Introduction : pourquoi les agents IA ont-ils besoin d'une « mémoire d'équipe » ?
Si tu as utilisé des outils de programmation IA comme Claude Code, Cursor ou OpenCode, tu as forcément rencontré ce problème concret :
« À chaque nouvelle session, l'agent doit tout réapprendre sur le projet. Le contexte qu'on a mis des dizaines de tours de dialogue à construire se volatilise dès qu'on rafraîchit. »
« Cinq personnes dans l'équipe utilisent cinq sessions d'agent différentes, et chacun doit réexpliquer le même problème. »
C'est précisément le problème que résout TencentDB Agent Memory, open source lancé par Tencent Cloud. Ce projet a déjà dépassé 10 800 étoiles sur GitHub, avec plus de 600 étoiles par jour en moyenne. C'est l'un des projets d'infrastructure d'agents IA à croissance la plus rapide de toute la communauté open source.
Quels problèmes résout-il ?
Le RAG (génération augmentée par récupération) traditionnel répond à « ce qu'on peut trouver », mais TencentDB Agent Memory va plus loin en répondant à :
- Qui peut utiliser cette mémoire ? (contrôle des permissions)
- Quelle version est valable ? (gestion des versions)
- Quel agent doit recevoir cette mémoire ? (diffusion ciblée)
En bref, il permet aux équipes d'agents IA d'accumuler de l'« expérience » comme le feraient des équipes humaines : le travail déjà fait n'est pas à refaire, et les pièges déjà rencontrés ne sont pas à revivre.
Concepts clés : les quatre actifs de mémoire
TencentDB Agent Memory transforme l'information en quatre actifs de mémoire réutilisables (Memory Assets) :
1. Chat Memory (mémoire de conversation)
Il conserve les préférences, faits, décisions et l'historique des interactions des utilisateurs. Ce n'est pas un simple archivage de logs de chat, mais une mémoire structurée distillée en quatre couches :
| Niveau | Contenu stocké | Usage |
|---|---|---|
| L0 Conversation | Conversation complète d'origine | Vérifier le texte source, l'horodatage, la provenance |
| L1 Atom | Faits, préférences, contraintes extraits de la conversation | Mémoriser précisément les informations exploitables |
| L2 Scenario | Blocs de connaissances organisés par projet/scénario | Restaurer rapidement le contexte de travail |
| L3 Persona | Profil de long terme, modèles stables | Faire entrer rapidement l'agent dans le contexte de l'équipe |
2. Skill (compétence)
Des compétences réutilisables que l'agent extrait de son travail complexe — pas seulement des extraits de prompt, mais un workflow complet qui inclut la version, les fichiers de ressources, les limites de déclenchement, les étapes d'exécution et les règles de validation.
- Les Skills personnels sont privés par défaut et peuvent être partagés avec l'équipe après validation
- Par exemple un « processus de dépannage », une « check-list de revue de code » ou une « check-list de mise en production » — quand une personne l'apprend, toute l'équipe en profite
3. Wiki (base de connaissances)
Transforme la documentation produit, les spécifications de design et les manuels d'exploitation en pages structurées, avec un graphe de liens navigable (inspiré de la base de données LLM de Karpathy).
- L'agent n'a pas à relire toute la liste de fichiers à chaque travail
- Prend en charge la recherche hybride BM25 + vecteur + RRF
4. CodeGraph (graphe de code)
Indexe les symboles de code, les fichiers, les relations d'appel et les chemins d'impact.
- L'agent peut chercher, lire, inspecter les appelants/appelés
- Faire une analyse d'impact avant de modifier le code : « changer ça, va-t-il affecter quoi ? »
- Ne te dit pas seulement « ce code est ici », mais aussi « ce que son modification aura un impact sur »
Installation et déploiement
Prérequis
- Linux / macOS
- Docker + Docker Compose
- Au moins 8 Go de RAM
- Deux ensembles de codes d'API LLM (un groupe Mémoire et un groupe Proxy)
Démarrage rapide (en une étape)
# 1. Cloner le dépôt
git clone https://github.com/TencentCloud/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
# 2. Configurer les variables d'environnement
cp .env.example .env
# Modifier le fichier .env et renseigner les deux groupes de paramètres LLM :
# - Groupe Memory : extraction et hiérarchisation de la mémoire
# - Groupe Proxy : proxification des requêtes d'agents
# 3. Lancer d'un coup tous les services (memory-core + memory-hub + proxy)
./start-all.sh
Une fois le démarrage terminé, le script affiche une commande de configuration directement collable dans Claude Code.
Accéder au panneau de contrôle
# Ouvrir dans le navigateur
http://localhost:8125
Dans le panneau, tu peux : - Créer des équipes et des agents - Parcourir, rechercher, examiner et gérer les actifs de mémoire - Associer différents actifs de mémoire à différents agents
Arrêter les services
./stop-all.sh
Exemple concret : construis ton équipe d'agents
Imaginons que tu as une petite équipe de développement, voici comment tu peux la configurer :
Tiny Inc.
├── 👤 Toi — définir les objectifs / prendre des décisions
├── 🔭 Scout — recherche / opportunités
├── 🛠 Builder — écrire le code / faire le produit
├── 🧪 Reviewer — tester / trouver les problèmes
└── 🧠 Agent Memory — préserve l'expérience d'équipe
Étape 1 : créer l'équipe et les agents
Dans le panneau Memory Hub, crée l'équipe, puis crée l'agent correspondant à chaque rôle.
