[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"pack-detail-agent-memory-layer-fr":3,"seo:pack:agent-memory-layer:fr":78},{"code":4,"message":5,"data":6},200,"操作成功",{"pack":7},{"slug":8,"icon":9,"tone":10,"status":11,"status_label":12,"title":13,"description":14,"items":15,"install_cmd":77},"agent-memory-layer","🧠","#F59E0B","stable","Stable","Mémoire pour Agents","Mem0, Zep, Cognee et les patterns pour rendre les agents persistants — sans tout entasser dans le prompt.",[16,28,38,45,52,60,70],{"id":17,"uuid":18,"slug":19,"title":20,"description":21,"author_name":22,"view_count":23,"vote_count":24,"lang_type":25,"type":26,"type_label":27},703,"96da1f40-1823-4d87-a84f-7d8269edeb24","mem0-memory-layer-ai-applications-96da1f40","Mem0 — Memory Layer for AI Applications","Add persistent, personalized memory to AI agents and assistants. Mem0 stores user preferences, past interactions, and learned context across sessions.","Mem0",916,0,"en","skill","Skill",{"id":29,"uuid":30,"slug":31,"title":32,"description":33,"author_name":34,"view_count":35,"vote_count":24,"lang_type":25,"type":36,"type_label":37},852,"a3fe5165-33ca-11f1-9bc6-00163e2b0d79","codebase-memory-mcp-code-intelligence-ai-agents-a3fe5165","Codebase Memory MCP — Code Intelligence for AI Agents","High-performance code intelligence MCP server. Indexes repos in milliseconds via tree-sitter AST, supports 66 languages, sub-ms graph queries. MIT, 1,300+ stars.","MCP Hub",340,"mcp","MCP",{"id":39,"uuid":40,"slug":41,"title":42,"description":43,"author_name":34,"view_count":44,"vote_count":24,"lang_type":25,"type":36,"type_label":37},715,"554c4dc2-663c-489a-b57f-814948e9f714","memory-mcp-persistent-ai-agent-knowledge-graph-554c4dc2","Memory MCP — Persistent AI Agent Knowledge Graph","MCP server that gives AI agents persistent memory using a local knowledge graph. Stores entities, relationships, and observations across sessions for Claude Code.",295,{"id":46,"uuid":47,"slug":48,"title":49,"description":50,"author_name":34,"view_count":51,"vote_count":24,"lang_type":25,"type":26,"type_label":27},743,"ffde39a9-bd16-4c41-8168-aacfb05b7622","zep-long-term-memory-ai-agents-assistants-ffde39a9","Zep — Long-Term Memory for AI Agents and Assistants","Production memory layer for AI assistants. Zep stores conversation history, extracts facts, builds knowledge graphs, and provides temporal-aware retrieval for LLMs.",309,{"id":53,"uuid":54,"slug":55,"title":56,"description":57,"author_name":58,"view_count":59,"vote_count":24,"lang_type":25,"type":26,"type_label":27},334,"b6ad223f-51da-4179-863c-5f9b3c7d08ef","cognee-memory-engine-ai-agents-b6ad223f","Cognee — Memory Engine for AI Agents","Cognee adds persistent structured memory to any AI agent in 6 lines of code. 14.8K+ stars. Knowledge graphs, vector stores, LLM integration. Apache 2.0.","Skill Factory",224,{"id":61,"uuid":62,"slug":63,"title":64,"description":65,"author_name":66,"view_count":67,"vote_count":24,"lang_type":25,"type":68,"type_label":69},829,"b52189f9-e04a-4425-89db-e16fa7e81eec","ai-agent-memory-patterns-build-agents-remember-b52189f9","AI Agent Memory Patterns — Build Agents That Remember","Design patterns for adding persistent memory to AI agents. Covers conversation memory, entity extraction, knowledge graphs, tiered memory, and memory management strategies.","Agent Toolkit",328,"prompt","Prompt",{"id":71,"uuid":72,"slug":73,"title":74,"description":75,"author_name":22,"view_count":76,"vote_count":24,"lang_type":25,"type":26,"type_label":27},402,"b61fca8c-edd9-4ffa-bdc3-f21ce6715af9","mem0-memory-layer-ai-agents-b61fca8c","Mem0 — Memory Layer for AI Agents","Add persistent, personalized memory to any AI agent. Learns user preferences, adapts context, reduces tokens. 51K+ stars, used by 100K+ devs.",416,"tokrepo install pack\u002Fagent-memory-layer",{"pageType":79,"pageKey":8,"locale":80,"title":81,"metaDescription":82,"h1":13,"tldr":83,"bodyMarkdown":84,"faq":85,"schema":101,"internalLinks":111,"citations":124,"wordCount":137,"generatedAt":138},"pack","fr","Mémoire pour Agents : Mem0, Zep, Cognee + patterns 2026","Mem0, Zep, Cognee — la couche mémoire que les agents utilisent pour se souvenir entre sessions. Plus quatre patterns. Installation via TokRepo.","Trois librairies mémoire prod (Mem0, Zep, Cognee) plus quatre patterns qui évitent de tout entasser dans le prompt. Installation en une commande TokRepo.","## Ce que contient ce pack\n\nCe pack rassemble les **sept ressources de couche mémoire** qui apparaissent dans chaque agent ayant besoin de se souvenir de choses entre sessions sans les recoller dans le prompt à chaque fois. Trois sont les librairies canoniques. Quatre sont des templates de patterns qui les enveloppent — patterns qu'Anthropic et OpenAI sortent dans leurs guides d'agents long-running.