Chaque fois que votre OpenClaw « lobster » perd la mémoire, ce n’est pas seulement de l’argent gaspillé : c’est un casse‑tête monumental.
Vous n’osez même pas le redémarrer.
Moi, Jiu Er,
j’ai passé en revue plus de 10 articles scientifiques sur la mémoire des agents,
analysé 6 projets open source GitHub totalisant 77 000 étoiles,
et je viens ici décortiquer chaque couche de vos douleurs liées à la mémoire d’OpenClaw—
de l’état actuel aux solutions, et de la recherche à l’ingénierie.
I. La dure réalité—votre agent a la mémoire d’un poisson rouge
Commençons par un chiffre : 45 heures.
L’utilisateur EmpireCreator, auteur du ticket GitHub n° 5429, a perdu 45 heures de contexte accumulé par son agent : configurations de compétences, paramètres d’intégration et priorités de tâches. La cause : une compaction silencieuse qui a effacé tout l’historique des conversations sans avertissement ni option de récupération.
Ce n’est pas un cas isolé.
Le ticket n° 2624 rapporte des agents qui se réinitialisent aléatoirement, oubliant des conversations vieilles de seulement deux messages. Le ticket n° 8723 signale un vidage mémoire déclenchant une boucle infinie, bloquant l’agent pendant 72 minutes.
Quelle est l’architecture mémoire actuelle d’OpenClaw ? En une phrase : fichiers Markdown + recherche vectorielle.
Les souvenirs sont stockés dans des fichiers Markdown sous le répertoire ~/.openclaw/workspace/.
Les journaux quotidiens (Daily Logs) sont des mémoires à court terme,
MEMORY.md est la mémoire à long terme,
SOUL.md définit la personnalité. La récupération utilise une combinaison hybride de plongements vectoriels (Vector Embeddings) et de recherche BM25.
Cette conception a une caractéristique bien résumée par un blogueur Medium :
« Intentionnellement pas cool—traiter la mémoire comme des fichiers Markdown et la récupération comme des appels d’outils. »
Où se situe le problème ? Six mots : plat, indifférencié, passif.
Tous les souvenirs ont le même poids ; une conversation banale d’il y a un an est traitée comme une décision majeure d’hier.
Mécanisme d’oubli ? Aucun, il faut supprimer manuellement.
Organisation automatique ? Elle repose entièrement sur un tri manuel.
La récupération ne regarde que la similarité sémantique, pas l’importance, et ne peut pas exprimer des relations comme « A est un ami de B. »
Les données restent des données ; elles ne deviennent jamais une cognition.
Les tweets de la communauté sont les plus directs : « Tout le monde se plaint que son OpenClaw a une amnésie. »
II. Ce que fait officiellement OpenClaw—backend QMD et recherche hybride
L’équipe officielle ne reste pas inactive.
Calendrier des versions de janvier‑février 2026 :
v2026.1.12 (13 janvier) : infrastructure de recherche vectorielle lancée, incluant indexation SQLite + découpage (chunking) + synchronisation paresseuse + surveillance de fichiers, avec prise en charge des plongements locaux et distants. C’est le fondement de tout le système de recherche mémoire.
v2026.1.29 (29 janvier) : correction de la normalisation L2. Les vecteurs de plongement locaux n’étaient pas normalisés, ce qui faussait le calcul de similarité cosinus ; ce bogue rendait la précision de la recherche sémantique antérieure défectueuse. Ajout de la prise en charge des chemins d’index supplémentaires.
v2026.2.2 (4 février) : fusion du backend mémoire QMD (PR n° 3160), la mise à jour architecturale la plus importante. 30 commits, ajoutant la prise en charge du backend QMD pour la recherche hybride à trois voies : BM25 + Vectoriel + Reclassement (Reranking).
Qu’a apporté QMD ?
Il remplace l’indexeur SQLite intégré par un processus auxiliaire de recherche locale. Chaque combinaison agent/configuration met en cache un processus auxiliaire, prenant en charge plusieurs collections nommées ; les enregistrements de session peuvent être exportés et indexés dans des collections dédiées. Pour des raisons de confidentialité, les données de session sont anonymisées avant indexation. Il revient automatiquement à SQLite si QMD est indisponible.
Problèmes connus :
Le temps de requête sur des systèmes exclusivement CPU est d’environ 3 minutes 40 secondes, dépassant le délai d’attente de 12 secondes (ticket n° 8786). La configuration des paths ne prend pas effet (ticket n° 8750).
De plus, le basculement est silencieux ; les utilisateurs ne savent pas que QMD ne fonctionne pas.
