Comment fonctionne la mémoire des compagnes IA : contexte, souvenirs et personnalité

En bref

La mémoire d'une compagne IA réunit les échanges récents et les informations reprises d'échanges antérieurs. Dans les conversations Tendera des utilisateurs inscrits, la mémoire à long terme est mise à jour automatiquement et fonctionne avec l'histoire, la personnalité et la façon de parler de chaque personnage. Les préférences importantes et le vécu commun peuvent orienter les réponses futures sans banque de souvenirs à entretenir. Ce guide distingue ces différentes couches et explique ce qu'il faut observer à mesure qu'une conversation se développe.

Vous dites à une compagne IA que votre chien s'appelle Pepper. Trois jours plus tard, elle vous parle de Pepper.

Cela ressemble à de la mémoire.

Vous lui dites que vous envisagez de quitter votre emploi parce qu'un responsable s'attribue constamment le mérite de votre travail. Trois jours plus tard, elle se souvient du nom de l'entreprise, mais demande : « Alors, comment va le travail ? »

Techniquement, le système s'en est souvenu. Émotionnellement, il est passé à côté.

C'est dans cet écart que la plupart des discussions sur la mémoire de l'IA s'embrouillent. Nous utilisons un seul mot, « mémoire », pour plusieurs tâches : garder à disposition le dialogue récent, extraire des faits durables, retrouver plus tard le fait pertinent, préserver sa portée émotionnelle et répondre d'une manière fidèle au personnage.

Un produit peut réussir les trois premières tâches et paraître tout de même étrangement oublieux.

Le modèle ne transporte pas votre passé avec lui

Quand une nouvelle demande de discussion parvient à un modèle de langage, il reçoit un ensemble de textes. Cet ensemble peut contenir des instructions système, l'écriture du personnage, les messages récents et des informations que l'application a retrouvées dans des conversations précédentes.

Le modèle ne commence pas avec un souvenir personnel du mardi dernier. L'application reconstitue suffisamment ce mardi pour rendre la réponse suivante possible.

Il existe plusieurs façons courantes de le faire :

• envoyer une portion récente de la conversation ;

• maintenir un résumé actualisé au fil de l'eau ;

• extraire des faits structurés comme les noms, le travail, les centres d'intérêt et les thèmes récurrents ;

• créer des embeddings des anciens messages et retrouver ceux qui ressemblent au sujet actuel ;

• laisser les utilisateurs entretenir une banque explicite de souvenirs.

La plupart des systèmes aboutis combinent plusieurs de ces méthodes. Les messages récents préservent le ton et la continuité immédiate. La mémoire à long terme transporte les détails au-delà de cette portion récente. La récupération tente de présenter le bon détail au modèle au bon moment.

Chaque couche résout un problème différent. Aucune ne résout à elle seule la question de la mémoire.

Quatre endroits où la mémoire peut échouer

Imaginons que vous mentionniez que votre sœur a un entretien d'embauche vendredi.

Échec de capture : le système n'identifie pas ce détail comme digne d'être conservé. Le lundi, il a quitté le contexte récent et disparu.

Échec de compression : le système enregistre « l'utilisateur a une sœur », mais perd l'entretien, sa date ou le fait qu'il vous inquiétait.

Échec de récupération : le souvenir existe, mais un message ultérieur comme « ce week-end était épuisant » ne semble pas assez proche pour le faire revenir.

Échec d'utilisation : le souvenir pertinent parvient au modèle, mais la réponse suit une autre piste de conversation et ne le mentionne jamais.

Du point de vue de l'utilisateur, ces quatre échecs se ressemblent : elle a oublié.

C'est pourquoi une case indiquant « possède une mémoire à long terme » ne vous apprend pas grand-chose. Les bonnes questions portent sur la sélection des informations, la survie de leur sens à la compression, le moment de leur récupération et la capacité du personnage à en faire quelque chose.

Les faits sont la couche facile

Les faits structurés séduisent parce qu'ils sont clairs. Un système peut conserver dans des champs prévisibles le nom, le métier, la ville, l'animal, les centres d'intérêt et la situation amoureuse d'un utilisateur. Ces données sont faciles à examiner et relativement faciles à injecter dans de futurs prompts.

Elles sont aussi la partie la moins intéressante du fait de se sentir connu.

Imaginez une fiche de mémoire disant :

> métier : chef de produit > thème récurrent : conflit avec un responsable > dernière humeur : frustré

C'est utile. Cela évite de repartir complètement de zéro. Mais cela ne préserve pas le fait que l'utilisateur voulait un conseil ou simplement une oreille attentive. Cela ne note pas que le personnage a contesté sa version du conflit. Cela ne capture ni la plaisanterie qui a changé l'ambiance ni la question qu'il a évitée.

Ces détails forment le sens relationnel de l'échange.

La tentation des ingénieurs consiste à ajouter toujours plus de champs. À la fin, le schéma de mémoire devient un entrepôt de noms. Mais la couche manquante n'est souvent pas un champ supplémentaire. C'est l'interprétation : qu'est-ce qui a changé parce que cette conversation a eu lieu ?

La récence et l'importance ne sont pas la même chose

Les fenêtres de messages récents sont fiables sur un point : elles préservent exactement les mots employés. Elles ne le sont pas sur un autre : c'est le temps qui décide de ce qui reste.

Le déjeuner commandé il y a dix minutes peut occuper plus de place dans le contexte qu'un aveu difficile fait deux semaines plus tôt. Un résumé actualisé peut créer le problème inverse en comprimant un échange émotionnellement complexe en une phrase bien nette.