\n\n| # | Ressource | Type | Ce qu'elle vous donne |\n|---|---|---|---|\n| 1 | Mem0 | librairie | Auto-extraction et update des faits utilisateur, API drop-in |\n| 2 | Zep | service | Graphe de connaissances temporel, mémoire long terme |\n| 3 | Cognee | librairie | Pipeline hybride graphe + vecteur |\n| 4 | Pattern résumé épisodique | template | Compresse de longues sessions en mémoires résumé |\n| 5 | Bloc-notes working-memory | template | État inter-étapes sans gonfler le prompt |\n| 6 | Extracteur de faits utilisateur | template | Tire les faits stables du chat vers le store |\n| 7 | Recall cross-session | template | \"Qu'avons-nous décidé la semaine dernière ?\" |\n\n## Pourquoi c'est important\n\nLa config par défaut de Claude \u002F GPT-4 \u002F Gemini a zéro mémoire. Chaque conversation repart à zéro. La plupart des apps simulent la mémoire en entassant les tours précédents dans le system prompt — ça marche un temps, puis votre context window explose, votre facture triple et le modèle perd le fil. Les couches mémoire résolvent ça en stockant les faits hors du prompt et en n'injectant que les pertinents par tour.\n\nLes trois librairies font des paris différents :\n\n- **Mem0** est la plus facile. Un appel `mem0.add(messages, user_id=...)` et la librairie extrait ce qui mérite d'être retenu. Mieux pour apps style chatbot avec identité claire.\n- **Zep** est l'option production. Tourne en service, vous donne un graphe de connaissances temporel (mémoires avec timestamps et relations), supporte le multi-tenant. Mieux quand vous avez besoin d'audit trails ou de mémoire partagée dans une organisation.\n- **Cognee** est le pari graph-native. Modélise la mémoire comme graphe de connaissances dès le jour un — utile si votre domaine est research, code, ou tout ce qui a des relations d'entités fortes.\n\nLes quatre patterns ne sont pas des librairies — ce sont des templates de prompt et de petits adaptateurs qui marchent avec n'importe laquelle des trois. C'est la différence entre \"j'ai installé Mem0\" et \"la mémoire fonctionne réellement dans mon app\".\n\n## Installer en une commande\n\n```bash\n# Installe le pack entier\ntokrepo install pack\u002Fagent-memory-layer\n\n# Ou installez une librairie à la fois\ntokrepo install mem0\ntokrepo install zep\ntokrepo install cognee\n```\n\nLe TokRepo CLI normalise le placement des fichiers : subagents Claude Code dans `.claude\u002Fagents\u002F`, règles Cursor dans `.cursor\u002Frules\u002F`, AGENTS.md pour Codex CLI. Les installations de librairies sont pip\u002Fnpm — TokRepo se contente de les câbler dans la config de votre outil IA pour que l'agent sache que la couche mémoire existe.\n\n## Pièges courants\n\n- **Ne stockez pas tout.** Le coût mémoire scale avec ce que vous écrivez, pas ce que vous récupérez. Utilisez un extracteur de faits (pattern #6) pour filtrer — seuls les faits durables sur l'utilisateur\u002Fprojet vont en mémoire long terme.\n- **Ne sautez pas le biais de récence.** Le recall vectoriel pur tire des mémoires sémantiquement similaires mais rances. Le graphe temporel de Zep et la mise à jour in-place de Mem0 résolvent ça ; si vous le faites maison, pondérez par récence sinon vous récupérerez sans cesse du contexte de 6 mois.\n- **Ne partagez pas les user IDs entre tenants.** Les trois librairies supportent les namespaces par utilisateur. Utilisez-les. La fuite mémoire entre utilisateurs est un incident bien pire que pas de mémoire du tout.\n- **Budgétez les tokens du recall.** Même avec une couche mémoire, vous pouvez exploser votre context window avec `top_k=50`. Démarrez à `top_k=5` et montez seulement si le recall manque.\n- **Réconciliez les conflits.** Si l'utilisateur dit \"je suis végétarien\" en mars et \"je suis végan\" en mai, vous avez besoin d'une stratégie de mise à jour. Mem0 le gère seul ; Zep vous donne la surface de conflit ; Cognee vous laisse l'écrire.\n\n## Idées reçues courantes\n\n**\"RAG et mémoire c'est pareil.