Mémoire agent en 2026 — SurrealDB, Cognee et les autres

En bref

En 2026, la mémoire des agents IA n’est plus un problème secondaire : c’est un marché. SurrealDB 3.0 et Cognee ont levé respectivement 23M$ et 7,5M$ en l’espace de quelques mois, positionnant la persistance de contexte comme une infrastructure critique. Les architectures classiques à cinq bases de données — vecteurs, graphe, relationnel, cache, fichiers — sont dans le viseur. Mais seulement 27% des organisations ont des knowledge graphs en production. Le secteur est en accélération, pas encore à maturité.

SurrealDB 3.0 : la base de données qui veut tout unifier

Imagine un cabinet médical qui aurait jusqu’ici éclaté ses dossiers patients sur cinq armoires : antécédents (relationnel), imagerie (vectoriel), liens familiaux (graphe), brouillons en cours (cache), pièces jointes (fichiers). Chaque consultation oblige le médecin à courir entre les armoires. SurrealDB 3.0 propose une armoire unique avec cinq tiroirs interconnectés. C’est exactement ce que cherche à faire SurrealDB sur les stacks RAG : remplacer cinq bases par une.

Le 17 février 2026, SurrealDB annonce simultanément une extension de Series A à 23M$ et le lancement de sa version 3.0. Le tour porte la Series A totale à 38M$ et le financement cumulé à 44M$, avec Chalfen Ventures et Begin Capital en nouveaux entrants aux côtés de FirstMark et Georgian.

Le positionnement est explicite : “the future of AI agent memory”. SurrealDB quitte le territoire des bases multi-modèles généralistes pour se revendiquer comme plateforme d’infrastructure pour agents IA.

Context graphs first-class. La nouveauté centrale de la version 3.0 est l’intégration native des context graphs — des structures de graphe maintenant le contexte agent synchronisé au plus près des données, sans middleware externe. L’objectif déclaré est de réduire le glue code qui caractérise les architectures RAG actuelles, où l’orchestration entre base vectorielle, base graphe et base relationnelle produit une complexité opérationnelle significative.

Unification vectoriel + graphe + SQL. SurrealDB 3.0 permet d’exécuter en une seule requête SurrealQL des opérations qui nécessitaient jusqu’ici trois systèmes distincts : recherche vectorielle (top-k), traversal de graphe, et filtres SQL. VentureBeat résume le positionnement : “SurrealDB 3.0 wants to replace your five-database RAG stack with one.”

Surrealism. Le nouveau système d’extension WebAssembly de SurrealDB 3.0 permet d’exécuter de la logique métier et des modèles directement à l’intérieur de la base de données. Couplé aux computed fields (logique définie une fois dans le schéma, évaluée à la requête) et au support fichiers natif (images, audio, documents queryables en SurrealQL), la version 3.0 vise une colocation maximale entre données et traitement — un principe qui rappelle les architectures data-centric AI défendues depuis plusieurs années.

La distinction conceptuelle que SurrealDB met en avant — context graphs versus knowledge graphs — mérite attention. Un knowledge graph stocke des relations sémantiques durables (entité-relation-entité). Un context graph maintient l’état de la conversation et du contexte agent à court et moyen terme. SurrealDB ne remplace pas Neo4j sur son terrain ; il cible une couche différente, plus éphémère et plus opérationnelle.

En clair : un knowledge graph, c’est l’encyclopédie figée que l’agent consulte. Un context graph, c’est le carnet de notes qu’il tient pendant sa session. Les deux coexistent dans une stack mémoire mature.

Cognee : la mémoire open-source

Cognee se présente comme un moteur de mémoire open-source pour agents IA. La mécanique de base : ingérer des données depuis 38+ sources, les structurer dans un graphe de connaissance avec embeddings et relations sémantiques, et les rendre interrogeables via une interface unifiée. Trois couches de stockage coexistent : relationnelle, vectorielle, graphe.

Le pipeline ECL. L’architecture centrale de Cognee repose sur trois phases : Extract (ingestion et parsing), Cognify (construction du graphe de connaissance, enrichissement sémantique), Load (indexation et exposition pour le retrieval). Ce pipeline ECL est le cœur du projet open-source et sa principale contribution technique.

Memify Pipeline. Annoncé en 2025, Memify est un composant post-traitement modulaire qui affine le graphe de connaissance par boucles de feedback. Les réponses évaluées alimentent les poids des arêtes du graphe : la mémoire devient plus précise avec l’usage, sans ré-ingestion complète. C’est l’implémentation pratique d’un principe souvent théorisé — la mémoire qui apprend de ses erreurs.

Adoption. En 2025, Cognee est passé de ~2 000 exécutions de pipeline à plus d’un million — une croissance de 500× en un an. Le projet est déployé en production dans plus de 70 entreprises, dont Bayer pour des workflows de recherche scientifique. Le repo GitHub dépasse 12 000 étoiles avec 80+ contributeurs, et a obtenu la certification GitHub Secure Open Source Program.

Financement. En 2025, Cognee a levé 7,5M$ en seed round mené par Pebblebed — Pamela Vagata (co-fondatrice d’OpenAI) et Keith Adams (fondateur du Facebook AI Research Lab) — avec 42CAP et Vermilion Ventures, et des angels de Google DeepMind, n8n et Snowplow. L’alignement des investisseurs avec des profils d’infrastructure IA est notable.

