Mémoire du bourgeon gustatif : Mémoire d'agent réversible via le calcul hyperdimensionnel

TasteBud Memory est un index mémoire réversible pour agents IA basé sur le calcul hyperdimensionnel / architectures symboliques vectorielles (Kanerva). Au lieu de mélanger les contributions des projets en une somme irréversible (comme mélanger de la peinture), chaque projet reçoit un vecteur déterministe de 4096 dimensions ±1, et le travail d'une journée est encodé comme une somme pondérée. Comme les vecteurs aléatoires de haute dimension sont quasi orthogonaux, les produits scalaires peuvent décomposer le mélange en ses projets constitutifs, y compris détecter des ingrédients inconnus.

Ce qu'il fait

• Décodage sans perte : à partir du vecteur d'une journée, retrouver exactement quels projets ont contribué et leurs proportions.
• Récupération complète : lister tous les jours qui ont touché au projet X (la recherche par plongement renvoie des représentants, pas l'ensemble complet).
• Suivi d'origine : trouver quand un projet a commencé, même sous d'anciens noms.
• Différences d'ensembles : qu'est-ce qui était actif en mars mais mort en juin ? (impossible avec les plongements)
• Détection d'absence : quels flux de travail n'ont jamais eu de documentation ?
• Détection d'ingrédient inconnu : signale quand le travail d'une journée contient un projet non présent dans le codebook — l'astuce du 'palais du chef'.

Protocole de validation

Avant de faire confiance, testé à rebours sur l'historique de l'auteur :

• Gel d'un document de vérité terrain, des agents vérificateurs adverses ont re-dérivé à l'aveugle 31 des 92 jours — détection de 2 vraies erreurs de balisage, 93,5 % de fidélité.
• Rejeu de l'historique avec des projets connus supprimés du codebook pour prouver que le détecteur d'ingrédients inconnus les aurait signalés (jours 0-2 dans les tests).
• L'historique réel contenait un projet qui a duré 13+ jours avant d'obtenir une documentation — la motivation originale.

Limitations honnêtes

• La table de composition simple fait la plupart du travail de requête. La couche vectorielle apporte sa valeur ajoutée sur le décodage sans perte, la similarité entre jours, le suivi de dérive et l'encodage à taille fixe.
• Le modèle local (Gemma 26B) n'a pas passé le seuil de qualité de balisage (0,74 d'accord contre barre à 0,80) — actuellement solution de repli alertée, le grand modèle cloud est le principal de nuit.
• C'est un index, pas un résumeur. Il récupère la liste des ingrédients, pas la recette.

Détails techniques

• ~600 lignes de Node.js sans dépendances
• Deux fichiers JSON pour la persistance
• Licence MIT
• Inclut un serveur MCP pour que toute plateforme d'agent puisse l'utiliser
• Données d'exemple fictives pour que chaque commande fonctionne immédiatement après le clone

Dépôt : github.com/Mikhail-Za/tastebud-memory. Le document de méthodologie (tests de validation, protocole de backtest) est dans le dépôt.