Six outils de mémoire pour agents classés selon un seul test : peuvent-ils gérer un fait modifié ?
Six outils de mémoire pour agents font face à un test : peuvent-ils gérer un fait modifié ? Zep, Cognee, Mem0, Letta, LangChain Memory ainsi que les stockages vectoriels classiques, et leur place respective.
Sources: I Compared 6 AI Agent Memory Tools. Three Fail One Test.
Imaginez un agent à qui on a dit, il y a six mois, que Python représentait toute l’identité de l’utilisateur. La semaine dernière, l’utilisateur a mentionné un passage à Rust. Maintenant, quelqu’un demande dans quel langage le nouveau service devrait être développé. Un stockage vectoriel simple restitue ces deux informations avec la même fiabilité, car la similarité des embeddings ne prend pas en compte laquelle des déclarations est actuelle.
Cette seule épreuve constitue le critère le plus fiable pour évaluer les outils de mémoire d’agent. Six d’entre eux l’ont réussie, tandis que trois n’y sont pas parvenus.
Un test en trois lignes que la plupart des systèmes de mémoire ne peuvent pas passer
La procédure est courte : stocker le fait A, puis stocker le fait B qui remplace A. Interroger le système pour voir quel fait est retourné.
Un stockage simple renvoie les deux faits. Une véritable mémoire répond que c’est Rust et comprend que Python fait désormais partie du passé. La différence entre ces deux comportements est ce qui fait perdre des semaines de travail aux équipes.
La douleur est concrète. Un agent d’assistance a insisté auprès d’un client qui était passé à un abonnement mensuel trois semaines auparavant pour qu’il reste sur le plan annuel. La modification vers un abonnement moins cher était enregistrée dans le stockage vectoriel, tout comme l’offre initiale de mise à niveau. Le vieux scénario « joyeux » obtenait un léger avantage en termes de similarité cosinus ; l’agent l’a donc proposé, ce qui a obligé un humain à s’excuser. Personne n’avait déployé de bug. Le système de récupération faisait exactement ce pour quoi il avait été conçu, et c’était justement le problème.
Ce n’est pas du tout une préoccupation marginale. Trois benchmarks définissent aujourd’hui ce domaine : LoCoMo avec 1 540 questions, LongMemEval avec 500, et le plus récent BEAM, qui fonctionne avec un million ou dix millions de tokens. Chacun d’eux dispose d’un suivi temporel ou d’une mise à jour des connaissances dédiés. Des examens standardisés existent précisément parce que c’est dans les cas de contradiction que les systèmes échouent silencieusement.
Le rapport State of AI Agent Memory 2026 de Mem0 qualifie ce problème de « staleness » : un fait concernant l’employeur de quelqu’un reste valable tant que cette personne n’a pas changé de travail, après quoi il s’avère clairement faux. Le rapport décrit également une forme plus grave de ce phénomène. La plupart des systèmes écrasent simplement les modifications sans les enregistrer comme des évolutions, ce qui fait disparaître la connaissance du fait qu’une information était autrefois vraie. LongMemEval teste directement les mises à jour des connaissances ainsi que le raisonnement temporel, tandis que BEAM comprend une catégorie intitulée « résolution des contradictions ».
Une précision avant de procéder au classement : LoCoMo et LongMemEval n’ont pas été exécutés à nouveau sur du matériel local. Les conclusions se basent sur les évaluations publiées par chaque outil, sa documentation ainsi que le test manuel reproductible mentionné ci-dessus. Les chiffres de référence fournis par les fournisseurs étant auto-déclarés, ils sont présentés ici comme des affirmations et non comme des faits établis.
Ce qui suit classe les outils du meilleur au pire en ce qui concerne le test des contradictions.
1. Zep : un fait modifié devient un événement, et non une suppression
À l’essentiel, Zep utilise Graphiti, un graphe de connaissances conscient du temps et non un simple ensemble d’embeddings. La propriété importante est qu’il s’agit d’un système bitemporal. Chaque arête enregistre à la fois le moment où quelque chose s’est produit et celui où le système l’a découvert, et chaque relation possède une fenêtre de validité explicite.