Là où SurrealDB joue sur l’unification des couches de stockage, Cognee joue sur la profondeur sémantique du graphe et la boucle d’amélioration continue. Les deux approches ne sont pas mutuellement exclusives — plusieurs stacks en production utilisent Cognee sur SurrealDB ou Neo4j.

En clair : SurrealDB joue le rôle du sol — un dépôt unifié. Cognee joue le rôle des étagères intelligentes posées dessus, qui rangent et réarrangent les documents au fil de l’usage.

La boîte à outils

Le survey Graph-based Agent Memory (Yang et al., arXiv:2602.05665, février 2026) recense l’écosystème des outils de mémoire graphe pour agents. Parmi les plus cités :

Mem0, Zep, Graphiti sont les trois outils open-source les plus opérationnels. Mem0 se distingue par un retrieval entité-centrique qui réduit le bruit en se concentrant sur les nœuds pertinents. Zep utilise une expansion breadth-first qui explore les voisins successifs d’un nœud cible. Graphiti implémente le modèle bi-temporel : chaque fait est taggé avec son temps de validité (quand l’événement s’est produit) et son temps de transaction (quand il a été enregistré), ce qui permet de résoudre les contradictions par invalidation temporelle plutôt que par écrasement — une propriété critique pour les agents long-horizon.

HyperGraphRAG représente une direction de recherche distincte : les hypergraphes connectent un nombre arbitraire de nœuds via des hyperarêtes, préservant les relations n-aires que les graphes binaires classiques fragmentent. La double-récupération d’entités et d’hyperarêtes associées améliore la précision sur les requêtes complexes impliquant plusieurs entités simultanément.

Tendances 2026

Le shift GNN → Graph Transformers. La tendance la plus significative dans les architectures de mémoire graphe est le passage des Graph Neural Networks (GNN) vers les Graph Transformers. La motivation principale est matérielle : les Transformers sont optimisés pour les opérations matricielles denses sur GPU, là où les GNN reposent sur des traversals de graphes éparses moins bien supportés par le hardware actuel. Les architectures hybrides GNN+Transformer (comme GIT-CD) surpassent les modules standalone sur la détection de communautés et la génomique single-cell, et sont recommandées pour les tâches à grande échelle ou sur données hétérogènes.

27% en production. Fin 2025, seulement 27% des adopteurs d’IA déclaraient avoir des knowledge graphs en production, contre 26% début 2024 — une hausse marginale sur 18 mois (source : Year of the Graph Newsletter, Automne 2025). L’écart entre le discours — omniprésent depuis 2023 — et l’adoption réelle reste important. Les obstacles identifiés convergent : complexité opérationnelle de la maintenance du graphe, coût de construction initiale, manque d’outillage standardisé pour la mise à jour incrémentale.

Context graph vs knowledge graph. Le débat structurant de 2026 oppose deux philosophies. Les knowledge graphs (Cognee, Neo4j, Graphiti) structurent les relations sémantiques durables : ce que l’agent sait sur le monde, ses entités, leurs attributs et connexions. Les context graphs (SurrealDB 3.0) maintiennent l’état opérationnel en cours de session : quel outil a été appelé, quelle décision a été prise, quel résultat intermédiaire est disponible. Ce n’est pas un choix binaire — les systèmes mémoire les plus robustes combinent les deux niveaux — mais la distinction clarifie pourquoi deux acteurs peuvent tous deux se revendiquer du “graphe pour agents” sans se chevaucher directement.

Mémoire comme infrastructure. La convergence des levées de fonds (SurrealDB, Cognee, Mem0 qui a précédé en 2024) signale un changement de perception : la persistance mémoire passe du statut de fonctionnalité applicative à celui d’infrastructure. Les équipes qui construisent des systèmes multi-agents à longue durée de vie ne peuvent plus traiter la mémoire comme un problème secondaire à résoudre avec Redis et quelques embeddings.

En clair : trois signaux convergents — financements en croissance (~50M$ cumulés sur 2 ans), adoption qui décolle (Cognee × 500 en un an), shift hardware GNN → Transformers. Le secteur passe de prototype à infrastructure, mais 73 % des entreprises restent encore sans knowledge graph en production.

Ce qu’il faut retenir

• SurrealDB 3.0 ($44M levés) unifie vectoriel, graphe et SQL en une seule requête et intègre les context graphs nativement — position : remplacer les stacks RAG multi-bases.
• Cognee ($7.5M, 12K stars, 70 entreprises) propose un pipeline ECL open-source avec boucle de feedback Memify — position : couche sémantique au-dessus de n’importe quel stockage.
• Graphiti, Mem0, Zep sont les trois outils open-source opérationnels les plus utilisés ; Graphiti se distingue par le modèle bi-temporel, essentiel pour les agents long-horizon.
• 27% d’adoption production des knowledge graphs fin 2025 : l’accélération du discours n’a pas encore produit d’accélération de l’adoption au même rythme.
• Le shift GNN → Graph Transformers est motivé par des contraintes hardware, pas seulement des arguments de performance — les Transformers gagnent parce que le hardware leur est favorable.