reverie

Les agents de codage oublient. Ou pire, ils retiennent la mauvaise chose — ils chargent la règle périmée, cherchent dans le magasin qui ne détient pas la réponse, enregistrent le même fait pour la quatrième fois. Reverie est le système qui décide de ce qu’un agent doit retenir, où le placer, et quand le laisser partir.

Le pari

Le récit dominant sur l’échec des agents de codage IA veut que les modèles ne soient pas encore assez performants. Nous pensons que ce récit est faux. Session après session, en observant de vrais harnais faire un vrai travail, les échecs se regroupent ailleurs : c’est le mauvais contexte qui se trouve dans la fenêtre. La directive qui aurait évité le bug était classée dans un magasin que personne n’a interrogé. La référence dont l’agent avait besoin dormait trois niveaux plus bas, derrière une requête que personne ne savait formuler. La « mémoire » était techniquement présente et opérationnellement invisible.

Reverie est un pari de recherche sur un autre cadrage. La mémoire des agents n’est ni un problème de base de données ni un problème de modèle — c’est un problème de gestion et d’injection du contexte. Ce qui est chargé avant l’invite, ce qui est évincé entre deux tours, ce qui est consolidé pendant la nuit, ce qui est discrètement jeté. Les systèmes d’exploitation ont résolu le problème analogue dans les années 1960. Les cerveaux l’ont résolu sur une échelle de temps plus longue. Ni les uns ni les autres n’ont utilisé un magasin unique et plat.

Pourquoi il existe

Tous les harnais de codage modernes — Claude Code, Cursor, Windsurf — conservent désormais des connaissances d’une session à l’autre. Aucun n’est livré avec une théorie de l’endroit où une connaissance donnée devrait vivre. Le comportement par défaut est « tout déverser dans un seul magasin », et ce défaut produit cinq modes de défaillance récurrents :

• Récupérations manquées. Les directives comportementales enregistrées dans un magasin uniquement consultable ne se chargent jamais si rien ne va activement les chercher. Le harnais se dégrade en silence — il fonctionne toujours, il cesse simplement de suivre la règle.
• Recherches gaspillées. Des collections d’heuristiques soigneusement constituées, censées être chargées en bloc, sont stockées sous forme de lignes plates et rappelées une par une, au prix d’un aller-retour par ligne.
• Résultats pollués. Un magasin unique qui fait quatre métiers — règles, préférences, bibliothèque de référence, journal de décisions — renvoie de la philosophie mêlée d’architecture mêlée d’anecdotes à chaque recherche.
• Obsolescence par duplication. Le même fait enregistré à trois endroits. Les mises à jour n’en touchent qu’une. Les deux autres dérivent, et l’agent finit par citer la mauvaise avec assurance.
• Écriture puis suppression. Sans discipline de placement, les agents enregistrent abondamment puis élaguent après coup. Un audit d’un harnais réel avant reverie a montré que 62 % des écritures finissaient marquées comme supprimées.

Rien de tout cela n’est un problème de modèle. C’est un problème de placement — celui-là même que les systèmes d’exploitation ont résolu par une hiérarchie de caches et que les cerveaux ont résolu par la consolidation hippocampique. Reverie applique les deux leçons à la surface d’un harnais de codage IA.

Ce que fait reverie

Une mémoire consciente du placement

Les connaissances sont routées dans une hiérarchie à cinq niveaux selon leur nature, et non selon le verbe que l’agent a employé. Les directives toujours chargées occupent le sommet ; les préférences et les décisions de projet vivent dans des magasins indexés rapides ; la référence consultable appartient à un coffre ; la source de vérité canonique reste dans le dépôt. Un démon décide du placement au moment de l’écriture, et non après coup, et un cycle de consolidation hors ligne — calqué sur le sommeil hippocampique — rejoue périodiquement les nouvelles observations, les déduplique, synthétise des résumés d’ordre supérieur, et promeut vers une couche plus durable ce qui s’est révélé utile. Le même cycle rétrograde discrètement ce qui ne l’a pas été.

Une barrière de dérivabilité avant chaque écriture

Avant tout stockage, la barrière pose quatre questions : en aurai-je besoin dans une session future, est-ce déjà stocké ailleurs, quelle couche correspond à son profil d’accès, et s’agit-il d’un fait ou d’une directive. Si la réponse à la deuxième est oui, l’écriture est refusée — inutile de dupliquer ce qui se trouve déjà dans le dépôt ou dans le coffre. Ce simple filtre pré-écriture constitue la plus grande différence de comportement entre reverie et tous les autres systèmes de mémoire pour LLM que nous avons étudiés ; les autres opèrent après coup sur ce que l’agent a décidé d’enregistrer.

