L'amnésie des assistants IA : le vrai problème qu'on refuse d'admettre

Avouons-le : les assistants IA sont bluffants. Mais ils partagent un défaut agaçant qui passe trop souvent sous le silence — l'amnésie totale.

Tu passes une heure à expliquer l'architecture de ton projet, tes conventions de code, ce workaround bancal pour une API legacy, et pourquoi tu as choisi PostgreSQL plutôt que MySQL. Tu fermes la session. Tu reviens le lendemain. Et ton assistant « intelligent » te regarde comme une page blanche.

Ce n'est pas une nuisance. C'est un frein fondamental qui sabote toute la promesse du développement assisté par IA.

Le problème de mémoire qu'on évite de discuter

On parle beaucoup de fenêtres de contexte, de profondeur de raisonnement, de limites de tokens. Mais personne ne quantifie vraiment ce que ça coûte : des heures chaque semaine perdues à se répéter.

Pense à une session de codage type :

• Réexpliquer la structure du projet à chaque nouvel agent
• Coller des bribes de contexte tirées de conversations passées
• Re-définir les conventions de ton équipe
• Rappeler à l'IA le bug que tu as déjà corrigé

Chacune de ces tâches est du pure overhead. Tu paies des tokens de contexte pour répéter des choses que tes outils devraient déjà savoir.

Local-First : ta mémoire, ta machine

PMB prend le problème à l'envers. Pas de mémoire cloud avec synchronisation (et ses risques sur la vie privée), pas de dépendance à un service externe. Tout reste sur ton disque, en SQLite.

Concrètement :

Aucune clé API nécessaire. Le système de mémoire ne contacte aucun serveur. Tout tourne en local.

Aucune dépendance cloud. Tes souvenirs ne disparaissent pas si une startup pivote, se fait racheter, ou triple ses tarifs. Un fichier SQLite, c'est éternel.

Rappel en sub-milliseconde. Les données sont locales, donc la récupération se fait en quelques dizaines de millisecondes, pas en secondes.

Vraiment privé. Tes décisions de projet, tes conventions internes, tes notes sur la dette technique ne quittent jamais ta machine.

Le fonctionnement, sans jargon inutile

Pas de technologie miracle ici — c'est l'assemblage qui compte. PMB utilise un système de rappel hybride qui superpose trois approches :

Le matching BM25 gère la recherche textuelle exacte et floue. Quand tu dis « ce problème d'authentification qu'on a eu », il retrouve les souvenirs liés.

Les vecteurs denses captent le sens sémantique. Il comprend que « middleware d'auth » est lié à « flux de connexion » même sans correspondance mot à mot.

Les graphes d'entités maintiennent les relations entre les faits. Si ton agent se souvient que tu utilises une base de données précise, il peut suivre les connexions jusqu'aux décisions sur l'ORM ou les stratégies de migration.

Ces trois systèmes fusionnent via Reciprocal-Rank Fusion, et retournent des résultats triés par pertinence en environ 35 millisecondes.

L'écriture compte aussi

Des lectures rapides, c'est bien. Mais PMB gère aussi le chemin d'écriture correctement. Quand ton agent apprend quelque chose d'important, cette connaissance doit persister sans bloquer ton travail.

Les écritures sont asynchrones. L'outil MCP retourne immédiatement (<1ms), pendant que l'embedding et le stockage se font en arrière-plan. Ton agent ne attend jamais la sauvegarde — il continue bosser.

Ça compte plus qu'on ne croit. Si retenir quelque chose ralentissait ta session, tu finirais par ne plus le faire. PMB supprime cette friction.

MCP : la couche d'intégration qui rend tout possible

Le Model Context Protocol mérite plus d'attention qu'il n'en reçoit. MCP crée un standard pour connecter les agents IA avec des outils et sources de données externes — et les systèmes de mémoire s'insèrent parfaitement dans cette architecture.

Avec PMB, ton agent n'a pas à se souvenir d'appeler un outil de mémoire. Des hooks injectent le contexte pertinent avant le raisonnement, et journalisent l'activité après chaque action. L'agent a la mémoire sans y penser.

Encore mieux : MCP fonctionne across tools. Tes souvenirs marchent avec Claude Code, Cursor, Codex, Zed, et tout agent compatible MCP. Le contexte te suit, pas ton éditeur.

Ce que ça change au quotidien

Soyons concrets sur l'impact réel :

Les transitions entre sessions deviennent fluides. Tu fermes Cursor à 17h, tu ouvres Claude Code à 9h, et ton agent connaît déjà le refactoring de la semaine dernière et pourquoi tu as choisi ce pattern précis.

Les coûts de context switching disparaissent. Besoin de basculer entre agents pour différentes tâches ? Plus de ré-explications. Le contexte est là, partagé entre les outils.

Changer d'outil ne signifie pas recommencer à zéro. Tu prends un nouvel assistant IA ? Il lit la même mémoire que tes outils existants.

Un signal honnête sur ce qui fonctionne vraiment. PMB suit si les leçons influencent réellement le comportement de l'agent. Les règles mortes sont signalées. Les utiles remontent. Ton contexte reste lean et pertinent.

La stack ennuyeuse, c'est le but

PMB ne repose pas sur de la recherche de pointe ou de l'infrastructure exotique. SQLite. LanceDB. Des modèles d'embedding standards. Le genre de technologie que tu comprendras encore dans cinq ans.

C'est une feature, pas une limitation.

Quand ton système de mémoire tourne sur une technologie boring et durable :

• Tu peux l'inspecter avec des outils standard
• L'exporter sans format propriétaire
• Le sauvegarder avec rsync
• Auditer exactement ce qui est stocké

Local-first n'est pas qu'un choix technique — c'est un choix philosophique. La connaissance de ton projet doit t'appartenir, stockée dans des formats que tu contrôles.

Démarrer prend quelques minutes

Si le concept te convainc, l'implémentation est vraiment simple :

pip install pmb-ai
pmb connect claude-code

C'est tout. Chaque conversation avec ton agent s'appuie sur la précédente. Ton projet apprend et se souvient.

Le dashboard te donne une vue visuelle de ton graphe de mémoire — vois les relations entre décisions, navigue dans la timeline des leçons apprises, et comprends ce que ton agent sait de ton projet.

Le tableau de bord complet

Quand tu as besoin de prendre du recul, le dashboard PMB te montre :

• Le graphe de connaissances avec les connexions entre concepts
• La timeline de ce qui a été appris récemment
• Les statistiques d'utilisation et de pertinence
• Les règles actives et leur impact sur les recommandations

Tu gardes le contrôle sur ce qui est mémorisé et comment c'est exploité.

La vision d'ensemble

On entre dans une ère où les agents IA vont gérer des tâches de plus en plus complexes. Pour que ça marche vraiment, ils ont besoin de continuité — une mémoire qui persiste, s'accumule, et sert vraiment le travail.

La mémoire cloud a sa place. Mais pour des agents de codage qui bossent sur de vrais projets avec une vraie IP, le local-first fait plus de sens. Ton code reste sur ta machine. Tes décisions aussi.

L'ère de l'amnésie des assistants IA n'a pas à être permanente. Donne à tes outils un peu de mémoire. Ils t'en remercieront.