Utilisez une base vectorielle pour retrouver du contenu similaire. Choisissez un graphe de connaissances pour des relations explicites et des requêtes à plusieurs sauts. Les deux peuvent conserver et mettre à jour des informations entre exécutions ; aucun n'apprend automatiquement. De simples fiches structurées peuvent suffire à un petit workflow.

Le choix dépend des questions de l'agent, pas de son besoin de mémoire. Il peut retrouver un exemple validé dans un index vectoriel et vérifier le responsable actuel d'un compte dans un graphe ou une base relationnelle.

Comparaison rapide

Décision	Base vectorielle	Graphe de connaissances
Représentation	Vecteurs avec contenu ou métadonnées	Entités, relations typées et propriétés
Requête habituelle	Quels passages ou exemples sont similaires ?	Comment ces entités sont-elles reliées ?
Persistance	Fiches conservées entre sessions	Nœuds et relations conservés entre sessions
Mise à jour	Ajouter ou modifier fiches, métadonnées et vecteurs	Ajouter, modifier ou supprimer nœuds, relations et propriétés
Apprentissage de l'agent	L'application doit enregistrer, retrouver et évaluer les retours	L'application doit enregistrer, retrouver et évaluer les retours
Usage principal	Recherche sémantique de documents et d'exemples	Faits reliés et parcours de relations
Maintenance	Qualité des embeddings, de la recherche et de l'index	Résolution d'identité, modèle de relations et entretien du graphe

Ces points forts ne sont pas des catégories exclusives. Recherche vectorielle, fiches structurées et graphes peuvent se compléter.

La recherche vectorielle peut conserver une mémoire

Un modèle d'embeddings représente le contenu par des vecteurs. L'index retrouve les vecteurs proches d'une requête ; l'application transmet les passages associés à l'agent. Cela aide à retrouver notes produit, cas similaires et exemples validés.

Les données ne disparaissent pas nécessairement à la fin d'une session. Pinecone permet de modifier les vecteurs et métadonnées enregistrés. Une application peut sauvegarder une correction acceptée puis la retrouver plus tard. La conserver ne garantit pas sa récupération : découpage, filtres, qualité de recherche et droits d'accès restent déterminants.

Un texte similaire ne prouve ni l'identité d'une personne ni l'actualité d'un fait. Vérifiez les identifiants exacts et les données de référence avant une décision opérationnelle.

Quand un graphe justifie sa complexité

Le modèle de graphe de propriétés de Neo4j représente les entités par des nœuds reliés par des relations typées. Les deux peuvent porter des propriétés.

On peut ainsi chercher quelles entreprises partagent un investisseur, quels contacts leur appartiennent et qui gère chaque relation. La réponse suit des liens enregistrés au lieu de confondre ressemblance et identité.

Un graphe ne découvre pas automatiquement la vérité, ne démontre pas la causalité et n'améliore pas seul un agent. Votre processus d'ingestion et de validation décide quoi conserver, comment résoudre les identités et quand remplacer les faits périmés. Un parcours peut aussi relier des faits incorrects.

RAG n'est pas une base de données concurrente

RAG consiste à récupérer du contexte avant de générer une réponse. Ce contexte peut venir d'un index vectoriel, de requêtes dans un graphe, d'une base classique ou de plusieurs sources.

Pour un assistant commercial illustratif :

Lire responsable du compte, état du contact et désinscriptions dans les données de référence.
Retrouver les preuves produit et exemples approuvés.
Préparer une synthèse sourcée ou un brouillon.
Obtenir la validation requise avant toute action externe.
Enregistrer une correction acceptée avec source, date et périmètre, puis tester sa récupération.

Ni un passage retrouvé ni une relation du graphe n'autorise un envoi.

Commencer plus simplement

Choisissez un index vectoriel lorsque la similarité entre documents domine. Un graphe se justifie lorsque le parcours des relations est fréquent et difficile à gérer par des requêtes simples. Une base relationnelle ou clé-valeur peut suffire pour identifiants, statuts et quelques liens.

Combinez les couches seulement si les deux besoins sont établis. Testez exactitude, fraîcheur, permissions, latence et maintenance sur des questions représentatives.

L'appliquer dans AgentLed

La mémoire métier d'AgentLed permet de travailler avec du contexte réutilisable et des relations. Définissez les informations à conserver, les accès et la validation des corrections. Ne supposez pas que chaque exécution produit automatiquement des apprentissages utiles ou qu'un changement de stockage améliore les résultats.

Conservez les sources et dates de vérification. Contrôlez que l'exécution suivante retrouve la bonne correction, respecte les accès et s'arrête faute de preuves. Ces vérifications comptent plus que l'étiquette de base intelligente.

La mémoire n'est utile que dans une boucle de déploiement

Choisir la bonne couche de mémoire est une décision d'architecture. La rendre utile exige récupération du contexte, évaluations, permissions, monitoring et approbation autour de l'agent qui la consomme. Découvrez comment un ingénieur FDE transforme ces éléments en workflow de production.

Mémoire d'agent IA : RAG ou graphe de connaissances ?

Pour un agent GTM, la recherche sémantique retrouve une note produit ou un message approuvé avec une objection similaire. Des fiches structurées ou un graphe représentent les liens entre personnes et entreprises, le responsable de la relation et les réponses reçues. Une similarité vectorielle ne prouve ni identité, ni consentement, ni état actuel.

RAG est un modèle de récupération et génération, pas une autre base de données. Il peut récupérer des documents dans un index vectoriel et des faits dans un graphe ou un stockage structuré. Utilisez des fiches exactes pour l'état opérationnel, des passages retrouvés pour le contexte, puis contrôlez sources et fraîcheur. Un graphe se justifie lorsque les relations et leur parcours valent cette complexité.

Un workflow de vente mené par les fondateurs combine preuves, faits produit approuvés et historique avant la prochaine étape. Le GTM d'AgentLed applique ce contexte ; le stockage seul n'autorise aucune action externe.

Knowledge Graph vs Vector Database pour la mémoire d'agent