Anthropic a annoncé une solution à un problème persistant dans le développement d’agents d’IA : la rétention de mémoire sur des tâches étendues. Le problème, courant dans les applications d’entreprise, voit les agents « oublier » les instructions ou le contexte antérieurs à mesure que les sessions s’allongent, ce qui conduit à un comportement incohérent et peu fiable. C’est important car les déploiements d’IA dans le monde réel exigent des agents capables de fonctionner de manière autonome pendant des heures, des jours, voire plus, sans perdre la trace des objectifs.
Le défi de la mémoire des agents
Les modèles de base, y compris ceux qui alimentent les agents d’IA, sont limités par les fenêtres contextuelles, c’est-à-dire la quantité de texte qu’ils peuvent traiter simultanément. Pour les projets complexes, les agents opèrent inévitablement sur plusieurs sessions, créant ainsi un manque critique de continuité. Sans mémoire fiable, ils peuvent répéter le travail, prendre des décisions illogiques ou déclarer prématurément que des tâches sont terminées. Cela a entraîné une augmentation des solutions axées sur la mémoire, des sociétés comme LangChain, Memobase et OpenAI (Swarm) proposant des cadres pour combler cette lacune. La recherche universitaire s’accélère également, avec des projets comme Memp et Nested Learning Paradigm de Google repoussant les limites de la mémoire agentique.
La solution en deux parties d’Anthropic
L’approche d’Anthropic cible ces limitations au sein de son SDK Claude Agent. Plutôt que de s’appuyer uniquement sur des fenêtres contextuelles plus larges, l’entreprise propose un système à deux agents :
– Agent d’initialisation : Configure l’environnement, enregistre la progression et les dépendances.
– Agent de codage : apporte des améliorations incrémentielles à chaque session, laissant des mises à jour claires pour la prochaine itération.
Cela imite le flux de travail des ingénieurs logiciels humains, qui décomposent les tâches complexes en étapes gérables, documentent les progrès et s’appuient sur les travaux antérieurs. Anthropic a constaté que le simple fait de demander à un agent un objectif vague (« construire un clone de claude.ai ») entraînait deux échecs courants : soit l’agent tentait trop de choses à la fois, dépassant les limites du contexte, soit il déclarait prématurément l’achèvement après avoir construit seulement une solution partielle.
Tests et recherches futures
Les chercheurs d’Anthropic ont intégré des outils de test dans l’agent de codage, lui permettant d’identifier et de corriger les erreurs au-delà de ce que suggère le code seul. L’entreprise reconnaît qu’il ne s’agit là que d’une solution potentielle dans un domaine en évolution rapide. On ne sait toujours pas si un agent de codage unique et universel surpassera les structures multi-agents spécialisées.
Les tests actuels se concentrent sur le développement d’applications Web full-stack, mais Anthropic estime que les principes sont transférables à d’autres domaines, notamment la recherche scientifique et la modélisation financière. L’essentiel à retenir est clair : une mémoire d’agent fiable à long terme nécessite des environnements structurés, des progrès incrémentiels et une journalisation cohérente, reflétant les pratiques éprouvées d’ingénierie logicielle humaine.
