Mímir : Un système de mémoire Python basé sur 21 mécanismes de neurosciences

Mímir est un système de mémoire Python pour agents IA construit sur 21 mécanismes issus de recherches publiées en sciences cognitives, développé comme alternative aux approches RAG traditionnelles qui traitent la mémoire comme une base de données.

Mécanismes clés de neurosciences

• Mémoire flash (Brown & Kulik 1977) – les événements à haute excitation obtiennent des planchers de stabilité permanents
• Reconsolidation (Nader et al 2000) – les souvenirs rappelés dérivent de 5% vers l'humeur actuelle
• Oubli induit par la récupération (Anderson 1994) – récupérer un souvenir supprime activement les concurrents similaires
• Effet Zeigarnik – les échecs non résolus restent particulièrement vifs, les agents continuent de réessayer ce qui n'a pas fonctionné
• Vision de Völva – pendant sleep_reset(), des paires de souvenirs aléatoires sont échantillonnées et synthétisées en souvenirs d'intuition avec lesquels l'agent se réveille
• Yggdrasil – un graphe de mémoire persistant avec 6 types de liens connectant la mémoire épisodique, procédurale et sociale en une structure de connaissances unifiée

Implémentation technique

La récupération utilise un index hybride BM25 + sémantique + date avec un reclassement à 5 signaux (mot-clé, sémantique, vivacité, congruence d'humeur, récence). Cette approche a finalement rendu MSC compétitif avec TF-IDF brut après que les systèmes uniquement basés sur les mots-clés battaient ceux purement sémantiques.

Résultats de référence

Testé sur 6 références de mémoire standard (Mem2ActBench, MemoryBench, LoCoMo, LongMemEval, MSC, MTEB) :

• Bat VividnessMem sur Mem2ActBench de 13% en Précision d'outil
• 96% R@10 sur LongMemEval
• 100% sur 3 des 6 catégories LongMemEval (mise à jour des connaissances, préférence de session unique, utilisateur de session unique)
• MSC essentiellement à égalité avec la référence TF-IDF (perdait de 11% avant le pont hybride)

Installation et architecture

Installez via pip install vividmimir. Le système orchestre deux packages publiés séparément – VividnessMem (moteur de neurochimie) et VividEmbed (intégrations sensibles aux émotions de 389-d) – mais fonctionne de manière autonome avec des solutions de repli gracieuses si vous ne voulez pas la pile complète.

Le dépôt et les résultats complets des références sont disponibles sur github.com/Kronic90/Mimir.