problème que les bases vectorielles ne peuvent pas adresser : conserver l’historique des états successifs d’un fait sans perdre la traçabilité.
• Les architectures hybrides (Optimus-1) séparent explicitement mémoire connaissance et mémoire expérience, reflétant la distinction taxonomique fondamentale du survey.
• Six défis ouverts subsistent, dont l’absence de métriques directes pour évaluer la qualité d’une mémoire — ce qui rend la comparaison entre systèmes difficile et l’optimisation indirecte.