## Mémoire à long terme efficace pour les agents LLM — Texte & Multimodal Stockez, compressez et récupérez des souvenirs à long terme grâce à une compression sémantique sans perte. Désormais avec prise en charge multimodale pour le texte, les images, l'audio et la vidéo.

Fonctionne avec toute plateforme IA supportant MCP (mémoire texte) ou l'intégration Python (multimodal complet)

_{Claude Desktop}

_Cursor

_{LM Studio}

_{Cherry Studio}

_{Package PyPI}

_{+ Tout client
MCP}

[🇬🇧 English](../../README.md) • [🇨🇳 中文](./README.zh-CN.md) • [🇯🇵 日本語](./README.ja.md) • [🇰🇷 한국어](./README.ko.md) • [🇪🇸 Español](./README.es.md) • **🇫🇷 Français** • [🇩🇪 Deutsch](./README.de.md) • [🇧🇷 Português](./README.pt-br.md)
[🇷🇺 Русский](./README.ru.md) • [🇸🇦 العربية](./README.ar.md) • [🇮🇹 Italiano](./README.it.md) • [🇻🇳 Tiếng Việt](./README.vi.md) • [🇹🇷 Türkçe](./README.tr.md)
[![Page du projet](https://img.shields.io/badge/🎬_DÉMO_INTERACTIVE-Visitez_Notre_Site-FF6B6B?style=for-the-badge&labelColor=FF6B6B&color=4ECDC4&logoColor=white)](https://aiming-lab.github.io/SimpleMem-Page)

[🚀 Démarrage rapide](#-démarrage-rapide) • [🌟 Aperçu](#-aperçu) • [📦 Installation](#-installation) • [🔌 Serveur MCP](#-serveur-mcp-mémoire-texte) • [📊 Reproduire](#-reproduire-les-résultats-de-larticle) • [📝 Citation](#-citation)