Lorsque l’entrée « switched to Rust » apparaît, Graphiti ne se contente pas d’ajouter une copie presque identique à côté de « prefers Python ». Il détecte ce conflit et retire l’entrée plus ancienne au lieu de la supprimer : l’information concernant Python reçoit une date de fin et reste enregistrée. Une requête affiche la réponse actuelle, tout en permettant d’examiner l’historique antérieur. La conception comporte trois niveaux de sous-graphes, un pour les épisodes bruts, un pour les entités sémantiques et un pour les groupes communautaires, ce qui reflète de manière approximative la façon dont les gens distinguent ce qui s’est passé de ce qu’ils savent. Dans la thèse de Zep, il surpasse MemGPT sur le benchmark DMR (94,8 % contre 93,4 %). Sur le benchmark plus difficile LongMemEval, il affirme des gains d’exactitude de l’ordre de deux chiffres ainsi qu’une latence de réponse environ 90 % inférieure à celle d’une référence avec contexte complet.
Utilisez-le lorsque la fraîcheur d’une information modifie l’action à entreprendre : CRM, santé, support, ou tout ce qui est personnalisé sur plusieurs mois. L’inconvénient est évident : gérer une base de données graphique représente une charge opérationnelle réelle pour un projet de fin de semaine.
2. Cognee : mémoire graphique sans service géré
Cognee est la version open source de cette même idée. Il crée un graphe de connaissances à partir d’entrées non structurées, puis récupère les informations en suivant les relations ainsi qu’en utilisant la similarité vectorielle. Comme il modélise les entités et leurs connexions, il dispose des outils nécessaires pour déterminer qu’une nouvelle information concernant une entité remplace l’ancienne.
Lorsqu’il est mis en œuvre correctement, il fonctionne. La deuxième place reflète la quantité de connecteurs temporels que Cognee laisse au utilisateur. Il fournit le graphe et les pipelines d’ingestion, tandis que les règles déterminant quand un nouveau fait remplace un ancien doivent être écrites par l’équipe. Ceux qui souhaitent disposer d’une mémoire de type graphe ainsi que d’un contrôle total, sans service géré, sans frais par poste et avec les données stockées dans leur propre système, y verront l’atout principal. Ceux qui espèrent terminer avant vendredi le considéreront plutôt comme un travail supplémentaire.
3. Mem0 : une solution basée sur un volume élevé de récupération, admis ouvertement
Mem0 est la couche de mémoire dédiée largement utilisée. Elle transmet principalement les informations, mais la manière dont elle le fait est instructive. Aucun graphe n’est impliqué. Au lieu de cela, trois signaux de récupération fonctionnent en parallèle (similitude sémantique, correspondance des mots-clés BM25 et correspondance des entités), et les résultats combinés sont classés. La correspondance des entités est généralement l’étape qui permet à un fait récent de prendre le pas sur un fait obsolète.
Des crédits sont dus à plusieurs égards. Le rapport même du fournisseur admet que les problèmes de datation et d’identité entre sessions restent non résolus. Il affiche un score de 92,5 avec LoCoMo en utilisant environ 6 956 tokens par requête, contre environ 26 000 lorsque toute l’historique est intégrée au contexte, ce qui se reflète clairement dans les coûts d’inférence. Sa conception est également solide : chaque écriture est marquée d’un identifiant d’utilisateur, d’agent, de session ou d’organisation, permettant ainsi à un seul stockage de suivre un utilisateur au fil des sessions tout en maintenant les différents utilisateurs distincts. C’est le paramètre par défaut sensé, proposé sous forme de service cloud géré, d’hébergement open source ou de serveur MCP local. Cependant, réussir le test ne revient pas à résoudre le problème, comme ses concepteurs le soulignent volontiers.
4. Letta : résout un problème différent et en assume la responsabilité pour celui-ci
Letta descend de MemGPT et emprunte une idée d’ système d’exploitation. La fenêtre de contexte joue le rôle de la RAM : les faits fréquemment nécessaires restent dans le contexte principal, le reste est transféré vers un stockage externe, et l’agent modifie sa propre mémoire en appelant des fonctions. Il convient aux situations où une conversation dépasse les capacités d’une fenêtre de contexte.
