Memonto fonctionne comme une bibliothèque intermédiaire pour les agents IA, orchestrant tout le cycle de vie de la mémoire. Lors de chaque tour de conversation, il enregistre les messages utilisateur et IA, distille les détails importants et crée des résumés concis. Ces résumés sont convertis en embeddings et stockés dans des bases de données vectorielles ou des systèmes de fichiers. Lors de la création de nouveaux prompts, Memonto effectue des recherches sémantiques pour récupérer les souvenirs historiques les plus pertinents, permettant aux agents de maintenir le contexte, de se souvenir des préférences de l'utilisateur et de fournir des réponses personnalisées. Il supporte plusieurs backends de stockage (SQLite, FAISS, Redis) et offre des pipelines configurables pour l'intégration de l'embedding, du résumé et de la récupération. Les développeurs peuvent intégrer Memonto de manière transparente dans des frameworks d'agents existants, renforçant ainsi la cohérence et l'engagement à long terme.

Memor offre un sous-système de mémoire pour les agents de modèles linguistiques, leur permettant de stocker des embeddings d’événements passés, préférences utilisateur et données contextuelles dans des bases de données vectorielles. Elle supporte plusieurs backends tels que FAISS, ElasticSearch et les stockages en mémoire. Grâce à la recherche par similarité sémantique, les agents peuvent récupérer des mémoires pertinentes basées sur des embeddings de requête et des filtres métadonnées. Les pipelines de mémoire personnalisables de Memor incluent le découpage, l’indexation et les politiques d’éviction, assurant une gestion du contexte à long terme et évolutive. Intégrez-la dans le flux de travail de votre agent pour enrichir ses prompts avec un contexte historique dynamique et améliorer la pertinence des réponses lors de multiples sessions.

RedNote est un agent IA open-source construit avec Python et LangChain, permettant aux utilisateurs d'entrer du texte brut ou des fichiers de documents pour un traitement automatisé. Il exploite de grands modèles de langage pour générer des résumés concis, extraire des actions, identifier des insights clés, et catégoriser l'information. L'agent conserve le contexte sur plusieurs sessions à l'aide d'une mémoire intégrée, favorisant une construction cumulative de connaissances. Les utilisateurs peuvent poser des questions complémentaires pour affiner ou étendre les résumés, et le système peut exporter les résultats sous forme de fichiers markdown structurés. Son architecture modulaire et son système de plugins permettent l’intégration avec des services externes comme Notion ou Obsidian. Cette solution tout-en-un améliore la prise de notes, la synthèse de recherche et la gestion des connaissances pour particuliers et équipes.