## 🔥 Actualités - **[05/21/2026]** 📦 **Package unifié `simplemem` — une seule importation, routage automatique !** SimpleMem, Omni-SimpleMem et EvolveMem coexistent désormais dans un seul package. `from simplemem import SimpleMem` sélectionne automatiquement le backend texte ou multimodal selon le premier appel de méthode, et `simplemem.optimize(...)` exploite la boucle d'auto-évolution d'EvolveMem. Installation en une seule étape avec `pip install -e .`. - **[05/14/2026]** 🧬 **EvolveMem (v3.0) — Mémoire auto-évolutive via AutoResearch !** L'infrastructure de récupération elle-même s'auto-évolue désormais grâce à un diagnostic en boucle fermée piloté par LLM. Sur LoCoMo, EvolveMem surpasse la meilleure baseline de **+25,7 % en relatif** ; sur MemBench, de **+18,9 % en relatif**. Le système découvre des dimensions de récupération entièrement nouvelles, absentes de la conception originale. [Voir EvolveMem →](../../EvolveMem/) - **[04/02/2026]** 🧠 **Omni-SimpleMem (v2.0) — La mémoire multimodale est arrivée !** SimpleMem prend désormais en charge la mémoire **texte, image, audio et vidéo**. Atteignant **un nouveau SOTA sur LoCoMo (F1=0,613, +47%)** et **Mem-Gallery (F1=0,810, +51%)** par rapport au meilleur précédent. [Voir Omni-SimpleMem →](../../OmniSimpleMem/) - **[02/09/2026]** 🚀 **Mémoire inter-sessions — Surpasse Claude-Mem de 64% !** [Voir la documentation inter-sessions →](../../cross/README.md) - **[01/20/2026]** 📦 **SimpleMem est maintenant disponible sur PyPI !** Installez via `pip install simplemem`. [Voir le guide d'utilisation du package →](../PACKAGE_USAGE.md) - **[01/14/2026]** 🎉 **Le serveur MCP SimpleMem est EN LIGNE !** Hébergé dans le cloud sur [mcp.simplemem.cloud](https://mcp.simplemem.cloud). [Voir la documentation MCP →](../../MCP/README.md) - **[01/05/2026]** L'article SimpleMem a été publié sur [arXiv](https://arxiv.org/abs/2601.02553) ! --- ## 📑 Table des matières - [🚀 Démarrage rapide](#-démarrage-rapide) - [🌟 Aperçu](#-aperçu) - [📦 Installation](#-installation) - [🐳 Docker](#-exécuter-avec-docker) - [🔌 Serveur MCP](#-serveur-mcp-mémoire-texte) - [📊 Reproduire les résultats de l'article](#-reproduire-les-résultats-de-larticle) - [🗺️ Feuille de route](#️-feuille-de-route) - [📝 Citation](#-citation) --- ## 🚀 Démarrage rapide ### 🧠 Comprendre le flux de travail de base En résumé, SimpleMem fonctionne comme un système de mémoire à long terme pour les agents basés sur des LLM. Le flux de travail se compose de trois étapes simples : 1. **Stocker les informations** – Les dialogues ou faits sont traités et convertis en souvenirs structurés et atomiques. 2. **Indexer la mémoire** – Les souvenirs stockés sont organisés à l'aide d'embeddings sémantiques et de métadonnées structurées. 3. **Récupérer la mémoire pertinente** – Lors d'une requête, SimpleMem récupère les informations stockées les plus pertinentes en fonction du sens plutôt que des mots-clés. Cette conception permet aux agents LLM de maintenir le contexte, de rappeler efficacement les informations passées et d'éviter de retraiter un historique redondant. ### 🎓 Utilisation de base SimpleMem est fourni sous la forme d'un unique package `simplemem`. Le mode par défaut `mode="auto"` **détecte automatiquement** le backend à utiliser en fonction de ce que vous appelez — aucune configuration manuelle n'est nécessaire : ```python from simplemem import SimpleMem mem = SimpleMem() # mode="auto" — backend choisi par le premier appel ``` Le premier appel de méthode détermine le backend : | Premier appel | Backend sélectionné | Pourquoi | |:--|:--|:--| | `add_dialogue()` | **Texte** (SimpleMem) | API basée sur les dialogues → mode texte | | `add_text()` / `add_image()` / `add_audio()` / `add_video()` | **Omni** (Omni-SimpleMem) | API multimodale → mode omni |

**📝 Auto → Texte** (entrée texte pure) ```python from simplemem import SimpleMem mem = SimpleMem() # auto mode # add_dialogue() → text backend auto-selected mem.add_dialogue( "Alice", "Bob, let's meet at Starbucks tomorrow at 2pm", "2025-11-15T14:30:00", ) mem.add_dialogue( "Bob", "Sure, I'll bring the market analysis report", "2025-11-15T14:31:00", ) mem.finalize() answer = mem.ask("When and where will Alice and Bob meet?") # → "16 November 2025 at 2:00 PM at Starbucks" ```

**🧠 Auto → Omni** (entrée multimodale) ```python from simplemem import SimpleMem mem = SimpleMem() # auto mode # add_image() → omni backend auto-selected mem.add_text( "User loves hiking in the Rocky Mountains.", tags=["session_id:D1"], ) mem.add_image("photo.jpg", tags=["session_id:D1"]) mem.add_audio("voice_note.wav", tags=["session_id:D1"]) result = mem.query("What does the user enjoy?", top_k=5) for item in result.items: print(item["summary"]) mem.close() ```

