Comment maximiser la mémoire agent pour l’apprentissage continu

des modèles capables d’automatiser diverses tâches, telles que la recherche et le codage. Cependant, il arrive souvent que vous travailliez avec un LLM, accomplissiez une tâche et la prochaine fois que vous interagissez avec le LLM, vous repartez de zéro.

C’est un problème majeur lorsque l’on travaille avec des LLM. Nous perdons beaucoup de temps à simplement répéter des instructions aux LLM, comme le formatage du code souhaité ou la manière d’effectuer des tâches selon vos préférences.

C’est ici agents.md les fichiers entrent en jeu : un moyen d’appliquer l’apprentissage continu aux LLM, où le LLM apprend vos modèles et vos comportements en stockant des informations généralisables dans un fichier séparé. Ce fichier est ensuite lu à chaque fois que vous démarrez une nouvelle tâche, évitant ainsi le problème de démarrage à froid et vous aidant à éviter de répéter les instructions.

Dans cet article, je vais fournir un aperçu de haut niveau de la façon dont j’obtiens un apprentissage continu avec les LLM en mettant continuellement à jour le agents.md déposer.

Apprenez à utiliser l'apprentissage continu pour les LLM — Dans cet article, vous apprendrez comment appliquer l’apprentissage continu aux LLM. Image de Gémeaux.

Pourquoi avons-nous besoin d’un apprentissage continu ?

Commencer avec un nouveau contexte d’agent prend du temps. L’agent doit comprendre vos préférences et vous devez passer plus de temps à interagir avec l’agent, pour qu’il fasse exactement ce que vous voulez.

Par exemple:

Demander à l’agent d’utiliser la syntaxe Python 3.13 au lieu de 3.12
Informer l’agent de toujours utiliser les types de retour sur les fonctions
S’assurer que l’agent n’utilise jamais le N’importe lequel taper

J’ai souvent dû dire explicitement à l’agent d’utiliser la syntaxe Python 3.13, et non la syntaxe 3.12, probablement parce que la syntaxe 3.12 est plus répandue dans leur ensemble de données de formation.

L’intérêt de l’utilisation d’agents IA est d’être rapide. Ainsi, vous ne voulez pas passer du temps à répéter des instructions sur la version de Python à utiliser, ou sur le fait que l’agent ne doit jamais utiliser le type Any.

De plus, l’agent IA passe parfois plus de temps à déterminer les informations dont vous disposez déjà, par exemple :

Le nom de votre table de documents
Les noms de vos journaux CloudWatch
Les préfixes dans vos buckets S3

Si l’agent ne connaît pas le nom de votre table de documents, il doit :

Lister tous les tableaux
Trouvez un tableau qui ressemble au tableau des documents (il peut y avoir plusieurs options potentielles)
Soit effectuez une recherche dans la table pour confirmer, soit demandez à l’utilisateur

Mémoire agent — Cette image représente ce qu’un agent doit faire pour trouver le nom de votre table de documents. Tout d’abord, il doit répertorier toutes les tables de la base de données, puis rechercher les noms de tables pertinents. Enfin, l’agent doit confirmer qu’il dispose de la bonne table, soit en demandant une confirmation à l’utilisateur, soit en effectuant une recherche dans la table. Cela prend beaucoup de temps. Au lieu de cela, vous pouvez stocker le nom de la table de documents dans agents.md et être beaucoup plus efficace avec votre agent de codage lors des interactions futures. Image de Gémeaux.

Cela prend beaucoup de temps et nous pouvons facilement l’éviter en ajoutant le nom de la table de documents, les journaux CloudWatch et les préfixes du compartiment S3 dans agents.md.

Ainsi, la principale raison pour laquelle nous avons besoin d’un apprentissage continu est que répéter des instructions est frustrant et prend du temps, et lorsque nous travaillons avec des agents IA, nous voulons être aussi efficaces que possible.

Comment appliquer l’apprentissage continu

J’aborde l’apprentissage continu de deux manières principales, les deux impliquant une utilisation intensive du agents.md fichier, que vous devriez avoir dans chaque référentiel sur lequel vous travaillez :

Chaque fois que l’agent fait une erreur, je l’informe de la manière de corriger l’erreur et de m’en souvenir pour plus tard. agent.md déposer
Après chaque discussion que j’ai eue avec l’agent, j’utilise l’invite ci-dessous. Cela garantit que tout ce que j’ai dit à l’agent tout au long du fil de discussion, ou les informations découvertes tout au long du fil de discussion, sont stockés pour une utilisation ultérieure. Cela rend les interactions ultérieures beaucoup plus efficaces.

Generalize the knowledge from this thread, and remember it for later. 
Anything that could be useful to know for a later interaction, 
when doing similar things. Store in agents.md

L’application de ces deux concepts simples vous permettra d’accéder à 80 % à un apprentissage continu avec les LLM et fera de vous un ingénieur beaucoup plus efficace.

