Comment les agents IA recherchent dans leur mémoire

Dans ma dernière vidéo, j'ai expliqué comment les agents IA stockent la mémoire. Mais le stocker ne représente que la moitié du problème. Dans celui-ci, nous examinons comment les agents récupèrent la bonne mémoire au bon moment. Je couvre la recherche par mot-clé, la recherche sémantique, la récupération hybride et le reclassement, puis j'examine comment OpenClaw implémente tout cela dans la pratique à l'aide de SQLite, BM25 et des intégrations vectorielles. --- *Ce que vous apprendrez :* - Comment la recherche par mot clé (grep, BM25) et la recherche sémantique (intégrations, similarité vectorielle) fonctionnent chacune - et où elles échouent - Pourquoi la recherche hybride bat les deux approches seules, et comment la fusion pondérée et la fusion de rangs réciproques combinent les résultats - Qu'est-ce que le reclassement, quand l'utiliser et le compromis coût/latence - Comment un système de mémoire d'agent de production stocke des morceaux, les indexe avec FTS5 et sqlite-vec, et exécute la recherche hybride en parallèle - Le modèle de mémoire en deux étapes : rechercher puis obtenir et pourquoi les fenêtres de contexte restent légères - Comment fonctionne la synchronisation incrémentielle : observateurs de fichiers, hachage de contenu, intégration de caches et déclencheurs de réindexation complète --- *Regardez la série complète :* - Partie 1 : Comment les agents IA se souviennent des choses (le chemin d'écriture) → https://youtu.be/Seu7nksZ_4k - Partie 2 : Comment les agents IA recherchent leur mémoire (cette vidéo) Nous utilisons OpenClaw comme outil étude de cas réelle : il s'agit d'une implémentation open source propre qui montre ces modèles dans la pratique. --- *Ressources mentionnées :* - OpenClaw : https://github.com/openclaw/openclaw - Documentation SQLite FTS5 : https://www.sqlite.org/fts5.html - Extension sqlite-vec : https://github.com/asg017/sqlite-vec - API OpenAI Embeddings : https://platform.openai.com/docs/guides/embeddings - QMD par Toby Lutke : https://github.com/tobi/qmd - pgvector (extension vectorielle Postgres, mentionnée comme alternative) : https://github.com/pgvector/pgvector - Pinecone (base de données vectorielles dédiée, mentionnée comme alternative) : https://www.pinecone.io Obtenez ma collection complète de flux de travail Claude et de notes d'ingénierie IA : https://www.damiangalarza.com/newsletter?utm_source=youtube&utm_medium=video&utm_campaign=ai-agents-search-memory --- *Horodatage :* - 0:00 - Le problème de récupération - 0:35 - Recherche par mot clé : grep et BM25 - 1:12 - Recherche sémantique et fonctionnement des intégrations - 2:04 - Bases de données vectorielles et voisin le plus proche recherche - 3:41 - Là où la recherche sémantique échoue - 4:05 - Recherche hybride : combinaison de mots-clés et sémantique - 4:18 - Fusion pondérée vs fusion de rangs réciproques - 5:01 - Reclassement : échange de vitesse contre précision - 6:12 - Présentation pas à pas de la mise en œuvre d'OpenClaw - 7:10 - Intégration de fournisseurs et sélection automatique - 8:08 - Le schéma SQLite : FTS5, sqlite-vec et le cache d'intégration - 9:33 - Le pipeline de recherche étape par étape - 10:54 - Outils de mémoire : rechercher et obtenir - 11:08 - Pourquoi le modèle en deux étapes maintient les fenêtres contextuelles légères - 11:40 - Le pipeline de synchronisation et d'indexation incrémentielle - 12:44 - Récapitulatif --- *À propos de moi :* Je m'appelle Damian Galarza, un leader en ingénierie logicielle et ancien CTO avec plus de 15 ans d'expérience dans le domaine du développement Produits SaaS. Je réalise des tutoriels pratiques d'ingénierie de l'IA et partage ce que j'apprends sur l'architecture des agents, les applications LLM et la création de systèmes d'IA de production. *Connecter :* - Newsletter : https://www.damiangalarza.com/newsletter?utm_source=youtube&utm_medium=video&utm_campaign=ai-agents-search-memory - LinkedIn : https://linkedin.com/in/dgalarza - Blog : https://www.damiangalarza.com #AIAgents #VectorSearch #RAG #SemanticSearch #OpenClaw