💾Ce n'est pas toi qui contrôles la mémoire de ton IA · les outils qui la mettent de ton côté

Le vrai problème : ce n'est pas qu'elle oublie, c'est que tu ne la contrôles pas

Soyons précis : aujourd'hui, ChatGPT et Claude ont bel et bien une mémoire d'une conversation à l'autre. ChatGPT te résume automatiquement ton historique ; Claude se souvient à l'intérieur d'un Projet. Donc dire « l'IA oublie tout » n'est plus tout à fait vrai.

Le problème est ailleurs, et plus subtil : cette mémoire est une boîte noire. Tu ne sais pas exactement ce qu'elle a gardé, tu ne peux pas l'ouvrir et la lire, tu ne la structures pas à ta guise, et si tu passes de ChatGPT à Claude (ou à n'importe quel autre), tu ne l'emportes pas. C'est une mémoire floue, pas une base de connaissances qui soit VRAIMENT à toi.

En dessous, il y a une raison technique : les modèles restent figés après leur entraînement — ils n'apprennent pas de tes échanges. Leur mémoire vive, c'est la fenêtre de contexte (ce qui tient dans la conversation en cours), et tout le reste dépend de ces systèmes de mémoire que tu ne contrôles pas.

La solution, c'est de lui donner une mémoire qui, elle, est bien à toi : lisible, que tu modifies toi-même, et portable d'un modèle à l'autre. C'est comme donner à un employé brillant un carnet que toi aussi tu peux ouvrir, corriger et emporter — au lieu de compter sur le fait qu'il « se souvienne » à sa manière. C'est exactement ce que font les outils de ce guide, du plus simple au plus puissant.

L'échelle de la mémoire (du simple au puissant)

Tu n'as pas besoin de la solution la plus sophistiquée d'entrée de jeu. Monte les marches en fonction de ce dont tu as réellement besoin. Les deux premières, n'importe qui peut les faire, sans programmer.

Marche 1 · Le fichier d'instructions (CLAUDE.md / AGENTS.md)

Le plus simple et le plus rentable. C'est un fichier texte que ton IA lit automatiquement au début de CHAQUE session — comme ça, elle ne repart jamais de zéro. Tu y mets qui tu es, sur quel projet vous travaillez, tes règles et tes décisions. Dans Claude Code, il s'appelle CLAUDE.md ; le standard ouvert qui fonctionne avec plusieurs agents (Cursor, Codex, etc.) est AGENTS.md.

On va créer mon fichier de mémoire de projet (CLAUDE.md ou AGENTS.md). Pose-moi les questions nécessaires sur : ce que je suis en train de construire, mon niveau technique, les règles que tu dois toujours suivre, les décisions qu'on a déjà prises et les choses que tu ne dois JAMAIS faire. À partir de mes réponses, rédige-moi le fichier complet, clair et bien organisé, pour que je le colle à la racine de mon projet et que tu le lises à chaque session.

Marche 2 · La mémoire automatique (Memory tool d'Anthropic)

Le fichier de la marche 1, c'est toi qui l'entretiens. La marche 2, c'est l'IA qui le fait toute seule. Anthropic (les créateurs de Claude) a lancé en 2025 un outil de mémoire officiel : l'IA peut créer, lire, mettre à jour et supprimer ses propres notes dans un dossier /memories qui vit en dehors de la conversation — elle accumule ainsi l'essentiel d'une session à l'autre sans saturer le chat.

Pourquoi est-ce important qu'il vive en dehors du chat ? Parce que ça règle le « context rot » à la racine : au lieu de traîner tout l'historique dans la fenêtre (ce qui dégrade l'IA), il garde l'essentiel à part et ne le ramène que quand c'est nécessaire. D'après Anthropic, lors de tests sur des conversations longues, cela a réduit la consommation de tokens jusqu'à 84 % et amélioré les performances sur les tâches en plusieurs étapes. Traduction : moins cher et plus fiable.

Marche 3 · Le serveur de mémoire avec graphe (MCP officiel)

Les marches précédentes stockent des notes. Celle-ci stocke des connexions. Le Memory Server officiel de MCP, maintenu par l'équipe d'Anthropic, stocke la mémoire sous forme de graphe de connaissances, avec trois éléments : les entités (les choses : personnes, projets, décisions), les relations (comment elles se connectent, à la voix active : « Diego dirige NeuralOS ») et les observations (des données ponctuelles sur chaque entité).

La différence concrète ? Avec des notes à plat, l'IA se souvient de faits isolés. Avec un graphe, elle raisonne en suivant les connexions : elle peut répondre à « qui dépend de ça ? » ou « qu'est-ce qui casse si je change ceci ? » parce qu'elle comprend comment tout est relié. C'est le saut entre avoir une pile de petits papiers et avoir une carte. (C'est exactement le même principe que le graphe de connaissances utilisé par NeuralOS en interne.)

npx -y @modelcontextprotocol/server-memory

Marche 4 · Couches de mémoire dédiées (mem0 et compagnie)

Si tu construis quelque chose de sérieux avec des agents et que tu veux une mémoire robuste (qui apprend de chaque conversation, avec pertinence et tout le reste), il existe des couches de mémoire spécialisées, open-source. La plus populaire est mem0.

Mémoire simple vs. RAG vs. graphe : de quoi as-tu besoin ?

Trois choses qu'on confond souvent. En une phrase chacune :

Dans NeuralOS, la mémoire fait déjà partie de l'interface

La boucle complète (la suite de tout ça)

Donner de la mémoire à ton IA est la première étape d'un cycle qui s'auto-alimente : tu enregistres du contexte → tu le récupères avec le RAG quand le projet grandit → tu le structures dans un graphe quand il devient énorme → et tu audites ton travail avec une méthode pour qu'aucun bug ne se glisse. Chaque guide te mène au suivant.