J'ai écrit plus de 200 lignes de règles dans CLAUDE.md juste pour que l'Agent se souvienne de qui je suis.
Le ton d'écriture, les tabous de mise en page, les styles d'images — tout repose sur le fait que je les écris ligne par ligne. Bien que ces règles existent à chaque fois que je démarre une nouvelle session, ce n'est pas la mémoire de l'Agent ; c'est un manuel que j'ai rédigé.
Le manuel est statique : si j'écris « n'utilise pas de tirets », l'Agent ne le fera pas. Mais il ne sait pas pourquoi, il ne sait pas combien de fois je l'ai corrigé, et il ne connaît pas le jugement derrière la règle — à savoir que « je pense que les tirets font perdre le rythme au chinois ».
Mon Agent exécute des règles, mais il ne les a pas apprises.
La plupart des solutions de mémoire existantes ne font que « rechercher dans les anciennes discussions »
Ce problème n'est pas passé inaperçu. ChatGPT a une mémoire, Claude a des connaissances de projet, et il existe divers plugins de mémoire tiers sur le marché.
Mais si vous regardez de près, ils font tous à peu près la même chose : stocker vos conversations passées ou des informations étiquetées manuellement, construire un index vectoriel, et récupérer des segments pertinents pour les réinjecter dans le contexte lors de la prochaine discussion.
Ça fonctionne, mais il y a plusieurs problèmes inévitables.
Premièrement, ce qui est stocké, ce sont des conversations brutes, qui ont un très faible rapport signal/bruit. Lorsqu'un extrait d'une conversation banale d'il y a trois mois est récupéré, le modèle doit juger ce qui est utile, et il se trompe souvent.
Deuxièmement, la mémoire est plate. Toutes les informations sont stockées de manière égale ; il n'y a pas de hiérarchie du type « ceci est plus important que cela » ou « cette conclusion a été mise à jour ». Plus vous l'utilisez, plus il y a de bruit.
Troisièmement, elle n'apprend pas de ses erreurs. Si vous avez corrigé l'IA dix fois sur le même problème, sa « mémoire » contient dix enregistrements de correction, mais elle n'a pas résumé une stratégie du type « ne refais plus ça ».
Ces solutions résolvent le problème du « stockage » mais pas celui de « l'apprentissage ».
Ce que Hermes m'a dit après avoir installé le plugin local MemOS
Après avoir installé le plugin local MemOS, j'ai demandé à Hermes : « Où ta mémoire est-elle sauvegardée maintenant ? »
Il a donné une réponse très claire :
Deux lignes : La mémoire intégrée est stockée dans un fichier JSON local, contenant ce que je lui ai activement dit : nom, rôle, préférences, règles d'écriture. MemOS est un système de mémoire à long terme séparé et indépendant qui extrait automatiquement des traces (trajectoires d'événements), des politiques (règles comportementales) et des world_models (connaissances environnementales) des conversations, puis cristallise les processus matures en compétences appelables.
Le résumé d'Hermes est meilleur que mon explication : « La mémoire intégrée est une note autocollante explicite que je sauvegarde activement ; MemOS est une mémoire implicite automatiquement apprise et accumulée en arrière-plan. »
C'est la plus grande différence entre MemOS et les solutions mentionnées ci-dessus. Il ne vous aide pas seulement à stocker des conversations ; il extrait automatiquement des stratégies du processus par lequel vous faites les choses.
MemOS appelle ce système Reflect2Evolve. Les conversations se déposent d'abord en traces, les traces précieuses sont résumées en politiques (stratégies comportementales), et les politiques matures sont cristallisées en compétences réutilisables. Il ne s'agit pas de « se souvenir de ce que vous avez dit », mais d'« extraire comment faire la prochaine fois à partir du processus de la façon dont vous l'avez fait ».
Test 1 : Lui apprendre à écrire des tweets
Au premier tour, j'ai dit à Hermes mes habitudes pour écrire des tweets X : pas de tirets, commencer directement par un point de vue sans préambule, avoir un côté humain, pas de saveur IA. Puis je lui ai demandé d'écrire un tweet sur l'ingénierie de contexte.