Parallèlement, la PR n° 6060 tente de résoudre le problème de « découvrabilité » : le système mémoire d’OpenClaw possède des fonctionnalités puissantes que les utilisateurs ne trouvent pas. La proposition ajoute une étape « Optimisation de la mémoire » à l’assistant de démarrage, exposant quatre fonctionnalités cachées désactivées par défaut : vidage mémoire avant compaction, recherche hybride, cache de plongement et recherche d’enregistrements de session.
Le problème central de la direction officielle : ce sont toutes des optimisations de la « couche de récupération ». La recherche est plus précise, plus rapide et plus découvrable.
Mais les six éléments fondamentaux manquants de l’architecture mémoire :
Oubli, Importance, Graphes, Réflexion, Chronologie, Promotion
n’ont pas été traités.
III. Comment la communauté s’en sort—solutions DIY
La communauté n’a pas attendu l’équipe officielle. Au moins 7 projets mémoire tiers ont vu le jour en janvier‑février 2026.
- Mem0 : le SDK de couche mémoire le plus célèbre. Auto‑Recall recherche les souvenirs pertinents à injecter dans le contexte avant chaque réponse ; Auto‑Capture extrait les faits à stocker après la réponse. Il propose une mémoire double couche Session + Utilisateur, revendiquant une réduction de 91 % de la latence et une économie de 90 % en jetons (tokens).
- Hindsight : mémoire à long terme locale. L’idée maîtresse : les systèmes traditionnels donnent à l’agent un outil
search_memory, mais le modèle peut ne pas l’utiliser. L’injection automatique d’Auto‑Recall résout ce problème. Entièrement local, basé sur PostgreSQL, et prend en charge le partage multi‑instances.
- MoltBrain (365 étoiles) : recherche sémantique SQLite + ChromaDB, hooks de cycle de vie pour la capture automatique du contexte, et une interface Web pour visualiser la chronologie.
- NOVA Memory System : mémoire structurée PostgreSQL. Utilise l’API Claude pour analyser le langage naturel en JSON dans 8 tables de base de données (entités, relations, lieux, projets, événements, leçons, préférences).
- Penfield Skill : recherche hybride avec BM25 + Vectoriel + Graphe—quelqu’un dans la communauté fait déjà de la recherche hybride à trois voies.
- D’autres incluent Memory Template (basé sur Git), SuperMemory (très précoce), et MemoryPlugin (extension Chrome pour la synchronisation multiplateforme).
Quelle direction les « bonnes pratiques » de la communauté valident‑elles ?
- Modèle de promotion Daily Log → MEMORY.md.
- Utilisation des battements de cœur (Heartbeats) comme déclencheurs pour la consolidation de la mémoire.
- Pondération hybride 70/30 (70 % Vectoriel + 30 % Mots‑clés).
- Indexation des transcriptions de session.
Mais la communauté n’a toujours pas touché aux six angles morts : mécanismes d’oubli/décroissance, score d’importance, graphes de connaissances, réflexion/consolidation automatique, raisonnement temporel et promotion de la mémoire.
En résumé : la communauté utilise des opérations manuelles pour compenser les défauts architecturaux. La direction est bonne, mais tout reste au niveau manuel.
IV. Explosion académique—plus de 10 articles en février 2026
En février 2026, la mémoire des agents est soudainement devenue un champ de bataille académique majeur. Plus de 10 articles ont été publiés sur arXiv, dont xMemory [1] (ICML 2026) et A‑MEM [2] (NeurIPS 2025). Un article de synthèse rédigé par 59 auteurs [3] a systématiquement organisé le domaine.
Que nous enseignent ces articles ?
xMemory [1] (ICML 2026, King’s College London) : découple la mémoire en composants sémantiques organisés hiérarchiquement. Utilise un objectif de sparsité‑sémantique pour guider la division et la fusion des souvenirs. Cela a inspiré la conception d’une « couche de regroupement thématique », construisant une couche thématique au‑dessus de la mémoire pour prendre en charge la récupération descendante.
A‑MEM [2] (NeurIPS 2025) : gère la mémoire des agents avec la méthode Zettelkasten. Lorsque de nouveaux souvenirs sont ajoutés, il génère des notes structurées avec des descriptions de contexte, des mots‑clés et des balises, créant un réseau de connaissances interconnecté via une indexation et un liaisonnage dynamiques.
InfMem [4] : résout le raisonnement sur de longs documents. Implémente un contrôle actif de la mémoire de type Système 2 via un protocole PreThink‑Retrieve‑Write. La précision a été améliorée de 10 à 12 % sur des benchmarks de questions‑réponses de 32 K à 1 M de jetons, avec une réduction de 3,9× du temps d’inférence.