> **💡 Astuce** : Le mode auto sélectionne le backend le plus léger adapté à vos données. Vous pouvez toujours utiliser `mode="text"` ou `mode="omni"` explicitement si vous préférez. --- ### 🧬 Avancé : Optimiser la configuration de récupération Ajustez les hyperparamètres de récupération hors ligne sur votre propre ensemble de développement, puis déployez la `Config` résultante pour l'inférence. Il s'agit d'une fine couche autour de la boucle d'auto-évolution d'EvolveMem : ```python import simplemem from simplemem import SimpleMem, load_config # mem is a finalized SimpleMem instance with memories already built dev_questions = [ ("When is the meeting?", "2pm tomorrow at Starbucks"), ("What should Bob prepare?", "market analysis report"), ] config = simplemem.optimize(mem, dev_questions, max_rounds=3) config.save("my_config.json") # Later, deploy with the optimized config config = load_config("my_config.json") mem = SimpleMem(config=config) ``` > EvolveMem exécute un cycle Évaluer → Diagnostiquer → Proposer → Protéger piloté par LLM sur vos questions de développement, ajustant les indicateurs globaux de récupération (top_k, mode de fusion, vérification des réponses, tours de réflexion, ...). Pour la version autonome complète avec les adaptateurs de benchmarks et les substitutions par catégorie, voir [`EvolveMem/`](../../EvolveMem/). --- ### 🚄 Avancé : Traitement parallèle Pour le traitement de dialogues à grande échelle, activez le mode parallèle : ```python from simplemem import create mem = create( mode="text", clear_db=True, enable_parallel_processing=True, # ⚡ Parallel memory building max_parallel_workers=8, enable_parallel_retrieval=True, # 🔍 Parallel query execution max_retrieval_workers=4 ) ``` > **💡 Conseil Pro** : Le traitement parallèle réduit considérablement la latence pour les opérations par lots ! --- ## 🌟 Aperçu **SimpleMem** est une pile mémoire unifiée pour les agents LLM, construite sur un principe : stocker des souvenirs *sémantiquement sans perte* à haute densité d'information, afin qu'un agent se rappelle davantage tout en dépensant bien moins de tokens. Le package rassemble trois travaux qui partagent ce principe mais s'attaquent à différentes parties du problème. ### 📝 SimpleMem : le noyau d'efficacité (texte) La plupart des systèmes de mémoire imposent un mauvais compromis. Ils accumulent passivement l'historique brut des interactions (redondant, gourmand en tokens) ou exécutent des boucles de raisonnement coûteuses pour filtrer le bruit (lent, onéreux). SimpleMem compresse plutôt les interactions via un pipeline en trois étapes : | Étape | Ce qu'elle fait | |:--|:--| | **1. Compression structurée sémantique** | Distille les interactions non structurées en unités de mémoire compactes (faits autonomes avec coréférences résolues et horodatages absolus), chacune indexée selon plusieurs vues complémentaires pour une récupération flexible. | | **2. Synthèse sémantique en ligne** | Fusionne le contexte apparenté au sein d'une session en représentations abstraites unifiées, supprimant la redondance lors de la construction de la mémoire plutôt qu'au moment de la requête. | | **3. Planification de récupération orientée intention** | Déduit l'intention de recherche derrière une requête pour décider *quoi* récupérer et assembler un contexte précis et compact. | Sur le benchmark LoCoMo, cela délivre un gain moyen de F1 de 26,4 % par rapport aux systèmes précédents tout en réduisant la consommation de tokens au moment de l'inférence d'environ 30x. Détails des mécanismes (couches d'index hybrides, exemples de compression, planification de récupération) : [**Mémoire texte SimpleMem →**](../text-memory.md). ### 🧠 Omni-SimpleMem : mémoire multimodale (texte, image, audio, vidéo) Omni-SimpleMem étend la philosophie compression-en-premier