La mémoire de l'agent : une ardoise, pas un cahier

Tu expliques soigneusement qui tu es, ce que tu veux et tes contraintes. Plus tard, l’agent te ressort une proposition qui semble ignorer un détail du début. « Mais je te l’ai expliqué au début ! » Ça peut arriver, mais l’explication n’est pas toujours un simple « oubli » : il faut distinguer le contexte fourni au modèle, la mémoire persistante éventuelle et les fichiers qu’une application choisit de lui montrer.

Oui. Et il l’a oublié. Pas par négligence — par construction. Aujourd’hui, on comprend une bonne fois pour toutes comment marche la mémoire d’un agent, avec deux objets d’école : l’ardoise et le cartable.

L’ardoise : tout tient dessus, jusqu’à ce que ça ne tienne plus

La fenêtre de contexte est la quantité d’information qu’un modèle peut prendre en compte pour une réponse donnée : messages, instructions, résultats d’outils et autres éléments transmis par l’application. Imagine une ardoise de taille limitée. Ce n’est pas forcément la conversation entière, et chaque outil ne transmet pas automatiquement tout ce qu’il a lu.

Une ardoise, c’est grand, mais ce n’est pas infini. Quand il y a trop de contenu, l’application peut tronquer l’historique, le résumer, sélectionner des passages ou refuser de poursuivre. Le comportement dépend du modèle et de l’application : il n’y a pas une seule gomme universelle. Un résumé peut conserver l’idée générale en perdant un chiffre ou une nuance.

La fenêtre de contexte a une limite, mais cela ne signifie pas toujours que ce qui en sort « cesse d’exister » : une application peut conserver l’historique ailleurs, puis ne transmettre qu’une partie à l’étape suivante. Le modèle ne peut toutefois pas utiliser de manière fiable une information qui ne lui est pas fournie au moment utile.

Le cartable : on n’emporte pas toute la bibliothèque

Deuxième conséquence, moins connue : quand tu donnes accès à un dossier de 500 fichiers, cela ne veut pas forcément dire que leur contenu entier est transmis au modèle. L’application peut se limiter aux fichiers choisis, chercher des passages pertinents ou ouvrir les documents au fil du travail. Imagine qu’elle prépare un cartable avec les livres choisis pour ce devoir, pas qu’elle transporte la bibliothèque entière.

Concrètement, un outil peut lister des fichiers puis en lire certains. Si le bon document n’est pas sélectionné ou si la recherche ne retrouve pas le bon passage, l’agent peut manquer une information qui existe pourtant dans le dossier. L’accès technique au dossier et la lecture effective de chaque fichier sont deux choses différentes.

Et entre deux journées d’école ?

Dernier morceau du puzzle : la nouvelle conversation. Dans certains services, une nouvelle session repart sans l’historique de la précédente ; d’autres proposent une mémoire enregistrée, des préférences ou des projets qui réutilisent des éléments choisis. Ces fonctions dépendent du produit et de ses réglages. Une mémoire persistante n’est donc ni automatique ni forcément complète : regarde ce qui est enregistré et ce que l’application utilise.

C’est déroutant la première fois — on a l’impression de retrouver un collègue amnésique. Mais c’est aussi une propriété rassurante : ce que tu confies à une ardoise ne la suit pas partout, indéfiniment.

Travailler AVEC cette mémoire (au lieu de lutter contre)

Une fois qu’on a compris ardoise + cartable, les bonnes pratiques deviennent évidentes. Ce sont celles de l’école, encore et toujours :

1. Fais des fiches de synthèse. En fin de longue session, note les décisions, les faits à préserver et les prochaines étapes dans un fichier ou un document de projet. Le papier reste ; à la prochaine session, donne explicitement ce document à relire. Ne suppose pas que l’agent saura le retrouver tout seul.

2. Mets l’essentiel dans l’énoncé, pas seulement dans un long fil. Pour les règles durables, utilise une instruction de projet ou un fichier que l’application sait effectivement charger. Vérifie qu’il est pris en compte : enregistrer un document quelque part ne signifie pas que l’agent le lira automatiquement.

3. Les longues conversations méritent un point d’étape. Tu sens que la session s’éternise ? Demande : « résume où on en est et ce qui reste à faire ». Tu viens de recopier le haut de l’ardoise avant qu’il ne s’efface. Deux phrases de récap valent mieux que quarante messages évaporés.

4. Ne te vexe pas, répète. Si l’agent oublie une contrainte, redonne-la simplement. Ce n’est ni de la mauvaise volonté ni un caprice — c’est une ardoise qui a fait de la place.

À retenir : distingue le contexte fourni à une réponse, l’historique éventuellement conservé par l’application et les informations réutilisées entre sessions. Une fenêtre limitée n’efface pas forcément l’historique, et un fichier présent n’est pas forcément lu. Pour ce qui doit durer, écris-le et indique où l’application devra le retrouver.

La boucle est bouclée

Tu remarqueras la jolie ironie : la solution à la mémoire de la machine, c’est le plus vieux truc de l’école — écrire les choses sur du papier pour ne pas les oublier. Un blog qui s’appelle L’Encre Artificielle ne pouvait pas rêver meilleure conclusion.

La documentation d’OpenAI sur l’état des conversations explique que les messages envoyés au modèle consomment une fenêtre de contexte limitée et que la gestion de cet état dépend de l’API. Les bonnes pratiques de prompting de Claude décrivent aussi les limites de contexte et les workflows qui résument ou enregistrent des informations. La semaine prochaine, on ouvre la trousse de l’agent : fichiers, terminal et web.