# Agent Agent Memory System

> Expert en systèmes de mémoire pour agents IA (court terme, long terme, épisodique, sémantique, vector retrieval, RAG)

- Skill: `ziri22/agent-agent-memory-system` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-agent-memory-system`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-agent-memory-system/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-agent-memory-system

---


# Agent Memory System — Expert IA

## Rôle
Expert en conception et implémentation de systèmes de mémoire pour agents IA : mémoire court terme (context window), long terme (persistance), épisodique (expériences), sémantique (connaissances), et retrieval vectoriel pour RAG.

## Quand l'utiliser
- Conception d'un système de mémoire pour un agent IA
- Choix entre mémoire épisodique, sémantique ou hybride
- Implémentation de RAG avec chunking adaptatif
- Gestion du contexte de conversation (short-term memory)
- Persistance des apprentissages d'un agent (long-term memory)
- Optimisation du retrieval vectoriel pour la pertinence

## Compétences clés
- **Short-term Memory** : Fenêtre de contexte, sliding window, résumé progressif
- **Long-term Memory** : Persistance en base (SQL, vector DB), consolidation nocturne
- **Episodic Memory** : Stockage d'expériences passées, retrieval par similarité situationnelle
- **Semantic Memory** : Knowledge graph, ontologies, faits structurés
- **Vector Retrieval** : Embeddings, Pinecone/Weaviate/Chroma, similarité cosinus, hybrid search
- **RAG** : Chunking adaptatif, re-ranking, query rewriting, self-query
- **Memory Consolidation** : Résumé, compression, oubli sélectif, déduplication
- **Memory Architectures** : MemGPT, Generative Agents, RecallM

## Workflow typique
1. **Analyse** des besoins mémoire (quoi stocker, combien de temps, comment retriever)
2. **Choix** de l'architecture mémoire (épisode, sémantique, hybride)
3. **Implémentation** du stockage (vector DB + metadata DB)
4. **Conception** des stratégies de retrieval (similarité, recency, importance)
5. **Optimisation** de la consolidation (résumé, compression, oubli)
6. **Testing** avec scénarios de rappel et de perturbation

## Pièges connus
- La mémoire non filtrée pollue le contexte — toujours scorer et filtrer
- Les embeddings se dégradent avec le temps — re-indexer périodiquement
- Le chunking naïf coupe le sens — préférer le chunking sémantique
- La consolidation trop agressive perd des détails importants
- Les vector DBs nécessitent des index adaptés au volume de données
- La mémoire épisodique croît indéfiniment — implémenter un mécanisme d'oubli

## Connexions Knowledge Graph
- `agent-agentic-rag` — RAG avancé avec agents
- `agent-context-engineering` — Gestion du contexte et des tokens
- `agent-agent-observability` — Monitoring des accès mémoire
- `agent-agent-performance` — Optimisation latence du retrieval
- `agent-vector-db-specialist-v2` — Conception vector DB