Essais, articles techniques et réflexions sur la construction de systèmes souverains.
Lorsque l’IA performante absorbe l’essentiel de la production d’artefacts au niveau de l’exécution, l’influence humaine se concentre sur la fondation et la révision. La cohérence cesse de vivre dans des transferts de couloir et commence à vivre dans des normes explicites, des artefacts lisibles de manière croisée et un jugement que vous pouvez défendre en volume.
Le premier problème lié à l’exécution de plusieurs agents est qu’ils oublient. La seconde est qu’ils ne peuvent pas se coordonner. Une couche d'état qui résout d'abord le stockage, puis ajoute des signaux, devient un système nerveux, pas seulement une mémoire.
Lorsque de nombreux agents écrivent dans une seule mémoire, vous avez besoin d'une preuve sur chaque ligne : qui a signé, ce qu'ils ont été autorisés à faire et aucun secret de porteur partagé. Neotoma intègre AAuth afin que chaque agent signe avec sa propre clé et écrit via une admission limitée.
Sur le rôle de PM, l'IA et l'étrange décision de définir votre travail autour de la compétence qui vient de devenir banalisée.
Il y a douze ans, j'ai écrit un post-mortem pour Plancast. En le relisant maintenant, les modes de défaillance ne concernaient pas vraiment la mécanique du produit ; il s’agissait de l’absence d’agents d’IA personnels, d’un substrat approprié sur lequel écrire et d’un maillage souverain entre eux. Tous les trois existent maintenant, et la mission originale devient réalisable d'une manière que l'ère de l'alimentation n'aurait jamais pu réaliser.
OpenClaw stocke la mémoire dans des fichiers markdown. Neotoma v0.4.3 se connecte nativement en tant que couche d'état structurée en dessous, donnant aux agents OpenClaw la provenance, la résolution des entités et l'historique des versions sans remplacer l'agent.
Trois plates-formes d'agents d'IA indépendantes valant des milliards ont convergé vers des fichiers texte brut pour la mémoire. La convergence valide le problème. Les modes de défaillance qu’ils partagent définissent la suite.
La plupart des équipes intègrent la mémoire des agents à la base de données dont elles disposent déjà. Cela fonctionne jusqu'à ce que deux agents écrivent au même magasin. Ensuite, une mauvaise écriture se propage à la vitesse de la machine, déclenchant des actions en aval avant qu'un humain ne puisse intervenir. L'industrie se dirige vers une crise de confiance que l'optimisation de la récupération ne résoudra pas.
Sarah Wooders soutient que la mémoire est le harnais. Elle a raison sur la gestion du contexte. Elle a tort, le contexte est tout le problème.
BEAM teste la récupération à 10 millions de jetons. L'intégrité de l'état se dégrade à 500K. Les deux modes de défaillance s’activent à des échelles différentes, et personne ne compare le précédent.
Les métriques qui conduisent à l’adoption de la mémoire de l’IA sont presque toutes des métriques de récupération. Une bonne récupération est nécessaire. Aucun benchmark largement utilisé ne teste ce qui arrive aux données stockées après que les agents y ont écrit.
Dix-huit évaluateurs de produits humains ont exécuté la même invite d’évaluation via leurs outils d’IA. Les articles étaient plus précis que n’importe quel appel. Ces retours ont remodelé le positionnement du produit, puis son flux d’acquisition. La page d'accueil demande désormais aux agents d'évaluer, et non aux humains de s'inscrire.
J'ai expédié onze versions de Neotoma au cours des cinq premières semaines suivant la sortie du développeur. La CLI fonctionne désormais sur d'autres machines, débloquant l'intégration. Le serveur MCP est suffisamment stable pour une utilisation quotidienne des agents. La base de données peut survivre aux erreurs des opérateurs. Voici ce qui a changé et pourquoi.