Une récupération hybride qui encaisse les écarts de vocabulaire

La recherche lexicale gère le rappel de formulations exactes. Les vecteurs denses comblent les écarts sémantiques. Un chemin creux fondé sur le code de Hamming rattrape les fautes de frappe et la dérive morphologique. Un cross-encodeur reclasse les meilleurs candidats, et une passe d’expansion de requête intervient lorsque la recherche évidente renvoie trop peu. Quatre chemins, fusionnés par reciprocal rank fusion, parce qu’aucune méthode de récupération unique ne couvre tous les modes de défaillance, et que ces défaillances sont variées.

Un traitement des contradictions qui n’écrase rien en silence

À l’enregistrement, chaque observation est confrontée aux entrées existantes. Les conflits sont marqués des deux côtés et alimentent un graphe de supersession qui pilote la passe de consolidation suivante. Les anciennes croyances ne sont pas remplacées en silence — elles sont conservées jusqu’à ce que quelque chose de plus récent prenne le pas, ce qui compte le jour où l’agent demande pourquoi le système pensait autrefois le contraire.

L’ancrage scientifique

Reverie n’est pas « inspiré du cerveau » au sens marketing. Il implémente un petit nombre de mécanismes issus des neurosciences cognitives et traite leurs prédictions comme des contraintes porteuses sur l’architecture. Quelques-uns, en particulier, expliquent pourquoi le système a la forme qu’il a.

La théorie des systèmes d’apprentissage complémentaires explique pourquoi le chemin d’écriture rapide et le chemin de consolidation lent sont deux processus distincts — la biologie paie cher pour les tenir séparés, et ce prix a une raison. Le rejeu par ondulations aiguës explique pourquoi la phase de consolidation est pondérée par priorité (récence × accès × importance × nouveauté) plutôt que FIFO ; le cerveau ne rejoue pas tout, nous non plus. L’homéostasie synaptique explique pourquoi la rétrogradation est proportionnelle au désusage plutôt que fixée à un seuil net — un seuil franc jette trop de choses, une décroissance douce garde la longue traîne disponible. La reconsolidation explique pourquoi la récupération est traitée comme une occasion d’écriture et non comme un doublon ; se souvenir modifie ce dont on se souvient. Et l’effet d’espacement explique pourquoi le gain de stabilité est maximal lorsque la récupérabilité était la plus faible avant l’accès — un résultat emprunté tel quel à FSRS et à la littérature d’Ebbinghaus.

Chacun d’eux a écarté une forme que le système aurait pu prendre. Ce ne sont pas des ornements.

Ce que nous avons mesuré

La récupération de reverie est validée sur le benchmark LoCoMo — 812 questions réparties sur cinq conversations de longue haleine. L’ablation compare le pipeline hybride complet (BM25 + RRF sur vecteurs denses + reclassement par cross-encodeur + HyDE) à sa propre référence hybride (RRF sans reclassement) :

L’étape de reclassement par cross-encodeur apporte l’essentiel du gain, en réordonnant l’ensemble des candidats par pertinence. La fusion RRF qui la précède rattrape déjà les écarts de vocabulaire ; le reclassement resserre l’ordre. L’ablation par type de question montre que le reclassement aide surtout sur les questions multi-sauts et temporelles, et nuit sur les questions adverses (où l’ensemble de candidats est déjà mince et où le re-scoreur peut introduire du bruit).

Ce qu’il n’est pas

• Pas un produit de mémoire conversationnelle. Des outils comme MemGPT et Letta optimisent l’étirement de la session en cours au-delà de la fenêtre de contexte du modèle. Reverie optimise ce qui survit après la fin de la session. Les deux se composent ; ils ne se concurrencent pas.
• Pas un pipeline CRUD. Reverie écrit une fois, avec consolidation hors ligne ; les mises à jour passent par la reconsolidation, pas par des verbes de suppression. Ajouter/Modifier/Supprimer est la mauvaise abstraction pour une mémoire destinée à vieillir.
• Pas un graphe de connaissances. Pas de relations typées, pas de liage d’entités, pas d’API de parcours. Les observations sont du texte plat plus des métadonnées ; la connaissance en forme de graphe appartient à la couche coffre, là où des humains la regardent vraiment.
• Pas un remplaçant universel. Toute la thèse de reverie est qu’un magasin unique ne convient pas à tout. Il coopère avec les couches qu’il ne remplace pas — fichiers d’instructions, coffres, le dépôt lui-même.

Statut

Propriétaire. Copyright © 2026 Christian M. Todie / cerebral.work — tous droits réservés. Actuellement v0.13.0. La v1.0 vise le 2026-09-15 et dépend de quatre bloquants : multi-utilisateur v1 (observations cloisonnées par locataire, authentification par utilisateur sur toutes les routes), suite d’intégration Postgres au vert, revue de bout en bout de la documentation, et publication de l’article de résultats M1. Seuils de qualité : couverture de test du crate principal ≥ 70 %, MRR LoCoMo ≥ 0,657, /health au vert pendant 14 jours consécutifs ou plus sur le déploiement de référence, toutes les barrières CI au vert. Pour une licence commerciale, un usage embarqué ou un accès d’évaluation : [email protected].