à quatre modalités, basée sur trois principes : **Ingestion sélective** (filtrage basé sur l'entropie par modalité), **Récupération progressive** (FAISS + BM25 hybride avec expansion pyramidale du budget de tokens), et **Augmentation par graphe de connaissances** (raisonnement cross-modal multi-sauts). Plutôt que d'être conçue à la main, son architecture a été *découverte* par un pipeline de recherche autonome qui a mené environ 50 expériences sur deux benchmarks, diagnostiquant les modes d'échec, proposant des changements architecturaux, et même réparant des bugs dans le pipeline de données sans intervention humaine dans la boucle interne. Significativement, les corrections de bugs et les changements architecturaux ont chacun contribué davantage que l'ensemble du réglage des hyperparamètres, faisant passer le système d'une baseline naïve à l'état de l'art sur LoCoMo et Mem-Gallery. Documentation complète : [**Omni-SimpleMem →**](../../OmniSimpleMem/). ### 🧬 EvolveMem : récupération auto-évolutive EvolveMem comble un angle mort partagé par presque tous les systèmes de mémoire : le contenu stocké évolue, mais la machinerie de *récupération* (fonctions de score, stratégies de fusion, politiques de génération de réponses) reste figée après le déploiement. EvolveMem exécute un processus AutoResearch en boucle fermée (**Évaluer → Diagnostiquer → Proposer → Protéger → Répéter**) dans lequel un LLM diagnostique les échecs par question et propose des modifications de configuration, protégées par un rollback automatique en cas de régression et des incitations à l'exploration lors de stagnation. Il découvre de nouvelles dimensions de récupération (décomposition de requêtes, substitution d'entités, vérification des réponses) absentes de la conception originale, améliore LoCoMo de 25,7 % en relatif par rapport à la meilleure baseline, et ses configurations évoluées se transfèrent positivement d'un benchmark à l'autre. Documentation complète : [**EvolveMem →**](../../EvolveMem/). ### Comment ils s'articulent `from simplemem import SimpleMem` vous donne le noyau texte avec routage automatique vers le backend multimodal, et `simplemem.optimize(...)` exploite EvolveMem pour ajuster la récupération à vos propres données. Un seul package, un seul modèle mental : compresser sans perte, récupérer par intention, et laisser le système continuer à s'améliorer lui-même. --- ## 📦 Installation ### 📝 Notes pour les nouveaux utilisateurs - Assurez-vous d'utiliser **Python 3.10+ dans votre environnement actif**, pas seulement installé globalement. - Une clé API compatible OpenAI doit être configurée **avant d'exécuter toute construction ou récupération de mémoire**, sinon l'initialisation peut échouer. - Lorsque vous utilisez des fournisseurs non-OpenAI (par ex., Qwen ou Azure OpenAI), vérifiez à la fois le nom du modèle et `OPENAI_BASE_URL` dans `config.py`. - Pour les grands ensembles de données de dialogue, activer le traitement parallèle peut réduire considérablement le temps de construction de la mémoire. ### 📋 Prérequis - 🐍 Python 3.10+ - 🔑 API compatible OpenAI (OpenAI, Qwen, Azure OpenAI, etc.) ### 🛠️ Configuration ```bash # 📥 Clone repository git clone https://github.com/aiming-lab/SimpleMem.git cd SimpleMem # 📦 Install dependencies (pinned versions) pip install -r requirements.txt # — OR — install as an editable package pip install -e . # default: text + multimodal + evolver pip install -e ".[server]" # + MCP / HTTP server (mcp, fastapi, ...) pip install -e ".