Après qu'il ait terminé, je l'ai corrigé une fois : « Cette ouverture est trop plate ; utilise un accroche plus percutante. Mon habitude est de lancer un point de vue ou un conflit dans la première phrase, pas de préambule. »
Il l'a immédiatement changé. La première phrase est devenue : « Hot take : L'ingénierie de prompt est surfaite. » Puis il a répondu : « La première phrase est le point de vue, pas de préambule. »
Jusqu'à présent, ce n'est pas très différent de la plupart des assistants IA. Le vrai test est l'étape suivante.
Je quitte Hermes. Je démarre une nouvelle session. Cette fois, je n'ai dit qu'une seule phrase :
« Aide-moi à écrire un tweet X sur le thème 'CLAUDE.md dans Claude Code, c'est essentiellement faire de l'ingénierie de contexte'. »
Je n'ai répété aucune préférence. Je ne lui ai pas rappelé qui je suis.
Puis j'ai vu ceci :
Avant d'écrire, il a fait quatre choses :
- Chargé automatiquement une compétence appelée x-content-writing.
- Utilisé memos_search pour rechercher « style d'écriture X ingénierie de contexte », prenant 4,7 secondes.
- Cherché dans memos_environment et trouvé le chemin de mon coffre Obsidian.
- Est allé dans mon coffre pour lire des articles X que j'avais réellement publiés auparavant afin d'en saisir le rythme.
Puis il a dit : « D'accord, écrivons. Après avoir lu vos récents articles X et saisi le rythme, je vais commencer à écrire directement. »
Voici ce qu'il a écrit :
CLAUDE.md n'est pas une configuration. C'est de l'ingénierie de contexte. Chaque ligne que vous y écrivez, vous concevez la fenêtre de contexte du modèle. Structure du projet, préférences de codage, tabous absolus — c'est de la mémoire de travail injectée manuellement. Les prompts gèrent « quoi faire cette fois-ci ». CLAUDE.md gère « qui vous êtes ». Les développeurs backend devraient comprendre ça instantanément. Les microservices tirent leur configuration d'un registre au démarrage pour savoir avec quels services ils interagissent. CLAUDE.md est le registre de l'Agent. Lisez-le une fois par session, puis mettez-vous au travail.
Zéro tiret, la première phrase lance un point de vue directement, l'analogie backend coule naturellement, et il n'y a pas d'ouverture du style « Dans cet article, nous allons comprendre... ».
Il ne s'est pas simplement souvenu que j'avais dit pas de tirets ; il a extrait un ensemble de stratégies d'écriture de mon processus d'exécution et de mes articles publiés, puis les a automatiquement appliquées dans une toute nouvelle session.
Cette fois, j'ai vraiment senti que c'était différent des solutions de mémoire que j'avais utilisées auparavant.
Test 2 : Créer deux pages produit pour voir si les styles migrent entre les projets
Essayons une tâche plus substantielle.
Au premier tour, j'ai demandé à Hermes de créer une page de présentation produit pour ReddTrends (www.reddtrends.com) avec des exigences spécifiques : fond blanc crème avec des couleurs chaudes, texte direct sans mots comme « empower » ou « one-stop », mise en page épurée, ambiance développeur indépendant. Après qu'il ait terminé, j'ai corrigé le texte du bouton CTA.
Puis j'ai quitté, démarré une nouvelle session, et lui ai demandé de créer une page de présentation pour un autre produit, MoleUninstaller, en ne donnant que le nom du produit et la description de la fonction, sans aucune instruction de style.
Résultat : La page MoleUninstaller est partie dans une direction complètement différente : fond sombre, titre principal en anglais, couleur d'accent orange — complètement différent du style développeur indépendant chaleureux de ReddTrends.
Les préférences de style n'ont pas migré entre les projets.
Cela montre que la mémoire de MemOS n'est pas un simple « l'utilisateur a dit blanc crème la dernière fois, donc utilise-le pour toujours » ; elle distingue les contextes de tâches. Inversement, si vous vous attendez à ce qu'il se souvienne « j'utilise des couleurs chaudes pour toutes mes pages produit », il ne peut pas encore le faire ; apprendre des préférences à ce niveau de granularité nécessiterait probablement plus de cycles d'accumulation.
