Joerg Hiller
22 février 2026 04h38
LangChain détaille comment son système de mémoire Agent Builder utilise des métaphores de système de fichiers et le cadre COALA pour créer des Agents d'IA persistants et apprenants sans code.
LangChain a levé le voile sur l'architecture de mémoire alimentant son LangSmith Agent Builder, révélant une approche basée sur un système de fichiers qui permet aux Agents d'IA d'apprendre et de s'adapter d'une session à l'autre sans que les utilisateurs aient besoin d'écrire du code.
L'entreprise a fait un pari peu conventionnel : donner la priorité à la mémoire dès le premier jour plutôt que de l'ajouter plus tard comme la plupart des produits pilotés par l'IA. Leur raisonnement ? Agent Builder crée des agents spécifiques à des tâches, et non des chatbots généralistes. Lorsqu'un agent gère le même flux de travail de manière répétée, les leçons de la session du mardi devraient automatiquement s'appliquer le mercredi.
Les fichiers comme mémoire
Plutôt que de construire une infrastructure de mémoire personnalisée, l'équipe de LangChain s'est appuyée sur quelque chose que les LLM comprennent déjà bien : les systèmes de fichiers. Le système représente la mémoire de l'agent comme une collection de fichiers, bien qu'ils soient en réalité stockés dans Postgres et exposés aux agents comme un système de fichiers virtuel.
L'architecture correspond directement aux trois catégories de mémoire du document de recherche COALA. La mémoire procédurale — les règles guidant le comportement de l'agent — réside dans les fichiers AGENTS.md et les configurations tools.json. La mémoire sémantique, couvrant les faits et les connaissances spécialisées, se trouve dans les fichiers de compétences. L'équipe a délibérément omis la mémoire épisodique (enregistrements de comportements passés) pour la version initiale, pariant qu'elle importe moins pour leur cas d'usage.
Les formats standard l'ont emporté lorsque cela était possible : AGENTS.md pour les instructions principales, les compétences d'agent pour les tâches spécialisées, et un format inspiré de Claude Code pour les sous-agents. La seule exception ? Un fichier tools.json personnalisé au lieu du mcp.json standard, permettant aux utilisateurs d'exposer uniquement des outils spécifiques des serveurs MCP et d'éviter le débordement de contexte.
Une mémoire qui se construit elle-même
Le résultat pratique : des agents qui s'améliorent par correction plutôt que par configuration. LangChain a présenté l'exemple d'un résumeur de réunions où un simple retour utilisateur « utilise plutôt des puces » a automatiquement mis à jour le fichier AGENTS.md de l'agent. Au troisième mois, l'agent avait accumulé des préférences de formatage, des règles de gestion des types de réunions et des instructions spécifiques aux participants — le tout sans configuration manuelle.
La construction de cela n'était pas triviale. L'équipe a dédié une personne à temps plein uniquement aux invites liées à la mémoire, résolvant des problèmes comme les agents se souvenant quand ils ne le devraient pas ou écrivant dans de mauvais types de fichiers. Une leçon clé : les agents excellent dans l'ajout d'informations mais peinent à consolider. Un assistant email a commencé à lister chaque fournisseur à ignorer plutôt que de généraliser à « ignorer toute approche commerciale non sollicitée ».
Approbation humaine requise
Toutes les modifications de mémoire nécessitent une approbation humaine explicite par défaut — une mesure de sécurité contre les attaques par injection d'invite. Les utilisateurs peuvent désactiver ce « mode yolo » s'ils sont moins préoccupés par les entrées adverses.
L'approche par système de fichiers permet une portabilité que les DSL verrouillés ne peuvent égaler. Les agents construits dans Agent Builder peuvent théoriquement fonctionner sur Deep Agents CLI, Claude Code ou OpenCode avec un minimum de friction.
Ce qui arrive
LangChain a décrit plusieurs améliorations prévues : la mémoire épisodique via l'exposition de l'historique des conversations sous forme de fichiers, des processus de mémoire en arrière-plan fonctionnant quotidiennement pour capturer les apprentissages manqués, une commande explicite /remember, une recherche sémantique au-delà du grep de base, et des hiérarchies de mémoire au niveau utilisateur ou organisation.
Pour les développeurs construisant des Agents d'IA, les choix techniques ici comptent. La métaphore du système de fichiers contourne la complexité des API de mémoire personnalisées tout en restant native aux LLM. La question de savoir si cette approche évolue alors que les agents gèrent des tâches plus complexes et de plus longue durée reste ouverte — mais LangChain parie que les fichiers battent les cadres pour la construction d'agents sans code.
Source de l'image : Shutterstock
Source : https://blockchain.news/news/langchain-agent-builder-memory-system-architecture