Résoudre les contradictions n’est pas son objectif initial. Rust ou Python est utilisé en fonction du fait que l’agent ait ou non réécrit le bloc de mémoire concerné ; par conséquent, remplacer de vieux faits nécessite une instruction explicite, ce n’est pas une garantie de la part du système. La gestion du contexte est son point fort, tandis que la véracité temporelle ne reçoit qu’un traitement moyen par conception.
5. LangChain Memory : un outil, pas une réponse
LangChain propose des classes de mémoire pour les buffers, les résumés, les entités et les graphes de connaissances, toutes fonctionnant avec n’importe quel stockage connecté. Pensez-y comme à un bac de pièces détachées. Les types de buffer et de résumé échouent immédiatement à ce test, car ils accumulent ou compressent l’historique sans résoudre les conflits.
Un système qui réussit le test peut être assemblé à partir des éléments liés aux entités et aux graphes, mais c’est alors à la logique temporelle de jouer le rôle de constructeur, le framework ne fournissant que les briques nécessaires. LlamaIndex Memory appartient à la même catégorie, axée plutôt sur la mémorisation des documents que sur la conciliation de faits en évolution. Tous deux servent de liant utile. Aucun d’eux ne constitue un système de mémoire fiable pour ce type de test dès le premier jour.
6. Un stockage vectoriel basique : veuillez ne pas l’appeler mémoire
Voici l’option à éviter, bien qu’elle soit le choix habituel en environnement de production : un index brut de Pinecone, pgvector ou Chroma rempli d’échanges de conversation. Il s’agit d’une couche de stockage, pas de mémoire. La notion de récenteté, de suppression et d’origine fait complètement défaut. L’incorporation de fonctionnalités de recherche renvoie les k voisins les plus proches, et les expressions « préfère Python » ainsi que « est passé à Rust » se retrouvent toutes deux proches de la question « quel langage ? »
Le rapport de Mem0 commence par critiquer ce réflexe, selon lequel l’historique des conversations est entassé dans la fenêtre de contexte dans l’espoir que le modèle en tienne compte. Une équipe qui relie directement une base de données vectorielle à son agent et l’appelle mémoire constatera que le test de contradiction échoue à chaque fois. En environnement de production, cela se traduit par un agent qui cite fermement un fait que l’utilisateur a corrigé il y a une semaine.
Où commencer
Si la proximité dans le temps peut un jour changer la réponse correcte, adoptez une approche temporelle : Zep lorsque le traitement doit être effectué à votre place, Cognee lorsque posséder le graphe est préférable. Si l’exigence est un rappel suffisamment bon et peu coûteux entre les sessions, avec l’acceptation de quelques résultats obsolètes occasionnels, Mem0 constitue la solution la plus rapide. Un stockage vectoriel basique n’a de sens que lorsque l’on a besoin d’un index de recherche mais pas de mémoire supplémentaire.
Chaque agent n’a pas besoin d’un graphe de connaissances, et rien ici ne l’indique autrement. Un bot d’assistance sans état qui oublie un client entre plusieurs tickets a souvent raison de le faire. Un graphe temporel serait une sur-engineering dans ce cas, et le simple buffer, souvent moqué, est le choix approprié. Le test n’a d’importance que lorsque l’agent doit connaître une personne au fil du temps. Dans ce cas, choisissez un outil capable de distinguer ce qui a été dit de ce qui reste vrai.
Lectures complémentaires
- La mémoire des agents IA en 2026 : comparaison de Mem0, Letta, Zep et des plateformes cloud — Une présentation de la mémoire des agents en 2026 : les types de mémoire CoALA, Mem0, Letta, Zep, les offres cloud, les benchmarks, les risques de contamination, ainsi que le choix du design adapté à chaque tâche.
- Quatre stratégies de mémoire pour les agents IA : fenêtres déroulantes, FAISS et GraphRAG — Comparaison des méthodes permettant d’attribuer une mémoire à un agent LLM, allant des historiques complets et des fenêtres déroulantes aux index inversés, à la recherche sémantique FAISS et au graphe de connaissances GraphRAG.