Elite Longterm Memory

• Vous perdez le contexte en cours de session — le protocole WAL (Write-Ahead Log) garantit que l'état est écrit avant que l'agent ne réponde, de sorte que les compactions et les pannes ne peuvent pas effacer ce qui est important.
• Vous travaillez sur des projets de longue durée ou multi-sessions — le fichier MEMORY.md soigneusement géré et les journaux quotidiens offrent à l'agent comme à l'humain un enregistrement durable et lisible des décisions prises.
• Vos agents répètent des erreurs ou oublient des préférences — Mem0 extrait automatiquement les faits des conversations et les déduplique, réduisant l'utilisation des tokens d'environ 80 % par rapport à l'historique brut.
• Vous exécutez des sous-agents ou des flux de travail parallèles — l'architecture en couches vous permet de transmettre un contexte structuré via des git-notes et la recherche sémantique plutôt que de tout réexpliquer.

• Vous avez besoin d'une tâche ponctuelle, en session unique — la configuration complète à 5 couches ajoute une surcharge qui n'est pas justifiée pour des scripts jetables ou des tâches courtes.
• Vous n'utilisez pas de clé LLM compatible OpenAI — la recherche vectorielle sémantique (LanceDB) et l'intégration Mem0 nécessitent OPENAI_API_KEY ; le skill n'atteindra pas son plein potentiel sans elle.

L'état est écrit dans SESSION-STATE.md avant que l'agent ne réponde, et non après. Cela évite toute perte de contexte lors de la compaction, des plantages ou des interruptions en cours de conversation — une garantie que les approches mémoire naïves ne peuvent pas offrir.

Tous les souvenirs sont indexés dans un magasin de vecteurs LanceDB local. Le rappel automatique injecte le contexte antérieur le plus pertinent dans chaque réponse, et les commandes manuelles memory_store / memory_recall vous permettent d'interroger ou de filtrer par catégorie et par score d'importance.

Les décisions structurées, les apprentissages et le contexte tenant compte des branches sont stockés sous forme de notes git — silencieuses, versionnées et exportables en JSON. Ils persistent de manière permanente aux côtés de l'historique de votre dépôt.

Mem0 extrait automatiquement les faits, les préférences et les décisions à partir de l'historique brut des conversations, les déduplique et fait remonter les souvenirs pertinents à la demande. Cela élimine la nécessité de transmettre l'intégralité de l'historique des échanges et réduit la consommation de tokens jusqu'à 80%.

Synchronisez optionnellement votre base de connaissances avec SuperMemory pour un accès multi-appareils et une interrogation en langage naturel du contexte stocké. Nécessite une SUPERMEMORY_API_KEY.

Un fichier racine MEMORY.md et des journaux quotidiens datés sous memory/YYYY-MM-DD.md offrent à l'agent comme au développeur un historique clair et navigable de ce qui a été décidé, appris et mémorisé — aucune base de données opaque n'est requise.

Au fil des jours ou des semaines, à mesure que le projet évolue, l'agent consigne les décisions techniques (par ex. « Utiliser Tailwind, pas du CSS vanilla ») dans des git-notes et dans SESSION-STATE.md. À chaque nouvelle session, il relit automatiquement le contexte précédent, de sorte qu'il ne vous demande plus jamais quel framework vous utilisez.

Lorsque la fenêtre de contexte se remplit et que l'agent effectue une compaction, SESSION-STATE.md joue le rôle d'une RAM chaude qui survit à la réinitialisation. Le protocole WAL garantit que tout ce qui a été dit lors du dernier échange est déjà persisté avant que la compaction ne se déclenche.

Le contexte stocké dans git-notes et LanceDB peut être interrogé par tout sous-agent instancié au démarrage d'une tâche, de sorte que les agents parallèles partagent les mêmes décisions et préférences sans nécessiter de réorientation manuelle.

Les préférences de l'utilisateur, les échéances récurrentes et les erreurs corrigées sont automatiquement extraites par Mem0 et conservées d'une session à l'autre. L'agent construit un modèle précis et dédupliqué de l'utilisateur au fil du temps, sans alourdir le prompt.