La mémoire humaine n'est pas un modèle parfait. Les gens oublient sans cesse. Mais ils ne répartissent généralement pas non plus leur attention selon l'ordre des tokens. Ils se souviennent des surprises, des tensions inachevées, des schémas répétés et des choses liées à leurs préoccupations existantes.

Un système de mémoire IA a besoin d'une approximation de cette pertinence. La fréquence aide. Les signaux explicites de l'utilisateur aident. Le langage émotionnel peut aider, sans devoir être pris pour une certitude. Les sujets non résolus méritent un traitement différent des faits établis.

Toutefois, plus le système devient agressif, plus la confidentialité et l'exactitude comptent. Une application ne devrait pas transformer chaque humeur passagère en affirmation permanente sur l'identité de quelqu'un. « Je me suis senti seul ce soir » n'est pas la même chose que « je suis quelqu'un de solitaire ». L'extraction peut figer une phrase temporaire en faux fait durable.

Une bonne mémoire exige donc aussi de la retenue.

Une fenêtre de contexte plus grande ne supprime pas le problème de conception

Il est tentant de tout résoudre en envoyant davantage d'historique. Les modèles peuvent recevoir beaucoup plus de texte qu'il y a quelques années ; pourquoi résumer ?

Parce que la capacité n'est pas l'attention.

Davantage de contexte peut préserver la formulation exacte, mais ajoute aussi des détails concurrents. D'anciens malentendus restent à côté des corrections ultérieures. De petites conversations répétées entourent la seule phrase qui compte. Le coût et la latence augmentent, tout comme l'exposition de données privées.

Même si toute une relation tient dans une fenêtre de contexte, le produit doit encore répondre à ces questions :

• Quel moment passé compte maintenant ?

• Quel fait a été remplacé par une information plus récente ?

• Que faut-il oublier ou supprimer ?

• Qu'est-ce qui relève de ce personnage plutôt que d'une autre conversation ?

• Comment l'information retrouvée doit-elle influencer la réponse sans provoquer une récitation gênante ?

Ce sont des décisions de produit et d'écriture, pas des spécifications de fenêtre de contexte.

Le personnage est la dernière couche de la mémoire

Le même souvenir ne devrait pas donner la même réponse chez tous les personnages.

Si l'utilisateur a dit un jour qu'il déteste qu'on lui demande « ça va ? », un personnage pourrait s'en souvenir en posant une question précise sur le travail. Une autre pourrait envoyer une blague et attendre. Une troisième pourrait nommer directement ce qu'il évite.

Le fait conservé est le même. Le sens vient de celle qui l'utilise.

C'est ici que l'écriture des personnages travaille avec la mémoire. La récupération apporte les éléments pertinents du passé ; l'histoire et le point de vue du personnage façonnent ce qu'elle remarque, demande ou répond. Les deux contribuent à la continuité.

Un détail partagé devient plus utile lorsqu'il influence une réaction reconnaissable. Cherchez à la fois un lien juste avec la conversation précédente et une réaction fidèle à ce personnage particulier.

Comment Tendera rend une conversation familière

Tendera associe une mémoire à long terme actualisée automatiquement à des personnages écrits individuellement. À mesure que les conversations des utilisateurs inscrits se développent, les préférences importantes, les détails personnels, les corrections explicites et les moments significatifs de l'histoire commune peuvent suivre d'une session à l'autre. Le contexte récent garde l'échange immédiat clair ; la mémoire à long terme porte l'information pertinente au-delà.

La mémoire est mise à jour pendant que vous parlez, sans vous demander d'organiser des notes ou d'entretenir une banque de souvenirs. Quand vous corrigez explicitement un détail, le processus de mémoire est conçu pour utiliser l'information mise à jour plutôt que conserver deux versions contradictoires.

L'écriture des personnages leur donne des points de vue distincts. La chaleur réfléchie de Sophia, la vivacité de Mia, l'humour sec d'Elena et le langage imagé de Jade façonnent la façon dont chacune utilise l'histoire que vous partagez. Les personnages que vous créez suivent la même approche de mémoire avec leur propre histoire et la manière de parler que vous définissez.

Le résultat utile, c'est une continuité autour de vous et quelqu'un de reconnaissable auprès de qui revenir. Un détail important peut encore être manqué ; corrigez-le directement quand il compte. La mémoire automatique ne promet pas de préserver chaque phrase pour toujours.

Vous pouvez rencontrer Sophia avec cinq messages Web avant l'inscription pour découvrir sa voix. Une conversation suivie avec un compte permet d'observer comment l'histoire commune se développe. Pour l'évaluer concrètement, essayez nos cinq tests de mémoire avant de vous abonner.

La mémoire devrait changer la conversation suivante

La démonstration la plus simple de la mémoire est le rappel :

> « Comment s'appelle mon chien ? » > « Pepper. »

Cela vérifie une réponse juste. Pour évaluer la continuité, observez comment cette même information influence les conversations suivantes.

Un test plus solide est plus discret. Mentionnez que Pepper déteste les orages. Revenez pendant un orage une semaine plus tard. La conversation reconnaît-elle la situation sans réciter maladroitement un fait enregistré ? Répond-elle avec sa propre voix ? Le souvenir aide-t-il l'échange à aller quelque part de nouveau ?

La mémoire d'une compagne IA permet aux moments importants de l'histoire commune de s'accumuler et de rester à jour. L'écriture propre à chaque personnage aide cette histoire à influencer naturellement la prochaine question, réaction ou sujet. C'est cette association qui donne au retour le sentiment de reprendre la conversation déjà construite.

L'objectif n'est pas de rendre l'oubli techniquement impossible.

Il est de permettre à ce qui a compté de compter encore.