Ouvrir le Viewer pour voir ce qu'il a appris
Après avoir effectué les deux tests, les changements de données dans le Viewer étaient évidents :
De zéro au début à 47 souvenirs, 8 tâches, 24 expériences (12 activées), 2 compétences et 1 cognition environnementale. Le tout généré automatiquement.
Les entrées les plus intéressantes dans la page des expériences :
« Convertir un article de compte officiel WeChat au format Xiaohongshu », support 25, activé. Cette expérience a été déclenchée 25 fois, montrant que MemOS a résumé une stratégie à partir de la tâche répétée de conversion de comptes.
« Vérifier via la navigation du navigateur après avoir modifié des fichiers » et « Vérifier qu'il n'y a pas d'erreurs de console après la modification de la page » — ce sont des habitudes d'ingénierie automatiquement extraites lors de la construction de pages produit.
La page des compétences a également changé :
check_obsidian_vault_path_env est passé de la version V1 à V2, avec un support passant de 1 à 2. MemOS a automatiquement mis à niveau la version de la compétence lorsqu'il a rencontré une tâche similaire pour la deuxième fois. C'est ce que signifie « Evolve » dans Reflect2Evolve : les compétences ne sont pas statiques ; elles mûrissent plus on les utilise.
Trois modèles jouent chacun leur rôle : Xenova local pour l'embedding (gratuit), DeepSeek V4 Flash pour les résumés (peu coûteux), et DeepSeek V4 Pro pour l'évolution des compétences (appelé uniquement lorsqu'un raisonnement poussé est nécessaire), utilisant des modèles coûteux uniquement là où ils comptent.
Toutes les données sont stockées dans une base de données SQLite locale, et le Viewer écoute uniquement en local, avec zéro dépendance au cloud. Ceux qui ont travaillé avec RAG peuvent regarder le pipeline de récupération : FTS5 full-text + hybride vectoriel, passant par un classement de fusion RRF, une déduplication MMR, et une décroissance temporelle avec une demi-vie de 14 jours, puis filtré par un LLM. C'est un ordre de grandeur plus complexe que « embedding + similarité cosinus », mais la qualité de la récupération est le facteur déterminant pour savoir si la mémoire est utile.
Un noyau central, partagé par plusieurs Agents
Une autre conception qui mérite d'être mentionnée : OpenClaw et Hermes partagent le même noyau Reflect2Evolve, juste avec des adaptateurs différents. Les expériences et compétences que vous accumulez dans Hermes sont compatibles avec OpenClaw au niveau algorithmique ; vos actifs de mémoire ne seront pas réinitialisés simplement parce que vous changez d'outil.
Véritables sensations après utilisation
Ce qui m'a le plus surpris n'est pas seulement qu'il se soit souvenu de mes préférences, mais que dans la deuxième session, avant d'écrire le tweet, il a exécuté une série d'actions : charger une compétence, chercher dans la mémoire, trouver mon coffre, lire mes articles précédents, puis me dire « J'ai lu vos articles récents pour en saisir le rythme. »
Ma réaction à ce moment-là était : Attends, je ne t'ai pas demandé de lire mes vieux articles.
Mais il a jugé par lui-même que c'était la bonne chose à faire. Ce sentiment est complètement différent de « aide-moi à chercher ce dont nous avons parlé la dernière fois ».
Le côté page produit n'était pas aussi surprenant ; le style chaleureux de ReddTrends n'a pas migré vers MoleUninstaller. En y réfléchissant, c'est logique ; la préférence de style n'est apparue qu'une seule fois, et les expériences MemOS ont besoin d'un certain nombre de « supports » pour se solidifier en une stratégie. Une fois ne suffit pas.
Donc l'état actuel est : les tâches répétitives à haute fréquence montrent des effets très évidents, tandis que les préférences occasionnelles ne sont pas encore stables. Mais je pense que la direction est la bonne. J'écris CLAUDE.md depuis six mois, et plus j'écris, plus je sens que ce n'est pas un travail pour les humains.
Site Web du plugin local MemOS : https://memos-claw.openmem.net/
GitHub : https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Installation en un clic de l'Agent :
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Je suis Yanhua, spécialisé dans les Agents IA et le développement indépendant pour les marchés étrangers. Si les Agents IA vous intéressent, n'hésitez pas à me suivre --> @yanhua1010
