Approfondissement · Folio III
Pour retrouver une phrase dans une bibliothèque, on ne lit pas tous les livres : on suit les panneaux. Les agents d'IA commencent à ranger leur mémoire de la même façon. Combien cela fait-il gagner, vraiment ?
Un agent d'IA qui travaille longtemps accumule des souvenirs : conversations, documents, actions passées. Le plus simple est de tout garder à plat et de chercher dans la pile entière. Mais plus la pile grandit, plus chaque recherche coûte cher.
L'alternative : ranger les souvenirs en arbre, avec des résumés à chaque étage. Pour 1 000 souvenirs, une dizaine d'étages suffisent ; pour un million, une vingtaine. C'est ce qu'on appelle un coût logarithmique : il grandit d'une étape quand la mémoire double.
Une théorie de 2026 montre que ces systèmes, aussi différents qu'ils paraissent, enchaînent tous trois opérations. Extraire : découper les données brutes en unités d'information. Regrouper : former des groupes et donner à chacun un représentant, souvent un résumé. Parcourir : pour une question et un budget de mots donnés, choisir quoi lire.
La notion clé est l'autosuffisance du représentant : si le résumé suffit pour répondre, on s'arrête là ; sinon, il faut descendre voir les détails. Les auteurs montrent que 11 systèmes existants entrent dans ce même cadre.
Source : Talebirad et al., Toward a Theory of Hierarchical Memory (2026)
Fig. E — Tout lire ou descendre l'arbre
Tout lire : 16 étapes
Descendre l'arbre : 4 étapes
16 documents · l'arbre va plus vite d'un facteur 4
Schéma illustratif : il montre l'idée, pas des mesures.
Établi
Inspiré des systèmes d'exploitation : une petite mémoire rapide (le contexte du modèle) et une grande mémoire lente (une base externe). Le modèle déplace lui-même l'information de l'une à l'autre, par des appels de fonctions, comme un ordinateur qui échange des pages entre la mémoire vive et le disque.
Source : Packer et al., MemGPT: Towards LLMs as Operating Systems (2023)
Prometteur
Chaque nœud résume ce qu'il y a en dessous, avec des niveaux d'abstraction différents selon la profondeur. Chaque nouvelle information entre par la racine et descend jusqu'à sa place. Dans les longues conversations, il dépasse MemGPT ; sur des questions à plusieurs documents, il approche les méthodes qui préparent tout à l'avance et dépasse GraphRAG.
Source : Rezazadeh et al., MemTree: Dynamic Tree Memory (2024)
Prometteur
Les souvenirs sont rangés comme des dossiers et sous-dossiers ; chaque résumé garde un lien vers le souvenir brut. Un petit agent, entraîné par renforcement, parcourt l'arborescence pour ne prendre que le nécessaire. Dans les longues conversations, il utilise au plus 22 % des mots consommés par les méthodes de référence.
Prometteur
Une mémoire qui change sans arrêt doit être entretenue. MemForest range les souvenirs en arbres ordonnés dans le temps et ne met à jour que les chemins touchés par une nouvelle information, au lieu de réécrire tous les résumés. Le coût d'entretien suit alors la taille du changement, pas celle de la mémoire.
Source : MemForest: Hierarchical Temporal Indexing for Agent Memory (2026)
Les mémoires d'agents les plus utilisées en 2025-2026 s'éloignent de l'arbre strict. Elles extraient des faits et les relient comme des fiches de chercheur. Le coût reste faible, parce qu'on ne lit que les fiches utiles.
C'est pourquoi nous faisons passer H5 (« un graphe, pas un arbre ») de 60 à 65 %. Une réserve, soulignée par des critiques : les liens d'A-MEM disent seulement « ces deux notes se ressemblent », pas pourquoi. Une vraie hiérarchie de savoir aurait besoin de liens qui disent la relation.
H5 · Un graphe, pas un arbre (65 %)
Prometteur
Au lieu de relire toute la conversation, Mem0 en extrait les informations saillantes, les fusionne avec ce qu'il sait déjà, puis les retrouve à la demande (une variante les range en graphe). Face à l'approche « tout relire », il réduit le temps de réponse de 91 % et le coût en jetons de plus de 90 %, tout en répondant mieux (+26 % en relatif face à la mémoire d'OpenAI sur le test LOCOMO).
Source : Chhikara et al., Mem0: Scalable Long-Term Memory (2025)
Prometteur
Chaque souvenir devient une fiche avec mots-clés, étiquettes et liens vers les fiches proches. Quand une nouvelle fiche arrive, elle peut faire évoluer les anciennes : la mémoire se réorganise toute seule. Présenté à NeurIPS 2025, il dépasse les méthodes précédentes avec six modèles différents.
Source : Xu et al., A-MEM: Agentic Memory for LLM Agents (NeurIPS 2025)
Il faut être honnête : le coût logarithmique est un idéal. Il suppose un arbre bien équilibré et des résumés fiables. En pratique, construire l'arbre coûte des appels au modèle pour écrire les résumés, et une erreur d'aiguillage en haut de l'arbre fait manquer l'information en bas. Beaucoup de systèmes lisent donc plusieurs branches à la fois.
Les articles mesurent surtout les mots consommés et la justesse des réponses, rarement le coût théorique. Nous gardons donc le statut « prometteur » : le gain est réel et souvent spectaculaire, mais le mot « logarithmique » décrit la tendance, pas une garantie.
Trois points faibles reviennent. L'aiguillage : un mauvais choix tôt dans la descente est difficile à rattraper. La perte de détail : un résumé jette forcément quelque chose, et c'est parfois la réponse. L'entretien : une mémoire vivante change sans cesse, et réorganiser l'arbre coûte cher si on s'y prend mal.
Ces travaux donnent corps à H2 côté mémoire externe : le « bas » de notre hiérarchie peut être consulté pour un coût qui grandit très lentement. Et ils confirment H5 : MemTree, GraphRAG et HORMA finissent tous par relier des branches entre elles (souvenir brut, entités, liens dans le temps). Les arbres purs deviennent des graphes.
H2 · Apprendre le haut, consulter le bas (75 %) H5 · Un graphe, pas un arbre (65 %)
Ranger les articles d'OrigoTech eux-mêmes en arbre (thème, sous-thème, article, paragraphe), puis mesurer, pour une série de questions, combien de mots il faut lire à plat et en descendant. Recommencer à chaque fois que le site double de taille, pour voir si la courbe suit vraiment le logarithme.