Qu'est-ce que la mémoire à long terme de l'agent et comment la construire (résumé, mémoire vectorielle) ?

La mémoire à long terme de l’agent est un mécanisme de stockage et d’utilisation des informations accumulées par l’agent sur une longue période, afin d’améliorer la qualité de l’interaction et la prise de décision.

Résumé (summarization) — processus de compression d’un grand volume d’informations en une présentation concise mais significative. Cela aide l’agent à se souvenir rapidement des points clés sans avoir besoin de stocker tous les détails.

Mémoire vectorielle (vector memory) — stockage d’informations sous forme de vecteurs (par exemple, embeddings), ce qui permet de rechercher et de comparer efficacement des données similaires à l’aide de méthodes de plus proches voisins.

Comment construire une mémoire à long terme :

1. Collecte de données : l’agent enregistre des événements importants, des dialogues, des faits.
2. Traitement et compression : des algorithmes de résumé sont appliqués pour réduire le volume de données.
3. Vectorisation : transformation de textes ou autres données en vecteurs à l’aide de modèles d’embeddings (par exemple, BERT, embeddings OpenAI).
4. Stockage : utilisation de bases de données spécialisées (par exemple, Pinecone, FAISS) pour une recherche efficace dans les représentations vectorielles.
5. Récupération : lorsque nécessaire, l’agent recherche des enregistrements pertinents dans la mémoire en utilisant la recherche de similarité, et les utilise pour répondre ou prendre une décision.

Exemple en Python utilisant une bibliothèque pour embeddings et FAISS :

from sentence_transformers import SentenceTransformer
import faiss

# Initialisation du modèle d’embeddings
model = SentenceTransformer('all-MiniLM-L6-v2')

# Données d’exemple
texts = ["Aujourd’hui il fait soleil", "Demain il pleuvra", "Le temps est bon"]

# Vectorisation
vectors = model.encode(texts)

# Création de l’index FAISS
index = faiss.IndexFlatL2(vectors.shape[1])
index.add(vectors)

# Recherche dans la mémoire
query = "Quel temps fera demain ?"
query_vec = model.encode([query])
D, I = index.search(query_vec, k=1)
print(f"Texte similaire : {texts[I[0][0]]}")

Ainsi, la mémoire à long terme de l’agent combine la summarisation pour la concision et la mémoire vectorielle pour une recherche rapide d’informations pertinentes.