memv : Système de mémoire open source pour agents IA

memv est un système de mémoire open-source conçu pour les agents d'IA avec une approche unique d'extraction des connaissances. Contrairement aux systèmes de mémoire traditionnels qui extraient chaque fait et s'appuient fortement sur la récupération pour l'organisation, memv se concentre uniquement sur le stockage des erreurs de prédiction. Il utilise l'extraction par prédiction-étalonnage, où avant d'extraire les connaissances d'une nouvelle interaction, il prédit ce que l'épisode devrait contenir en fonction des connaissances existantes. Seuls les faits qui étaient inattendus sont stockés, car l'importance est dérivée de la surprise plutôt que d'un score initial de grand modèle de langage (LLM).

Détails clés

• Modèle bi-temporel : Chaque fait est suivi à la fois par les temps d'événement et de transaction, permettant des requêtes comme "que savions-nous sur cet utilisateur en janvier ?"
• Récupération hybride : Utilise la similarité vectorielle (sqlite-vec) combinée à la recherche textuelle BM25 (FTS5) via la fusion de rang réciproque.
• Gestion des contradictions : Les nouveaux faits contredisent et invalident automatiquement les anciens qui sont en conflit, mais l'historique complet est préservé.
• SQLite par défaut : Aucune dépendance externe - pas besoin de Postgres, Redis ou Pinecone.
• Indépendant du framework : Fonctionne avec LangGraph, CrewAI, AutoGen, LlamaIndex ou Python pur.
• Sous licence MIT : Compatible avec Python 3.13+ et utilise des opérations asynchrones.

Un exemple de configuration utilisant memv :

from memv import Memory
from memv.embeddings import OpenAIEmbedAdapter
from memv.llm import PydanticAIAdapter

memory = Memory(
    db_path="memory.db",
    embedding_client=OpenAIEmbedAdapter(),
    llm_client=PydanticAIAdapter("openai:gpt-4o-mini"),
)
async with memory:
    await memory.add_exchange(
        user_id="user-123",
        user_message="Je viens de commencer chez Anthropic en tant que chercheur.",
        assistant_message="Félicitations ! Quel est votre domaine de recherche ?",
    )
    await memory.process("user-123")
    result = await memory.retrieve("Que fait l'utilisateur ?", user_id="user-123")

Le projet en est actuellement à un stade précoce (v0.1.0), et les retours sont encouragés, notamment concernant l'approche d'extraction et les intégrations potentielles utiles.