recherche s\u00e9mantique<\/a> repose sur des vecteurs. On encode d’abord chaque texte \u00e0 retenir en un vecteur dense, avec un mod\u00e8le de fondation ou une autre technique de traitement du langage, puis on range ces vecteurs dans une base vectorielle con\u00e7ue pour manier de grandes dimensions. Quand une requ\u00eate arrive, on l’encode de la m\u00eame fa\u00e7on et on cherche les vecteurs les plus proches : c’est la m\u00e9thode dominante pour ce type de m\u00e9moire.<\/p>\nReste \u00e0 mesurer la proximit\u00e9. Le plus courant est la similarit\u00e9 cosinus entre le vecteur de la requ\u00eate ![\"q\"](\"https:\/\/www.ranksignal.fr\/wp-content\/ql-cache\/quicklatex.com-ac7da57d7f507262338bb5168feb3e06_l3.png\" "\\"Rendered")
et celui d’un souvenir ![\"d\"](\"https:\/\/www.ranksignal.fr\/wp-content\/ql-cache\/quicklatex.com-4e8716946f6a868f015e0d62f28bc540_l3.png\" "\\"Rendered")
:<\/p>\n
<\/span> <\/span>![\"\[](\"https:\/\/www.ranksignal.fr\/wp-content\/ql-cache\/quicklatex.com-56e337dadde0b44d30dd18ee9a81fd3b_l3.png\" "\\"Rendered")
<\/p><\/p>\nAu num\u00e9rateur, le produit scalaire des deux vecteurs ; au d\u00e9nominateur, le produit de leurs longueurs. Le r\u00e9sultat mesure l’angle entre eux : proche de 1 pour des textes tr\u00e8s semblables, proche de 0 pour des textes sans rapport, proche de \u22121 pour des sens oppos\u00e9s. Un souvenir qui dit la m\u00eame chose avec d’autres mots reste donc proche de la question, l\u00e0 o\u00f9 une recherche par mots exacts passerait \u00e0 c\u00f4t\u00e9.<\/p>\n
Le voir tourner en quelques lignes<\/h3>\n
Comment un agent retrouve-t-il, parmi deux textes enregistr\u00e9s, celui qui \u00e9claire la relation entre intelligence artificielle et apprentissage automatique ? Le code ci-dessous cr\u00e9e une m\u00e9moire vectorielle avec la biblioth\u00e8que vectordb<\/code>, qui d\u00e9coupe chaque texte en fen\u00eatres glissantes de 128 jetons avec un recouvrement de 16<\/strong>. Il y range deux textes avec leurs m\u00e9tadonn\u00e9es (titre, URL), puis retrouve les trois meilleures correspondances.<\/p>\nfrom vectordb import Memory\nmemory = Memory(chunking_strategy={'mode':'sliding_window', 'window_size': 128,\n'overlap': 16})\ntext = """\nMachine learning is a method of data analysis that automates analytical\nmodel building. It is a branch of artificial intelligence based on the\nidea that systems can learn from data, identify patterns and make\ndecisions with minimal human intervention. Machine learning algorithms\nare trained on datasets that contain examples of the desired output.\nFor example, a machine learning algorithm that is used to classify\nimages might be trained on a dataset that contains images of cats\nand dogs. Once an algorithm is trained, it can be used to make\npredictions on new data. For example, the machine learning algorithm\nthat is used to classify images could be used to predict whether a new\nimage contains a cat or a dog.\n"""\nmetadata = {"title": "Introduction to Machine Learning", "url":\n"https:\/\/learn.microsoft.com\/en-us\/training\/modules\/" +\n "introduction-to-machine-learning"}\nmemory.save(text, metadata)\ntext2 = """\nArtificial intelligence (AI) is the simulation of human intelligence in machines\nthat are programmed to think like humans and mimic their actions.\nThe term may also be applied to any machine that exhibits traits associated with\na human mind such as learning and problem-solving.\nAI research has been highly successful in developing effective techniques for\nsolving a wide range of problems, from game playing to medical diagnosis.\n"""\nmetadata2 = {"title": "Artificial Intelligence for Beginners", "url":\n"https:\/\/microsoft.github.io\/AI-for-Beginners"}\nmemory.save(text2, metadata2)\nquery = "What is the relationship between AI and machine learning?"\nresults = memory.search(query, top_n=3)\n<\/code><\/pre>\nTrois appels portent toute la logique. Memory(...)<\/code> r\u00e8gle la fa\u00e7on de d\u00e9couper les textes, memory.save(text, metadata)<\/code> \u00e9crit un souvenir avec ses m\u00e9tadonn\u00e9es, et memory.search(query, top_n=3)<\/code> relit les trois plus proches de la question. Les m\u00e9tadonn\u00e9es servent \u00e0 garder la trace d’o\u00f9 vient chaque souvenir.<\/p>\nQuand la m\u00e9moire se r\u00e9\u00e9crit elle-m\u00eame<\/h2>\n