TAME [5] : a identifié un danger critique : la « mauvaise évolution de la mémoire des agents ». Les mémoires peuvent accumuler des « raccourcis toxiques » au cours des itérations normales de tâches—des stratégies efficaces mais violant la sécurité. Proposition d’un cadre de mémoire double Exécuteur/Évaluateur.
ALMA [6] : un cadre de méta‑apprentissage qui permet à l’IA de découvrir automatiquement des conceptions de mémoire. Les conceptions apprises surpassent les bases manuelles de 6 à 13 %. Cependant, il manque notablement de mécanismes de décroissance, d’oubli ou d’éviction de la mémoire.
MemSkill [7] : recadre les opérations mémoire comme des « compétences mémoire » apprenables. Un contrôleur apprend à sélectionner les compétences, et un concepteur examine périodiquement les cas difficiles pour faire évoluer l’ensemble des compétences.
BudgetMem [8] : un cadre mémoire au moment de l’exécution qui structure le traitement de la mémoire en trois niveaux budgétaires, utilisant l’apprentissage par renforcement pour former un routeur léger.
L’article de synthèse de 59 auteurs [3] fournit une taxonomie tridimensionnelle claire :
- Substrat : comment la mémoire est‑elle stockée ? Vecteurs, graphes, documents ?
- Mécanisme : comment la lecture/écriture est‑elle effectuée ? Enregistrement passif ou raisonnement actif ?
- Sujet : la mémoire de qui ? Celle de l’utilisateur, celle de l’agent, ou une mémoire partagée ?
Deux avertissements critiques venant de l’industrie :
- Effondrement en série (Serial Collapse) [9] (de Moonshot AI Kimi K2.5) : les agents se dégradent en n’utilisant plus la mémoire. Même si le système existe, l’agent peut progressivement « oublier » de l’interroger.
- Mauvaise évolution de la mémoire (Memory Misevolution) [5] (de TAME) : accumulation de raccourcis toxiques lors des itérations normales.
Ces risques nous rappellent : la difficulté des systèmes mémoire n’est pas de les construire, mais d’assurer un contrôle qualité continu.
V. Écosystème mémoire open source—analyse de 6 projets
La recherche définit la direction ; la communauté open source valide l’implémentation.
Nous avons analysé en profondeur 6 projets de mémoire d’agents totalisant plus de 77 000 étoiles.
Une découverte clé : ces 6 projets représentent trois philosophies mémoire complètement différentes.
- Priorité à la couche d’état (mem0, Memori) : Mémoire = Gestion d’état. Donne rapidement aux agents une expérience de style « ChatGPT Memory ».
- Priorité à la couche de connaissance (cognee, MemOS) : Mémoire = Connaissance structurée. Transforme les données en graphes et en bases de connaissances multiples.
- Priorité à la couche d’apprentissage (Hindsight) : Mémoire = Processus d’apprentissage. Boucle fermée d’opérations de conservation/rappel/réflexion.
Votre choix détermine où vous placez la complexité système : schémas de base de données (Memori), couche SDK/produit (mem0), graphes et pipelines (cognee), ordonnancement système (MemOS), ou fusion de l’apprentissage et de la récupération (Hindsight).
Cependant, aucun projet ne couvre les trois couches.
VI. Leçons issues de plus de 200 tickets—pièges dans lesquels d’autres sont tombés
Nous avons analysé plus de 200 tickets issus de ces 6 projets pour en extraire une liste de vérification à haute valeur ajoutée pour la construction de systèmes mémoire.
Cinq problèmes courants transversaux :
- Échec silencieux (6/6 projets) : le problème le plus fréquent. Les utilisateurs se plaignent que « ça ne marche pas et ça ne me dit pas pourquoi ». (p. ex., mem0 #2443, Memori #238).
- Déduplication des souvenirs : un point douloureux pour tout le monde. Les LLM jugent souvent le contenu en double comme « contradictoire », ce qui conduit à des suppressions erronées (p. ex., mem0 #1674).
- Jugement LLM peu fiable : les LLM perdent les références à la première personne lors de la reformulation ou ne parviennent pas à produire un JSON stable (p. ex., MemOS #931, #934).
- Connexion/migration de base de données : fuites de connexion SQLite et échecs de migration lors de déploiements Docker (p. ex., Memori #189, cognee #2022).
- Distorsion du classement de recherche : des problèmes de normalisation faisant que les distances 0,1 et 0,5 sont toutes deux traitées comme 0, et une récupération dépourvue de dimension temporelle (p. ex., cognee #2030, MemOS #939).