\"** Non. RAG récupère depuis un corpus statique (docs, codebase). La mémoire écrit de nouvelles entrées selon ce que l'utilisateur\u002Fagent a dit et les récupère plus tard. RAG est en lecture seule ; la mémoire est lecture-écriture. Les patterns du pack rag-pipelines diffèrent volontairement de ce pack.\n\n**\"Je peux juste utiliser l'historique de conversation.\"** Pour une session de 5 tours, oui. Pour une app où le même utilisateur revient la semaine prochaine, non — il faudrait nourrir tous les tours précédents dans le prompt à jamais. La mémoire extrait les faits et jette le chat.\n\n**\"Mem0 vs Zep est un choix difficile.\"** La plupart des équipes commencent par Mem0 car c'est 5 minutes de setup, puis passent à Zep quand elles ont besoin de multi-tenant ou d'audit. Les deux sont assez similaires pour que la migration soit un week-end, pas un trimestre.",[86,89,92,95,98],{"q":87,"a":88},"Mem0 est-il gratuit ?","La librairie OSS Mem0 est sous licence MIT et gratuite à auto-héberger. Ils ont aussi une option cloud managée avec pricing à l'usage si vous ne voulez pas faire tourner l'embedding\u002Fvector store vous-même. Zep a le même modèle OSS + cloud. Cognee est entièrement OSS sans option managée à mi-2026 — vous le faites tourner vous-même.",{"q":90,"a":91},"Est-ce que ça marchera dans Cursor \u002F Codex CLI \u002F Windsurf ?","Les librairies sont au niveau langage (Python \u002F Node) donc elles marchent avec n'importe quel framework agent, pas seulement Claude Code. Le TokRepo CLI installe les bons fichiers de config par outil. Les utilisateurs Codex CLI devraient apparier la couche mémoire avec des instructions AGENTS.md ; les utilisateurs Cursor l'embarquent dans le set de règles.",{"q":93,"a":94},"Comment Mem0 se compare-t-il à Zep ?","Mem0 est library-first — vous importez et appelez .add()\u002F.search() inline. Zep est service-first — vous lancez un serveur (Docker), il possède le graphe, votre app appelle l'API. Mem0 gagne sur le time-to-first-memory ; Zep gagne sur le multi-tenant, l'audit et la modélisation explicite des relations. Mem0 pour prototypes, Zep quand vous avez du support ops.",{"q":96,"a":97},"Quelle est la différence avec le pack RAG Pipelines ?","RAG récupère depuis un corpus fixe (vos docs, votre codebase). La mémoire écrit de nouveaux faits pendant que l'agent tourne et les récupère plus tard. RAG est lecture seule ; la mémoire est lecture-écriture et accumule. La plupart des agents en production ont besoin des deux : RAG pour la connaissance statique, mémoire pour le spécifique-utilisateur.",{"q":99,"a":100},"Quand ne PAS ajouter une couche mémoire ?","Quand les sessions sont stateless et courtes — les tâches one-shot comme 'résume ce PDF' n'en bénéficient pas et la couche ajoute de la latence. Sautez aussi pour le lookup purement factuel (utilisez RAG). Les couches mémoire valent leur coût quand le même utilisateur revient, que l'agent est multi-étapes, ou les deux.",{"@context":102,"@type":103,"name":104,"description":105,"numberOfItems":106,"publisher":107},"https:\u002F\u002Fschema.org","CollectionPage","Memory Layer for Agents","Mem0, Zep, Cognee, and the patterns to make agents remember across sessions.",7,{"@type":108,"name":109,"url":110},"Organization","TokRepo","https:\u002F\u002Ftokrepo.com",[112,116,120],{"url":113,"anchor":114,"reason":115},"\u002Ffr\u002Fpacks\u002Frag-pipelines","Pipelines RAG","mémoire et retrieval sont sœurs",{"url":117,"anchor":118,"reason":119},"\u002Ffr\u002Fpacks\u002Fmulti-agent-frameworks","Frameworks Multi-Agent","mémoire partagée entre agents",{"url":121,"anchor":122,"reason":123},"\u002Ffr\u002Ftools\u002Fclaude-code","Claude Code","hôte principal pour ces adaptateurs mémoire",[125,129,133],{"claim":126,"source_name":127,"source_url":128},"Mem0 is an open-source memory layer for LLMs that auto-extracts and updates user-specific facts","mem0ai\u002Fmem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"claim":130,"source_name":131,"source_url":132},"Zep is a long-term memory service with temporal knowledge graphs","getzep\u002Fzep on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fzep",{"claim":134,"source_name":135,"source_url":136},"Cognee builds memory pipelines for AI applications using graph + vector hybrid stores","topoteretes\u002Fcognee on GitHub","https:\u002F\u002Fgithub.com\u002Ftopoteretes\u002Fcognee",847,"2026-05-02T15:00:00Z"]