Garder chaque exp\u00e9rience brute a un d\u00e9faut : elles s’empilent. Une autre voie les distille<\/strong> : l’apprentissage exp\u00e9rientiel part d’une r\u00e9serve d’exp\u00e9riences, en tire des enseignements, puis les condense en une courte liste de r\u00e8gles gr\u00e2ce \u00e0 quatre op\u00e9rations : ajouter, modifier, retirer, approuver.<\/p>\nLe point de d\u00e9part est simple : on demande au mod\u00e8le de fondation de r\u00e9fl\u00e9chir aux observations renvoy\u00e9es par l’environnement, pour y rep\u00e9rer des enseignements qui am\u00e9lioreraient la performance future. \u00c0 quoi cela ressemble-t-il dans le code ?<\/p>\n
class InsightAgent:\n def __init__(self):\n self.insights = []\n self.promoted_insights = []\n self.demoted_insights = []\n self.reflections = []\n\n def generate_insight(self, observation):\n # Use the LLM to generate an insight based on the observation\n messages = [HumanMessage(content=f'''Generate an insightful analysis based\n on the following observation: '{observation}'''')]\n # Build the state graph\n builder = StateGraph(MessagesState)\n builder.add_node("generate_insight", call_model)\n builder.add_edge(START, "generate_insight")\n graph = builder.compile()\n\n # Invoke the graph with the messages\n result = graph.invoke({"messages": messages})\n # Extract the generated insight\n generated_insight = result["messages"][-1].content\n self.insights.append(generated_insight)\n print(f"Generated: {generated_insight}")\n return generated_insight\n<\/code><\/pre>\nLa classe tient quatre listes : les enseignements, ceux qu’on promeut, ceux qu’on r\u00e9trograde, et les r\u00e9flexions. La m\u00e9thode generate_insight<\/code> construit une invite \u00e0 partir d’une observation, la fait passer par un petit graphe d’\u00e9tat, puis stocke le r\u00e9sultat. StateGraph<\/code>, MessagesState<\/code> et START<\/code> appartiennent au cadre LangGraph, et call_model<\/code> est l’enveloppe qui isole l’appel au mod\u00e8le, pour que chaque n\u0153ud du graphe reste cibl\u00e9.<\/p>\nAvec assez de retours, ce proc\u00e9d\u00e9 apprend des interactions avec l’environnement et am\u00e9liore la performance dans le temps. Il permet aussi de s’adapter \u00e0 un environnement qui change<\/strong> : si l’agent doit ajuster sa politique, il le peut. Ces approches restent pratiques, abordables et faciles \u00e0 mettre en \u0153uvre, parfois en quelques lignes de code. Une variante, Reflexion, enregistre et r\u00e9injecte des r\u00e9flexions sur les \u00e9checs.<\/p>\n\n\ud83d\udca1 Intuition<\/strong> Les exp\u00e9riences sont les notes brutes d’un carnet ; les r\u00e8gles, la fiche de r\u00e9vision qu’on en tire. Une r\u00e8gle qui a fait ses preuves se promeut, une r\u00e8gle qui ne sert plus se retire.<\/p>\n<\/blockquote>\nEntre le prompt et les poids<\/h2>\n
Ce qu’un agent apprend se range \u00e0 trois niveaux, du plus fugace au plus durable. L’invite d’une session, d’abord. La m\u00e9moire non param\u00e9trique, ensuite, qui persiste et se consulte. Au-dessus, des m\u00e9canismes plus permanents : ing\u00e9nierie d’invite, mises \u00e0 jour de flux, ou r\u00e9entra\u00eenement complet du mod\u00e8le.<\/p>\n
L’apprentissage en contexte sert souvent de premi\u00e8re ligne : il permet de tester vite et \u00e0 faible risque des am\u00e9liorations dans des interactions r\u00e9elles, avant de les codifier. En production, la boucle se referme ainsi : les retours de terrain font remonter les probl\u00e8mes, l’exp\u00e9rimentation valide les correctifs, et l’apprentissage continu les inscrit pour un effet imm\u00e9diat ou durable.<\/p>\n