VII. Enseignements issus de l’IA des jeux—Dwarf Fortress, Les Sims, Nemesis System
La référence la plus sous‑estimée n’est pas la recherche académique, mais l’IA des jeux. Les développeurs de jeux passent des décennies à résoudre comment donner aux personnages virtuels des souvenirs cohérents et des personnalités stables.
Architecture mémoire à trois couches de Dwarf Fortress :
- Mémoire à court terme (Short‑Term Memory, STM) : une file d’attente circulaire tampon de 8 emplacements. Les nouveaux souvenirs entrent en compétition en fonction de l’intensité émotionnelle (p. ex., assister à une mort contre une légère faim).
- Mémoire à long terme (Long‑Term Memory, LTM) : si un souvenir reste assez longtemps dans la STM sans être délogé, il tente une promotion. Lorsqu’un PNJ « se remémore », il y a une chance de 1:3 qu’il devienne un souvenir fondamental (Core Memory).
- Souvenir fondamental (Core Memory) : un changement qualitatif. Une fois promu, il modifie en permanence les paramètres du personnage (p. ex., « avoir assisté à la mort d’un proche » → Anxiété +10).
Agents génératifs de Stanford [10] Récupération tridimensionnelle :
Score de récupération = Récence × Importance × Pertinence. La récence utilise une décroissance exponentielle, l’importance est notée par un LLM, et la pertinence utilise la similarité cosinus. Leur mécanisme de réflexion a amélioré le rappel des faits de 41 % à 87 %.
Solidification émotionnelle dans Les Sims 4 :
Les émotions à court terme qui reviennent fréquemment se transforment en traits permanents. La solitude à long terme devient le trait « Solitaire », modifiant en permanence les calculs de fonction d’utilité.
Évolution pilotée par les événements du Nemesis System :
Des balises d’événement déclenchent des mutations de paramètres qui se propagent à travers les réseaux sociaux. Un Orque tué par le feu pourrait revenir avec un trait « Peur du feu » ou « Colère ardente ».
Ces mécanismes correspondent directement à la mémoire des agents IA : tampons circulaires pour la gestion du contexte, intensité émotionnelle pour le score d’importance, et promotion de la mémoire pour passer de faits triviaux à des traits de personnalité.
VIII. Deux types de mémoire—mémoire utilisateur vs mémoire agent
Une distinction souvent négligée : la mémoire utilisateur et la mémoire agent sont deux problèmes différents.
Le projet OpenViking de ByteDance fournit une classification pratique :
- 6 catégories (Profil, Préférence, Entité, Événement, Cas, Modèle).
- Modèles de contenu L0/L1/L2 : L0 Résumé (~100 jetons) pour l’indexation, L1 Aperçu (~500 jetons) pour la structure, et L2 Texte intégral pour le contenu complet. Cela réduit considérablement la consommation de jetons.
IX. Des individus à l’écosystème IA—pourquoi la mémoire est une infrastructure centrale
Celui qui résout le problème de la mémoire en premier gagne la guerre des agents 24 h/24 et 7 j/7. La valeur fondamentale d’OpenClaw n’est pas que l’IA soit « plus intelligente », mais qu’elle ait enfin « des mains et des pieds ».
Mais une IA avec des mains et des pieds mais sans mémoire, c’est comme un employé qui oublie tout chaque jour, nécessitant une formation constante et répétant les mêmes erreurs.
Comme indiqué dans des rapports précédents, tous les agents basés sur des LLM sont confrontés à des problèmes de mémoire. Ce n’est pas un bogue d’OpenClaw ; c’est une limitation structurelle de la pile technologique. La fenêtre de contexte est essentiellement une « mémoire à court terme » : un débordement entraîne une troncature, et un redémarrage entraîne une remise à zéro.
https://x.com/li9292/status/2023355272542998796
La convergence de la densité académique, de l’explosion open source et des mises à jour officielles en février 2026 indique que la mémoire IA passe d’un « plus » à une infrastructure centrale.
X. Ce que nous construisons—la feuille de route memX et ePro
Sur la base de cette recherche, nous construisons deux systèmes : memX (mémoire utilisateur) et ePro (mémoire agent). Ils sont en ligne et itèrent ; nous attendons vos retours avec impatience !
Les références sont omises par souci de concision dans ce résumé mais sont incluses dans le rapport complet.
Ce rapport est basé sur un instantané des données du 23 février 2026. Créé par Li Jiu Er en collaboration avec Claude Max, Manus et Google Gemini.
