Comment donner une mémoire permanente à votre agent IA

Pourquoi la mémoire change tout

La différence entre un assistant IA utile et un assistant exceptionnel, c'est la mémoire. Sans mémoire, chaque conversation repart de zéro — vous réexpliquez votre contexte, vos préférences, vos projets. Avec la mémoire, votre agent accumule une compréhension sur des semaines et des mois, devenant progressivement plus utile sans effort supplémentaire de votre part.

ChatGPT propose des fonctionnalités de mémoire limitées gérées par OpenAI. Avec un agent OpenClaw auto-hébergé, vous contrôlez l'ensemble du système de mémoire : ce qui est stocké, comment il est recherché, combien de temps il est conservé et qui peut y accéder. Votre base de données de mémoire reste sur votre serveur.

Les trois couches de la mémoire de l'agent

OpenClaw implémente la mémoire comme trois systèmes distincts, chacun servant un objectif différent :

1. Historique des conversations (court terme + long terme)

Chaque message que vous échangez avec votre agent est stocké dans une base de données PostgreSQL sur votre serveur. Lorsque vous démarrez une nouvelle conversation, l'agent récupère les messages récents de la même session comme contexte. Pour les intervalles plus longs (jours ou semaines), il récupère un résumé des conversations précédentes pertinentes.

C'est analogue à la façon dont vous pourriez briefer un assistant humain : "Quand on a parlé du projet la dernière fois, on a décidé X." Votre agent a accès au vrai enregistrement de la conversation, pas à un résumé qu'il aurait inventé.

2. Mémoire sémantique (recherche vectorielle)

À mesure que les conversations s'accumulent, rechercher dans du texte brut devient peu pratique. OpenClaw utilise optionnellement des embeddings vectoriels — des représentations mathématiques du sens — pour permettre la recherche sémantique dans tout votre historique de conversations.

Cela signifie que vous pouvez demander : "Qu'est-ce que j'ai dit sur ma stratégie de prix ?" et l'agent trouve les mentions pertinentes même si vous n'avez jamais utilisé ces mots exacts. Les embeddings sont générés localement (en utilisant un petit modèle d'embedding) et stockés dans votre base de données — aucun service externe requis.

3. Mémoire explicite (préférences et faits)

La troisième couche est la plus actionnable : les faits explicites que vous dites à l'agent de mémoriser. Quand vous dites "mémorise : je préfère les exemples de code en TypeScript, pas en JavaScript", l'agent stocke cela comme une entrée de mémoire discrète qui est préfixée aux futures conversations pertinentes.

Vous pouvez consulter et gérer ces faits stockés via la commande /memory, les modifier s'ils changent et supprimer les entrées obsolètes. C'est la couche de mémoire que vous gérez activement — les autres s'accumulent passivement.

Apprendre à votre agent ce qu'il faut mémoriser

La mémoire explicite est la plus puissante quand vous investissez quelques minutes au départ pour établir un contexte fondamental. Bonnes choses à capturer :

• Contexte professionnel : votre rôle, secteur, stack technologique, taille d'équipe
• Préférences de communication : longueur de réponse, ton, préférences de mise en forme
• Règles permanentes : "Suggère toujours des alternatives quand tu n'es pas d'accord avec mon approche"
• Relations clés : noms et contexte des personnes que vous mentionnerez fréquemment
• Projets actifs : brèves descriptions de ce sur quoi vous travaillez

Au fur et à mesure que votre situation évolue, mettez la mémoire à jour : "Le projet client dont j'avais parlé est maintenant terminé. Supprimez-le de votre mémoire des projets actifs."

Gestion de la fenêtre de contexte de conversation

Les grands modèles de langage ont une fenêtre de contexte limitée — la quantité de texte qu'ils peuvent "voir" à la fois. Les longs historiques de conversation peuvent dépasser cette limite. OpenClaw gère cela via une résumisation automatique : quand une conversation dépasse un seuil configurable, la partie ancienne est compressée en un résumé qui prend moins de tokens tout en préservant les faits clés.

Ce processus est transparent : vous ne le remarquez pas, mais votre agent continue de référencer des informations du début de longues conversations sans manquer d'espace de contexte.

Sauvegarde et export de la mémoire

Comme votre base de données de mémoire est une instance PostgreSQL standard sur votre VPS, la sauvegarder est simple :

pg_dump openclaw_db > openclaw-backup-$(date +%Y%m%d).sql

Ajoutez cela à un cron job quotidien et synchronisez la sortie vers un stockage cloud (rclone vers S3, Backblaze B2, etc.) pour une sauvegarde hors site. Si vous migrez un jour vers un nouveau VPS, restaurez avec :

psql openclaw_db < openclaw-backup-20260101.sql

Tout votre historique de conversations et votre mémoire suivent votre agent où qu'il s'exécute.

Implications de confidentialité de la mémoire de l'agent

La mémoire permanente est une fonctionnalité à double tranchant. L'agent devient plus utile parce qu'il en sait plus sur vous — mais cela signifie aussi que les informations sensibles persistent plus longtemps. Quelques règles pratiques :

• Effectuez des révisions régulières de votre mémoire explicite et supprimez tout ce qui n'a plus besoin d'y être
• Pour les conversations très sensibles (médicales, juridiques, financières), envisagez de les commencer par "Ne stocke pas cette conversation dans la mémoire à long terme" — OpenClaw prend en charge les indicateurs de mémoire au niveau de la conversation
• Gardez le pare-feu de votre VPS correctement configuré — la base de données ne doit jamais être accessible depuis internet, uniquement depuis localhost

Les cours k-claw incluent un module dédié à la gestion de la mémoire, couvrant à la fois la configuration technique et les habitudes pratiques qui rendent la mémoire à long terme de l'agent véritablement utile plutôt qu'une source de problèmes.