O\u00f9 sont les poids dans cet escalier ? Tout en haut, en dernier recours.<\/strong> On commence par les approches non param\u00e9triques, plus simples et plus rapides ; quand on dispose de nombreux \u00e9chantillons, l’affinage<\/a> devient une option \u00e0 consid\u00e9rer.<\/p>\nCe que cette m\u00e9moire ne r\u00e8gle pas<\/h2>\n
\u00ab Non param\u00e9trique veut dire sans param\u00e8tres. \u00bb<\/strong> Le mod\u00e8le garde les siens, seulement intacts : c’est la m\u00e9moire autour de lui qui \u00e9volue.<\/p>\n\u00ab Plus de souvenirs, c’est mieux. \u00bb<\/strong> Ajouter des exemples fait monter le co\u00fbt et la latence, et tous ne servent pas \u00e0 toutes les entr\u00e9es. M\u00eame quand les bons documents sont trouv\u00e9s, ils peuvent \u00eatre trop nombreux pour tenir dans le contexte du mod\u00e8le.<\/p>\n\u00ab Ce qu’on retrouve est toujours juste. \u00bb<\/strong> Il faut tester qu’une pr\u00e9f\u00e9rence obsol\u00e8te ou erron\u00e9e ne remonte pas \u00e0 cause d’une fuite de donn\u00e9es ou d’une erreur d’indexation. Il faut aussi v\u00e9rifier qu’une donn\u00e9e voisine mais hors sujet ne soit pas retrouv\u00e9e sur une simple ressemblance de formulation. La base elle-m\u00eame peut \u00eatre p\u00e9rim\u00e9e, ou mal index\u00e9e.<\/p>\n\u00ab On peut \u00e9crire dans n’importe quel index. \u00bb<\/strong> Certaines biblioth\u00e8ques vectorielles sont statiques : leurs donn\u00e9es d’index sont immuables, ce qui complique l’ajout d’informations nouvelles. FAISS n’a pas \u00e9t\u00e9 con\u00e7u pour les op\u00e9rations de cr\u00e9ation, lecture, modification et suppression ; il convient quand la base est immuable et qu’on se contente d’y lire. Un syst\u00e8me dont la m\u00e9moire doit \u00e9voluer demande donc un stockage choisi pour cela.<\/p>\n\n\u26a0\ufe0f Pi\u00e8ge<\/strong> Plus la m\u00e9moire couvre large, plus elle est sensible. Un agent d’\u00e9quipe qui se rappelle une chose dite dans une conversation priv\u00e9e, ou un agent de d\u00e9partement qui fait remonter des donn\u00e9es confidentielles d’une unit\u00e9 \u00e0 l’autre, provoque une rupture de confiance ou de conformit\u00e9. Les fronti\u00e8res de confidentialit\u00e9 doivent \u00eatre respect\u00e9es, auditables et applicables.<\/p>\n<\/blockquote>\nReste \u00e0 savoir si la m\u00e9moire tient debout : on teste ses temps de r\u00e9cup\u00e9ration sous charge croissante, et on simule l’indisponibilit\u00e9 de la base, la corruption de donn\u00e9es ou une migration de version pour v\u00e9rifier que l’agent se r\u00e9tablit proprement.<\/p>\n
\n\ud83d\udccc \u00c0 retenir<\/strong> Tu peux voir la m\u00e9moire non param\u00e9trique comme un carnet que l’agent \u00e9crit, relit et r\u00e9vise : ses poids restent les m\u00eames, c’est le carnet qui grandit. \u00c0 toi d’en soigner le contenu, car ce que l’agent retrouve conditionne tout ce qu’il fera ensuite.<\/p>\n<\/blockquote>","protected":false},"excerpt":{"rendered":"Une m\u00e9moire non param\u00e9trique garde le savoir d’un agent hors de ses poids : on l’\u00e9crit, on la relit, on la corrige. Comment elle marche, et o\u00f9 elle s’arr\u00eate.<\/p>\n","protected":false},"author":1,"featured_media":477,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[17],"tags":[],"class_list":["post-478","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-inference"],"_links":{"self":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/478","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/comments?post=478"}],"version-history":[{"count":3,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/478\/revisions"}],"predecessor-version":[{"id":806,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/478\/revisions\/806"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media\/477"}],"wp:attachment":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media?parent=478"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/categories?post=478"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/tags?post=478"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"Deux](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/09\/b2_ch01_memoire_parametrique-scaled.png\")