Accueil / Articles

Fournir une mémoire à Claude Code : un plugin MCP local appelé Memento

Les agents de codage basés sur l’IA oublient tout entre les sessions. Memento, un plugin MCP local pour Claude Code, permet de capturer, de nettoyer, de supprimer les doublons et de rappeler le contexte du projet.

Éditeur : REACTAPP.TOP7 min de lecture1502 mots

Sources: My AI Coding Agent Keeps Forgetting Me — So I Gave It a Brain

Imaginez une soirée de mardi vers 23 heures. Trois heures après avoir réécrit un middleware d’authentification avec Claude Code, vous et l’agent avez discuté sans cesse entre un pattern de stratégie et une simple factory. Les deux approches ont été testées : la factory a gagné, et les tokens de session parviennent enfin à traverser la nouvelle couche de validation d’une manière logique. C’est l’une de ces sessions où tout fonctionne parfaitement et où le pair programming avec l’IA semble tout à fait légitime.

Le lendemain matin, vous ouvrez une nouvelle session et demandez de reprendre là où vous vous étiez arrêtés avec le middleware d’authentification. La réponse est une offre enthousiaste d’aide, suivie d’une demande pour décrire la structure et les objectifs du projet depuis zéro.

Trois heures de contexte partagé, perdues.

Tout le monde rencontre ça

Utilisez n’importe quel outil de codage basé sur l’IA pendant plus d’une semaine, que ce soit Claude Code, Cursor, Copilot ou Windsurf, et vous rencontrerez ce problème. Chaque session commence à zéro, et cette routine devient rapidement ennuyeuse. Les 15 à 20 premières minutes sont consacrées à expliquer à nouveau le projet : voici la structure des dossiers, voici comment fonctionne l’authentification, voici pourquoi Supabase est préférable à une mise en place interne, et non, Redis a été écarté. Bien sûr, l’outil ne se souvient pas. Il ne peut pas.

Vous vous surprenez à commencer des phrases par « Tu te souviens quand nous… » avant de vous arrêter, car il n’y a pas de « nous » de l’autre côté. Pour l’IA, il n’y a pas de hier, seulement le présent. C’est comme avoir votre collègue le plus intelligent qui arrive chaque matin avec une amnésie totale.

Les solutions évidentes ne durent pas

Les premières tentatives sont prévisibles. On trouve d’abord un énorme fichier CLAUDE.md rempli de pages décrivant le contexte du projet, des diagrammes d’architecture en ASCII, des conventions de codage ainsi que la structure des fichiers. Cela aide pour les bases, permettant à l’agent de connaître votre framework et l’emplacement des routes. Cependant, ce type de fichier ne peut pas conserver les décisions prises. Il ne saura pas que l’approche A a été testée mardi dernier et a échoué en raison d’une condition de concurrence dans le processus de traitement des tâches, ce qui explique précisément pourquoi l’approche B a fonctionné. De telles connaissances s’accumulent au fil des jours de travail ensemble, et un fichier Markdown statique ne peut pas suivre ce rythme, car le projet évolue et le fichier devient obsolète en quelques jours à peine.

La deuxième approche consiste à tenir un document à jour contenant des informations à communiquer à l’IA au début de chaque session : décisions clés, méthodes qui ont échoué, pièges à éviter. Cela fonctionne plus ou moins, mais il faut s’arrêter et réfléchir à ce qui se passe. Vous maintenez manuellement la mémoire pour une machine qui écrit du code dix fois plus vite que vous, et elle a besoin que vous agissiez comme son carnet de notes.

Aucune de ces approches ne dure plus d’une ou deux semaines, et vous finissez par passer plus de temps à gérer le contexte de l’IA qu’à écrire du code.

Le vrai problème

Ces outils n’ont pas de mémoire. C’est là tout le problème.

Un collègue humain a de la valeur bien au-delà de ses compétences en programmation. Il crée du contexte. Il sait pourquoi Postgres a été choisi plutôt que Mongo, il se souvient du bug de facturation en janvier dû aux calculs liés aux fuseaux horaires, et il se rappelle la décision architecturale prise il y a trois sprints qui explique pourquoi un module a l’air étrange. L’IA ne possède aucune de ces connaissances partagées. Par conception, elle est sans état.

Lorsque ces outils n’étaient que des complétions automatiques simplifiées, cela importait peu. Aujourd’hui, ils permettent de refactorer des modules entiers, de déboguer des situations de concurrence entre services et d’aider dans les décisions architecturales réelles. Lorsqu’un outil aussi performant ne peut pas se souvenir du travail de la veille, la frustration est difficile à exagérer.

Et alors si l’IA pouvait simplement se souvenir ? Pas en collant tout manuellement dans la demande, mais en extrayant elle-même le contexte pertinent des sessions précédentes, en fonction de ce sur quoi vous travaillez actuellement, sans qu’on le lui demande.

Memento

Cette idée a donné naissance à Memento, nommé d’après le film. Il s’agit d’un plugin pour Claude Code, techniquement un serveur MCP, qui confère à l’agent une mémoire persistante entre les sessions. Pendant que vous travaillez, il enregistre en arrière-plan les décisions architecturales, les corrections de bugs et les modifications de configuration, puis les stocke localement sur votre ordinateur. Au début d’une nouvelle session, il affiche tout ce qui est pertinent pour la tâche en cours.