Le point le plus important est de toujours conserver la mémoire agent avec agents.md en tête. Chaque fois que l’agent fait quelque chose que vous n’aimez pas, vous devez toujours penser à le stocker dans agents.md

Vous pensez peut-être que vous risquez de gonfler agents.md fichier, ce qui rendra l’agent à la fois plus lent et plus coûteux. Cependant, ce n’est pas vraiment le cas. Les LLM sont extrêmement efficaces pour condenser des informations dans un fichier. De plus, même si vous disposez d’un agents.md fichier composé de milliers de mots, ce n’est pas vraiment un problème, ni en termes de longueur de contexte ni de coût.

La longueur du contexte des LLM frontières est de plusieurs centaines de milliers de jetons, ce qui ne pose donc aucun problème. Et vu le coût, vous commencerez probablement à voir le coût d’utilisation du LLM descendre. La raison en est que l’agent dépensera moins de jetons pour trouver des informations, car ces informations sont déjà présentes dans agents.md.

Utilisation intensive de agents.md pour la mémoire agentique rendra à la fois l’utilisation du LLM plus rapide et réduira les coûts

Quelques conseils supplémentaires

Je voudrais également ajouter quelques conseils supplémentaires utiles lorsqu’il s’agit de mémoire agent.

Le premier conseil est que lorsque vous interagissez avec Claude Code, vous pouvez accéder à la mémoire de l’agent en utilisant le « # », puis écrire ce qu’il faut retenir. Par exemple, écrivez ceci dans le terminal lorsque vous interagissez avec Claude Code :

# Always use Python 3.13 syntax, avoid 3.12 syntax

Vous obtiendrez alors une option, comme vous le voyez dans l’image ci-dessous. Soit vous l’enregistrez dans la mémoire utilisateur, qui stocke les informations de toutes vos interactions avec Claude Code, quel que soit le référentiel de code. Ceci est utile pour les informations génériques, comme avoir toujours un type de retour pour les fonctions.

Les deuxième et troisième options consistent à l’enregistrer dans le dossier actuel dans lequel vous vous trouvez ou dans le dossier racine de votre projet. Cela peut être utile pour stocker des informations spécifiques à un dossier, par exemple pour décrire uniquement un service spécifique. Ou pour stocker des informations sur un référentiel de code en général.

Options de mémoire de code Claude — Cette image met en évidence les différentes options de mémoire dont vous disposez avec Claude. Vous pouvez soit enregistrer dans la mémoire utilisateur, en stockant la mémoire sur toutes vos sessions, quel que soit le référentiel. De plus, vous pouvez le stocker dans un sous-dossier du projet dans lequel vous vous trouvez, par exemple si vous souhaitez stocker des informations sur un service spécifique. Enfin, vous pouvez également stocker la mémoire dans le dossier racine du projet, afin que tout travail avec le référentiel ait le contexte. Image de l’auteur.

De plus, différents agents de codage utilisent différents fichiers mémoire.

Claude Code utilise CLAUDE.md
Warp utilise WARP.md
Le curseur utilise .cursorrules

Cependant, tous les agents lisent généralement agents.md, c’est pourquoi je recommande de stocker les informations dans ce fichier, afin que vous ayez accès à la mémoire agent, quel que soit l’agent de codage que vous utilisez. En effet, un jour Claude Code sera le meilleur, mais nous pourrions voir un autre agent de codage au sommet un autre jour.

AGI et apprentissage continu

Je voudrais également ajouter une note sur l’AGI et l’apprentissage continu. On dit parfois qu’un véritable apprentissage continu est l’un des derniers obstacles à la réalisation de l’AGI.

Actuellement, les LLM simulent essentiellement un apprentissage continu en stockant simplement les éléments qu’ils apprennent dans des fichiers qu’ils liront plus tard (tels que agents.md). Cependant, l’idéal serait que les LLM mettent continuellement à jour les pondérations de leurs modèles chaque fois qu’ils apprennent de nouvelles informations, essentiellement de la même manière que les humains apprennent leurs instincts.

Malheureusement, un véritable apprentissage continu n’est pas encore atteint, mais il s’agit probablement d’une capacité que nous verrons davantage dans les années à venir.

Conclusion

Dans cet article, j’ai expliqué comment devenir un ingénieur beaucoup plus efficace en utilisant agents.md pour un apprentissage continu. Grâce à cela, votre agent comprendra vos habitudes, les erreurs que vous faites, les informations que vous utilisez habituellement et bien d’autres informations utiles. Cela rendra encore une fois les interactions ultérieures avec votre agent beaucoup plus efficaces. Je pense qu’une utilisation intensive du fichier agents.md est essentielle pour devenir un bon ingénieur et c’est quelque chose que vous devez constamment vous efforcer d’atteindre.

👉 Mes ressources gratuites

🚀 10x votre ingénierie avec les LLM (cours gratuit par e-mail de 3 jours)

📚 Obtenez mon ebook gratuit sur les modèles de langage de vision

💻 Mon webinaire sur les modèles de langage de vision

👉 Retrouvez-moi sur les réseaux sociaux :

📩 Abonnez-vous à ma newsletter

🧑‍💻 Entrer en contact

🔗 LinkedIn

🐦 X/Twitter

✍️ Moyen