La fenêtre de contexte ne garde que le travail présent. Un vrai agent doit connaître un utilisateur à travers les sessions et trouver des preuves parmi de nombreux matériaux externes : mémoire utilisateur et base de connaissances sont deux voies durables distinctes.
La mémoire assure la continuité, la base de connaissances fonde les faits ; les deux exigent source, temps et possibilité de retrait.
01 / PRACTICEDistinguer d’abord mémoire et connaissance
Préférences, choix passés et objectifs durables d’un utilisateur relèvent de la mémoire. Textes juridiques, documents produits, pièces de dossier et rapports de recherche relèvent de la connaissance. La première exige continuité individuelle ; la seconde exige sources fiables. Pour la mémoire, notez auteur, date, validité et possibilité de suppression. Pour la base, notez fichier source, date de version, portée et emplacement de citation. Le contexte actuel ne garde que les souvenirs et preuves nécessaires maintenant.
02 / PRACTICEFaire de la mémoire une donnée gouvernable
La mémoire peut être résumé en langage naturel, champs structurés, chronologie d’événements ou règles exécutables. Une structure forte stabilise recherche et mise à jour ; une expression libre est plus riche mais entre plus facilement en conflit. Un système de production doit gérer doublons, péremption, contradictions et vie privée. Expurgez les journaux avant stockage durable et permettez à chacun de voir, corriger ou supprimer sa mémoire.
03 / RAG PIPELINELe RAG est un pipeline de preuves
Le RAG découpe les documents en unités recherchables, construit un index, rappelle des passages candidats pour une question, puis transmet passages et sources au modèle. Des morceaux trop grands noient le pertinent ; trop petits, ils coupent les relations. Choisissez le découpage avec structure documentaire, granularité des questions et besoins de citation. Un résultat de recherche n’est pas un fait : c’est une preuve candidate à contrôler avec source, version et contexte.
04 / PRACTICECombiner similarité sémantique et mots-clés exacts
Les vecteurs denses comprennent les sens voisins ; la recherche clairsemée touche les termes exacts comme article de loi, nom ou modèle. La recherche hybride avec reranking est généralement plus stable qu’un vecteur seul. Gardez titre, chapitre, date et auteur comme métadonnées filtrables. Extrayez tableaux, images et scans de façon structurée au lieu de conserver un seul bloc OCR. Gardez page ou paragraphe pour rouvrir l’original. Constituez un petit jeu d’évaluation à partir de vraies questions.
05 / PRACTICELa connaissance ne doit pas devenir du texte plat
Système de fichiers, index structurés et graphes de connaissances ont chacun une valeur. Les dossiers expriment naturellement limites de projet et de pièces ; les champs structurés conviennent aux dates, montants et parties ; les graphes aux relations entre entités. Le but n’est pas la base la plus complexe, mais une route de requête adaptée à la structure du savoir.
06 / AGENTIC RAGLaisser l’agent décider quand chercher, où chercher et quand s’arrêter
Le RAG agentique fait de la recherche un outil : le modèle identifie une lacune, choisit une source, compare les résultats et peut reformuler pour chercher encore. Plus de souplesse exige budget, liste blanche de sources et conditions d’arrêt. Pour un dossier, exigez fichier, page, date et niveau de confiance pour chaque conclusion. Sans preuve, marquez à vérifier au lieu de compléter une réponse plausible. Premier exercice : créez trois index pour un dossier nouveau — arborescence, chronologie structurée et passages originaux citables — puis testez dix vraies questions.
Livre source et références du chapitre
- bojieli/ai-agent-book.
- Chapter 3 — memory, RAG and knowledge base.
- Chapter 3 experiments.
- Cette page réorganise la pratique sans remplacer le livre source ; utilisez texte et code sources pour les formulations exactes.
COMMENTAIRES DES LECTEURS
Notez l’idée que cet article vous a laissée.
Aucun commentaire. Vous pouvez laisser le premier.