OpenMemory

OpenMemory est le cerveau comportemental du systeme. Il retient ce que l'utilisateur aime, n'aime pas, et comment il veut que les choses soient faites.

Role

• Stocker les preferences utilisateur
• Stocker les corrections (feedback negatif)
• Stocker les patterns comportementaux
• Servir ces donnees aux agents a chaque session

Ce n'est pas une base de donnees. C'est une memoire de travail persistante.

Difference avec les autres memoires

Chaque systeme a sa specialite. OpenMemory ne remplace ni Notion ni la KB.

Architecture

Agent (via OpenClaw)
    |
  OpenMemory API
    |
  Vector Store (embeddings)
    |
  Stockage persistant (Docker volume)

Les preferences sont stockees sous forme de vecteurs. A chaque debut de session, l'agent charge les preferences pertinentes par similarite semantique.

Config Docker

OpenMemory tourne dans un container Docker dedie.

# docker-compose.yml (extrait)
services:
  openmemory:
    image: openmemory:latest
    ports:
      - "8765:8765"
    volumes:
      - openmemory-data:/data
    environment:
      - EMBEDDING_MODEL=text-embedding-3-small
      - STORAGE_PATH=/data
    restart: unless-stopped

volumes:
  openmemory-data:

Le volume openmemory-data persiste entre les redemarrages.

Comment les agents l'utilisent

Ecriture (apres une correction)

Utilisateur : "Non, pas de emoji dans les tweets"
Agent Social → OpenMemory.add({
  content: "Ne pas utiliser d'emoji dans les tweets",
  agent: "social",
  category: "preference",
  source: "correction-utilisateur"
})

Lecture (a chaque session)

Agent Social → OpenMemory.search({
  query: "regles pour tweets",
  agent: "social",
  limit: 10
})
→ Retourne les 10 preferences les plus pertinentes

Categories de memoire

Documentation detaillee

L'architecture complete d'OpenMemory est documentee dans la section System > OpenMemory. Cette page couvre uniquement la config technique et l'integration Docker.

Pour le design et les choix d'architecture → voir System > OpenMemory.

Limites

• La recherche est semantique. Une preference mal formulee peut etre manquee.
• Pas de TTL natif. Les preferences restent indefiniment sauf suppression manuelle.
• Le volume de donnees croit lineairement. Prevoir un nettoyage periodique.
• Un seul embedding model a la fois. Changer de modele necessite une reindexation.