Étape 2 : importer les actifs existants
# Importer le code existant → le CodeGraph indexe automatiquement
# Importer les fichiers de documentation → le Wiki génère automatiquement des pages structurées
# Importer les conversations historiques → les Skills et la Chat Memory sont extraites automatiquement
Étape 3 : attribuer des actifs de mémoire à chaque agent
Chaque rôle, un équipement différent :
🔭 Scout
├── Chat Memory des entretiens utilisateurs
├── Wiki d'étude de marché
└── Skill d'analyse concurrentielle
🛠 Builder
├── Wiki du produit
├── CodeGraph du projet
└── Skill de livraison de fonctionnalités
🧪 Reviewer
├── Chat Memory des incidents passés
├── CodeGraph du projet
└── Skill de check-list de mise en production
Chaque agent ne récupère que la mémoire nécessaire pour accomplir son travail, ce qui réduit le bruit.
Aller plus loin : intègre à ton workflow via l'API
TencentDB Agent Memory offre une API RESTful qui s'intègre aux frameworks d'agents comme Claude Code, OpenCode ou Cursor.
Lister les outils disponibles
# Voir les outils de mémoire disponibles pour l'agent
curl http://localhost:8125/v3/tools/list
Exemple de résultat :
{
"tools": [
{
"name": "search_memory",
"description": "Rechercher des actifs de mémoire et retourner les résultats correspondants"
},
{
"name": "read_wiki",
"description": "Lire le contenu des pages du Wiki"
},
{
"name": "inspect_codegraph",
"description": "Inspecter les relations d'appel du code et les chemins d'impact"
}
]
}
Appeler la recherche de mémoire
curl -X POST http://localhost:8125/v3/tools/call \
-H "Content-Type: application/json" \
-d '{
"tool": "search_memory",
"query": "compatibilité mobile du module d'authentification",
"limit": 5
}'
Intégration avec Claude Code
Une fois start-all.sh terminé, il affiche la commande de configuration pour Claude Code, format généralement :
claude --permission-prompt-yolo \
--tools memory-search,memory-read \
--memory-endpoint http://localhost:8125
Ainsi, quand Claude Code code, il peut automatiquement accéder au Wiki et au CodeGraph du projet, sans que tu aies à réexpliquer le contexte du projet.
Le modèle des permissions et de la vie privée
Le design des permissions de TencentDB Agent Memory est très méticuleux, garantissant que les actifs de mémoire ne fuient pas n'importe comment :
| Visibilité | Signification |
|---|---|
private |
Visible uniquement par le propriétaire (Owner) — même les administrateurs d'équipe ne le voient pas |
team |
Lisible par les membres de l'équipe, administrable par le Owner/Admin |
restricted |
Autorisation précise via l'ACL User / Role / Agent |
agent |
Équipement ciblé pour un agent spécifique de l'équipe |
Les nouvelles Chat Memory et Skills sont par défaut en private — le partage est une opération explicite, pas une fuite par défaut.
Comparaison avec les approches RAG classiques
| Capacité | RAG standard | TencentDB Agent Memory |
|---|---|---|
| Compréhension inter-sessions de l'utilisateur | △ | ✅ Chat Memory |
| Distillation d'expérience exploitable | — | ✅ Skill |
| Relations structurelles des documents | △ Recherche par chunks | ✅ Memory actions Wiki + Link Graph |
| Graphe d'appels & périmètre d'impact du code | △ Correspondance textuelle | ✅ CodeGraph |
| Propriété / version / état | — | ✅ |
| Partage d'équipe & équipement d'agents | — | ✅ |
| Permissions / team / ACL | △ | ✅ |
Le RAG résout la question du « récupérer depuis une masse de données », tandis que Agent Memory résout celle de « sédimenter l'expérience précieuse et la distribuer précisément aux personnes et agents qui en ont besoin ».
Questions fréquentes
Q : Quelles clés d'API LLM sont nécessaires ?
Deux groupes de paramètres LLM : - Groupe Mémoire : pour la hiérarchisation des conversations, l'extraction des compétences, et la génération du Wiki - Groupe Proxy : pour le relais et l'acheminement des requêtes d'agents
Prise en charge des principaux fournisseurs de LLM (OpenAI, Anthropic, DeepSeek, etc.).
Q : Peut-on migrer les données des anciennes versions ?
Oui. Le projet fournit un outil de migration :
# Migration des données v2 → v3
# Voir MemoryCore/scripts/migrate-v2-to-v3/README.md
Q : Quelles langues sont prises en charge par CodeGraph ?
Actuellement, il privilégie les principaux langages de programmation, indexés via des dépôts HTTPS. La prise en charge du dépôt local est en cours.
Q : La mémoire prendra-t-elle beaucoup de contexte ?
Non. Les résultats de recherche sont soumis à un trio de contraintes : nombre, budget de caractères et délai d'expiration, pour éviter que la mémoire n'engloutisse la fenêtre de contexte. En général, L2/L3 fournissent une orientation rapide du contexte, et on retombe sur L1/L0 seulement quand des faits précis sont nécessaires.
En résumé
L'idée centrale de TencentDB Agent Memory est simple mais profonde :
« Le coût que tu paie pour apprendre le contexte du projet ne devrait pas être payé à nouveau par chaque nouvel agent. »
Ce n'est pas un outil RAG de plus, ni un simple historique de conversation. Il résout le problème le plus concret de la collaboration des agents IA — comment transmettre l'expérience.
- Les interactions précieuses sont conservées dans la Chat Memory
- Les workflows validés sont transformés en Skills
- Les évolutions des documents et du code sont mises à jour en continu via le Wiki et le CodeGraph
Le projet est open source sous licence MIT, adapté aux développeurs individuels comme aux équipes. Si tu développes en collaboration avec plusieurs agents IA, cet outil peut nettement améliorer ton efficacité.
🔗 Liens utiles : - GitHub : TencentCloud/TencentDB-Agent-Memory - Documentation d'installation : INSTALL.md - Documentation d'installation en chinois : INSTALL_CN.md