[all]" # everything, including dev tools # ⚙️ Configure API settings cp config.py.example config.py # Edit config.py with your API key and preferences ``` ### ⚙️ Exemple de configuration ```python # config.py OPENAI_API_KEY = "your-api-key" OPENAI_BASE_URL = None # or custom endpoint for Qwen/Azure LLM_MODEL = "gpt-4.1-mini" EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B" # State-of-the-art retrieval ``` --- ## 🐳 Exécuter avec Docker Le **serveur MCP** peut être exécuté dans Docker pour un environnement cohérent et isolé. Les données (LanceDB et base de données utilisateur) sont persistées dans un volume hôte. ### Prérequis - [Docker](https://docs.docker.com/get-docker/) et [Docker Compose](https://docs.docker.com/compose/install/) ### Démarrage rapide ```bash # From the repository root docker compose up -d ``` - **Interface Web :** http://localhost:8000/ - **API REST :** http://localhost:8000/api/ - **MCP (SSE) :** http://localhost:8000/mcp/sse?token=<TOKEN> Les données sont stockées dans `./data` sur l'hôte (créé automatiquement). ### Configuration personnalisée 1. Copiez le modèle d'environnement et modifiez-le : ```bash cp .env.example .env # Edit .env: set JWT_SECRET_KEY, ENCRYPTION_KEY, LLM_PROVIDER, model URLs, etc. ``` 2. Exécutez avec le fichier d'environnement : ```bash docker compose --env-file .env up -d ``` ### Utiliser Ollama sur l'hôte Lorsque `LLM_PROVIDER=ollama` et qu'Ollama s'exécute sur votre machine (pas dans Docker), définissez dans `.env` : ```bash LLM_PROVIDER=ollama OLLAMA_BASE_URL=http://host.docker.internal:11434/v1 ``` Sur Linux, `host.docker.internal` est activé automatiquement via le fichier Compose. ### Commandes utiles ```bash docker compose logs -f simplemem # Follow logs docker compose down # Stop and remove containers ``` > 📖 Pour l'auto-hébergement du serveur MCP (Docker ou bare metal), voir la [Documentation MCP](../../MCP/README.md). --- ## 🔌 Serveur MCP *(mémoire texte)* SimpleMem est disponible en tant que **service de mémoire hébergé dans le cloud** via le Model Context Protocol (MCP), permettant une intégration transparente avec des assistants IA comme Claude Desktop, Cursor et d'autres clients compatibles MCP. **🌐 Service Cloud** : [mcp.simplemem.cloud](https://mcp.simplemem.cloud) — ou hébergez vous-même le serveur MCP localement en utilisant [Docker](#-exécuter-avec-docker). ### Fonctionnalités clés | Fonctionnalité | Description | |---------|-------------| | **HTTP diffusable** | Protocole MCP 2025-03-26 avec JSON-RPC 2.0 | | **Isolation multi-locataires** | Tables de données par utilisateur avec authentification par token | | **Récupération hybride** | Recherche sémantique + correspondance par mots-clés + filtrage par métadonnées | | **Optimisé pour la production** | Temps de réponse plus rapides avec intégration OpenRouter | ### Configuration rapide ```json { "mcpServers": { "simplemem": { "url": "https://mcp.simplemem.cloud/mcp", "headers": { "Authorization": "Bearer YOUR_TOKEN" } } } } ``` > 📖 Pour des instructions de configuration détaillées et un guide d'auto-hébergement, voir la [Documentation MCP](../../MCP/README.md) --- ## 📊 Reproduire les résultats de l'article Reproduisez les chiffres LoCoMo / MemBench / Mem-Gallery des articles. Chaque pilier dispose de son propre lanceur de benchmark dans son propre répertoire. Installez d'abord les extras de benchmark : `pip install -e ".[benchmark]"`. ### 📝 SimpleMem (texte) — LoCoMo Exécutez depuis la racine du dépôt : ```bash python test_locomo10.py # full LoCoMo benchmark python test_locomo10.py --num-samples 5 # quick subset python test_locomo10.py --result-file my_results.json ``` ### 🧬 EvolveMem — auto-évolution + LoCoMo / MemBench Exécutez depuis le répertoire `EvolveMem/` (voir [`EvolveMem/README.md`](../../EvolveMem/README.md)) : ```bash cd EvolveMem python run_evolution.py --data data/locomo10.json --max-rounds 7 python run_benchmark.py locomo --sample 0 --initial weak --max-rounds 3 python run_benchmark.py membench --agent FirstAgent --max-rounds 3 ``` ### 🧠 Omni-SimpleMem — LoCoMo / Mem-Gallery Exécutez depuis le répertoire `OmniSimpleMem/` (voir [`OmniSimpleMem/README.md`](../../OmniSimpleMem/README.md)) : ```bash cd OmniSimpleMem python benchmarks/locomo/run_locomo.py --data-path /path/to/locomo10.json --model gpt-4o ``` --- ## 🗺️ Feuille de route Capacité actuelle par canal d'intégration : | Capacité | Python (`pip install`) | Serveur MCP (Claude Desktop, Cursor, ...) | |:--|:--:|:--:| | Mémoire texte | ✅ | ✅ | | Multimodal (image / audio / vidéo) | ✅ | ⬜ prévu | | Récupération auto-évolutive `optimize()` | ✅ | ⬜ prévu | Travaux prévus pour combler l'écart (le serveur MCP est un service texte multi-locataires autonome ; ce sont de vraies fonctionnalités, pas des corrections de documentation) : - [ ] **Multimodal via MCP.** Ajouter les outils `memory_add_image` / `memory_add_audio` / `memory_add_video`. Nécessite un chemin de téléchargement de fichier (base64 ou URL, car MCP ne peut pas transmettre les chemins de fichiers locaux), une adaptation multi-locataires du backend de stockage Omni-SimpleMem, et l'accès côté serveur aux modèles de vision/audio. - [ ] **EvolveMem via MCP.** Exposer `optimize()` comme outil MCP. Plus tractable que le multimodal (texte en entrée, config JSON en sortie, pas de transport de fichiers), mais le récupérateur MCP honore actuellement seulement `semantic_top_k` / `keyword_top_k` des ~10 dimensions qu'EvolveMem fait évoluer. Nécessite d'étendre le récupérateur MCP pour prendre en charge les curseurs restants (structured top_k, mode/poids de fusion, substitution d'entités, décomposition de requêtes, vérification des réponses), un adaptateur pour exécuter la boucle d'évolution sur les souvenirs stockés d'un locataire, la persistance de la configuration par locataire, et une exécution asynchrone (la boucle est intensive en LLM et ferait expirer une requête synchrone). - [ ] **Docker** hérite des deux automatiquement une fois que le serveur MCP les supporte (ajouter les dépendances multimodales à l'image et un volume de stockage Omni). Pour le multimodal complet et la récupération auto-évolutive aujourd'hui, utilisez l'API Python (voir [Démarrage rapide](#-démarrage-rapide)). --- ## 📝 Citation Si vous utilisez SimpleMem dans vos recherches, veuillez citer : ```bibtex @article{simplemem2026, title={SimpleMem: Efficient Lifelong Memory for LLM Agents}, author={Liu, Jiaqi and Su, Yaofeng and Xia, Peng and Zhou, Yiyang and Han, Siwei and Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu}, journal={arXiv preprint arXiv:2601.02553}, year={2026}, url={https://arxiv.org/abs/2601.02553} } ``` ```bibtex @article{evolvemem2026, title={EvolveMem: Self-Evolving Memory Architecture via AutoResearch for LLM Agents}, author={Liu, Jiaqi and Ye, Xinyu and Xia, Peng and Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu}, journal={arXiv preprint arXiv:2605.13941}, year={2026}, url={https://arxiv.org/abs/2605.13941} } ``` ```bibtex @article{omnisimplemem2026, title = {Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory}, author = {Liu, Jiaqi and Ling, Zipeng and Qiu, Shi and Liu, Yanqing and Han, Siwei and Xia, Peng and Tu, Haoqin and Zheng, Zeyu and Xie, Cihang and Fleming, Charles and Ding, Mingyu and Yao, Huaxiu}, journal = {arXiv preprint arXiv:2604.01007}, year = {2026}, } ``` --- ## 📄 Licence Ce projet est sous licence **MIT** — voir le fichier [LICENSE](../../LICENSE) pour plus de détails. --- ## 🙏 Remerciements Nous souhaitons remercier les projets et équipes suivants : - 🔍 **Modèle d'embedding** : [Qwen3-Embedding](https://github.com/QwenLM/Qwen) - Performance de récupération à la pointe de l'état de l'art - 🗄️ **Base de données vectorielle** : [LanceDB](https://lancedb.com/) - Stockage en colonnes haute performance - 📊 **Benchmark** : [LoCoMo](https://github.com/snap-research/locomo) - Framework d'évaluation de la mémoire à long contexte