La première fois que cela a fonctionné, c’était comme ça : un lundi, on débogue une condition de course dans un travailleur de file d’attente. La cause racine est l’absence d’un verrou ; Claude aide à la corriger, et Memento enregistre le contexte sans que vous ayez à faire quoi que ce soit. Mercredi, vous revenez sur ce travailleur de file d’attente pour une tâche sans rapport et vous ne mentionnez pas du tout le lundi. Claude évoque de lui-même le fait qu’une condition de course à cet endroit a été résolue lundi grâce à un fichier de verrou, et propose de vérifier s’il existe un lien entre les deux.

C’est à ce moment-là que ça prend tout son sens : l’agent s’est souvenu de quelque chose que personne ne lui avait dit, non pas parce que le contexte précédent avait été collé ni à cause d’un fichier d’instructions, mais parce qu’il conservait réellement en mémoire la session précédente.

Dans les coulisses

Enregistrement. Deux mécanismes fonctionnent en parallèle. L’un s’active après une utilisation significative d’outils, comme l’édition de fichiers ou l’exécution de commandes, mais pas lors de simples lectures de fichiers. L’autre s’active à la fin de la session pour en extraire un résumé. Tout cela se déroule en arrière-plan.

Nettoyage et étiquetage. Avant tout enregistrement, un outil de suppression retire les clés API, les tokens, les mots de passe et les identifiants AWS. Ensuite, un outil d’étiquetage classe les données en fonction de leur type, tel que décision, erreur, architecture ou configuration, en utilisant des correspondances de motifs. Aucune appel à un LLM n’est nécessaire à cette étape.

Déduplication. Cinquante variantes de la même information ne feraient que créer du désordre. L’outil de déduplication vérifie d’abord s’il existe des doublons exacts à l’aide d’un hash, puis effectue une vérification de similarité cosinus pour les informations qui expriment la même chose sous des termes différents. Si la version la plus récente contient plus de détails, elle remplace l’ancienne.

Stockage. Par défaut, tout est enregistré dans des fichiers JSON locaux, sans aucune dépendance et sans nécessité de configuration. ChromaDB peut être intégré pour une recherche vectorielle efficace, et Neo4j pour des recherches basées sur des graphes.

Rappel.Lorsqu’une nouvelle session débute, Memento interroge sémantiquement les souvenirs stockés. Il effectue des correspondances sur le sens et non sur des mots-clés, de sorte qu’une question concernant le processus de connexion peut faire apparaître des souvenirs sur la validation des tokens de session, même si les phrases ne présentent aucun point commun.

Tout s’exécute localement. Le modèle d’incorporation, all-MiniLM-L6-v2, est exécuté sur votre propre ordinateur via Transformers.js, de sorte qu’aucune appel API n’est effectué et rien ne quitte votre ordinateur portable.

Que ce qui est mémorisé

La mémoire est étiquetée au moment de sa capture. Les catégories comprennent les décisions (pourquoi X a été choisi plutôt que Y), les erreurs (ce qui a défailli et comment cela a été corrigé), l’architecture (la manière dont les composants sont liés) ainsi que la configuration (les variables d’environnement et les détails de déploiement) ; huit catégories au total sont listées dans le README. L’idée est que Memento ne se contente pas de stocker des journaux de conversation bruts. Il classe le contexte, permettant ainsi à la récupération d’informations d’être plus ciblée sur ce qui est important en ce moment.

Les mémoires sont liées à un projet via sa racine git, de sorte que les notes provenant d’un répertoire API ne se retrouvent pas dans les travaux liés à l’interface utilisateur. Une recherche inter-projets est disponible si vous en avez besoin.

Protéger les données

Le génie de la fiabilité est plutôt généreux. Un disjoncteur électrique empêche que des problèmes de base de données ne se propagent en cascade, un journal d’écriture anticipée garantit que l’arrêt du système au milieu d’une opération de sauvegarde ne provoque pas la perte des données en mémoire, et un cache LRU sert de solution de secours lorsque le stockage principal est temporairement indisponible. Cela peut sembler excessif, mais des outils qui suppriment silencieusement des données sont vraiment irritants, et l’objectif est que tout ce que Memento a enregistré reste bien en place.

Essayer

C’est un logiciel open source publié sur npm. Une seule commande suffit :

npx memento-memory

Cela installe le serveur MCP, configure les hooks de capture automatique et met à jour la configuration de Claude, de sorte que la prochaine session de Claude Code fonctionne immédiatement. Une installation globale via npm install -g memento-memory est également une option, et le README liste toutes les possibilités de configuration.

Quelques commandes manuelles sont également disponibles :

  • /recall recherche dans vos mémoires
  • /remember enregistre quelque chose de manière explicite
  • memory_health affiche l’état du système
  • memory_list permet de parcourir ce qui est stocké

Pourquoi c’est important

Les outils de codage basés sur l’IA se trouvent dans une situation étrange. Ils peuvent refactorer des modules entiers, résoudre des bugs complexes et analyser l’architecture d’un système, mais ils se réveillent chaque matin sans rien savoir de vous ou de votre projet. Plus ils deviennent performants, plus ce manque devient problématique, car on perçoit à quel point les choses seraient meilleures s’il existait une quelconque continuité.

Memento est une tentative de combler ce manque. Il présente des imperfections, et il y a certainement des cas où il classe mal quelque chose ou manque de contexte qui aurait dû être évident. Néanmoins, démarrer une session où Claude sait déjà ce qui s’est passé la semaine dernière est exactement la façon dont cela aurait dû fonctionner dès le début. La mémoire manquante était le bug.

Lectures complémentaires

  • Antigravity /goal : Agents de codage autonomes et la fin de l’IA gardienne — Comment la commande /goal d’Antigravity transforme un agent de codage IA en un travailleur autonome doté d’un cycle de planification et de vérification, illustré par une refonte en classe scellée Flutter ainsi que des conseils pour écrire des objectifs.