Analyse approfondie · Environ 4 min de lecture
MemCurrent arrive dans Agent Bricks Beta : ce que mesure vraiment Databricks
Traces brutes, connaissances synthétisées et consolidation différée forment une mémoire à deux couches, évaluée par son fournisseur.
- Publié ici
- Date de la source
- Source vérifiée
Databricks a annoncé Agent Memory en Beta le 20 octobre et présenté son architecture MemCurrent. Le service gère la transmission de connaissances entre sessions. La recherche examine si sélectionner puis réutiliser les informations utiles évite de refaire les mêmes explorations, plutôt que de chercher à tout mémoriser.
Écouter les actualités
Écoutez cet article ou poursuivez la lecture des actualités.
Préparation de la lecture…
Voix de l’appareil
La voix est traitée par votre navigateur ou appareil. AISubHub n’envoie pas le texte à une API audio. Les voix et la lecture écran verrouillé dépendent de l’appareil.
La reprise peut répéter une courte phrase.
En bref
- Le service repose sur Lakebase et associe sessions, mémoire gérée et traitements de consolidation.
- Le test interne comprend 114 cas, 29 utilisateurs et 2 233 sessions historiques : ce n'est pas un classement général des modèles.
Distinguer produit et architecture
Agent Memory gère des historiques ordonnés, des faits et procédures durables, ainsi que leur extraction. Il utilise Lakebase, le Postgres serverless de Databricks. Les développeurs peuvent inspecter, exporter ou supprimer des entrées et préciser ce qu'il faut retenir. Enregistrer une conversation et déterminer quelle affirmation doit orienter une réponse future sont deux opérations différentes. Le statut Beta interdit de supposer un comportement identique dans chaque déploiement.
Deux couches et des mises à jour distinctes
MemCurrent conserve des traces épisodiques uniquement ajoutées et des connaissances dérivées modifiables, organisées comme des fichiers. Un index est chargé au début de la session ; recherche et lecture détaillée interviennent ensuite. Les outils en ligne répondent aux demandes explicites d'ajout, de modification et de suppression. Un traitement différé extrait les apprentissages implicites, fusionne les doublons et résout les contradictions. Les traces gardent la preuve et l'index facilite sa découverte. Déporter l'extraction réduit le travail sur le chemin de réponse, mais retarde l'arrivée des enseignements implicites. Correction immédiate et entretien planifié ont donc des rôles différents.
Ce que couvre le test interne
Le jeu d'essai a été construit à partir de conversations Genie, puis revu pour retenir 114 cas concernant 29 utilisateurs et 2 233 sessions antérieures. Il mesure l'application de connaissances à des tâches de données en plusieurs étapes, pas seulement le rappel d'une phrase. Databricks annonce 22,3 % de réussite sans mémoire et 68,4 % avec MemCurrent ; ce dernier consomme 418K tokens et dure en moyenne 252 secondes par tâche. Les baisses de 31 % des tokens et de 26 % du temps appartiennent à cette comparaison. Elles ne prédisent pas chaque entreprise et ne comparent pas les abonnements de chat publics. Le test interne Genie utilisait Claude Opus 4.6 comme agent et GPT 5.6 sol pour la mémoire, sur trois répétitions.
Pourquoi tout le contexte ne suffit pas
Sur trois tests publics de mémoire conversationnelle, Databricks rapporte 88,1 % de précision moyenne contre 87,8 % avec l'historique complet, pour environ 8,4K contre 103K tokens d'entrée par question. Ces questions-réponses ne doivent pas être confondues avec les totaux des tâches d'entreprise. L'ablation interne atteint 35,8 % avec les seules traces, 66,1 % avec la mémoire dérivée et 68,4 % avec les deux. L'extraction différée seule donne 63,5 %, les outils en ligne 53,9 % et leur combinaison 66,1 % pour la mémoire dérivée. Cela soutient leur complémentarité dans ce dispositif, sans prouver que davantage d'historique améliore toujours les réponses. Les questions-réponses publiques utilisaient GPT 5.6 luna, avec moyenne sur LangGraph, OpenAI Agents SDK et trois répétitions.
Des critères concrets avant adoption
Analyse AISubHub : un pilote devrait comprendre des faits modifiés, des instructions contradictoires et des questions sans besoin de mémoire. Supposons qu'une équipe redéfinisse le client actif : une procédure autrefois juste peut devenir nuisible si l'ancienne définition reste prioritaire. Il faut contrôler l'origine d'une mémoire, la propagation des corrections et le respect des suppressions et frontières entre utilisateurs lors de la recherche. Mesurer la réussite et le temps total, consolidation comprise, importe plus que la seule réduction du prompt. Ce sont nos critères proposés, pas des fonctionnalités vérifiées indépendamment. Aucun nouveau tarif d'abonnement n'est fourni.
Pourquoi cela compte
Analyse AISubHub : une base inspectable peut déplacer l'optimisation de la taille du prompt vers l'entretien des connaissances. Leur pertinence et les droits d'accès restent essentiels. Réussite, maintenance et correction doivent être comptées ensemble.
Limites et disponibilité
Le produit est en Beta. Les résultats proviennent de Databricks, pas de nos essais ; données internes et configurations précises limitent leur portée. Aucun prix, délai ou gain universel n'est garanti.
Sources et preuves
Date de la source: · Source vérifiée:
Date de la source: · Source vérifiée:
Articles assistés par IA, vérifiés avec les sources primaires citées. Les affirmations des fournisseurs sont attribuées ; la présence ne vaut pas recommandation.