> ## Documentation Index
> Fetch the complete documentation index at: https://ai.aidalinfo.fr/llms.txt
> Use this file to discover all available pages before exploring further.

# Mémoire

> Donnez une mémoire à long terme à vos agents avec l'intégration Mem0

AI Kit s'intègre avec [Mem0](https://mem0.ai) pour fournir une couche de mémoire puissante et simple pour vos agents. Cela permet aux agents de se souvenir des interactions passées, des préférences des utilisateurs et du contexte à travers différentes sessions.

## Aperçu

Le système de mémoire effectue automatiquement :

1. **Récupération** des souvenirs pertinents basés sur l'entrée actuelle de l'utilisateur avant de générer une réponse.
2. **Injection** de ces souvenirs dans le prompt système.
3. **Stockage** de la nouvelle interaction (entrée utilisateur et réponse de l'agent) dans le vector store après la génération de la réponse.

## Configuration

Pour activer la mémoire, vous devez fournir un objet de configuration `memory` lors de l'initialisation de votre `Agent`.

### 1. Simple (En Mémoire)

Pour les tests ou les agents temporaires, vous pouvez initialiser la mémoire sans aucune configuration. Cela utilise un vector store en mémoire qui se réinitialise à la fin du processus.

```typescript theme={null}
const agent = new Agent({
  name: "agent-simple",
  model: openai("gpt-4o"),
  memory: {}, // Active le stockage en mémoire par défaut
});
```

### 2. Persistance Locale

Pour conserver l'historique des conversations localement entre les exécutions, fournissez un `path` où la base de données SQLite doit être stockée.

```typescript theme={null}
const agent = new Agent({
  name: "agent-local",
  model: openai("gpt-4o"),
  memory: {
    path: "memory.db", // Chemin pour stocker la base de données d'historique
  },
});
```

### 3. Avancé (PgVector)

Pour les applications en production, nous recommandons d'utiliser une base de données vectorielle robuste comme PostgreSQL avec `pgvector`.

```typescript theme={null}
const agent = new Agent({
  name: "agent-prod",
  model: openai("gpt-4o"),
  memory: {
    vectorStore: {
      provider: "pgvector",
      config: {
        user: process.env.DB_USER,
        password: process.env.DB_PASSWORD,
        host: process.env.DB_HOST,
        dbname: process.env.DB_NAME,
        collectionName: "agent_memories",
      },
    },
    embedder: {
      provider: "openai",
      config: {
        apiKey: process.env.OPENAI_API_KEY,
        model: "text-embedding-3-small",
      },
    },
  },
});
```

#### Configuration PgVector

Assurez-vous que votre base de données PostgreSQL a l'extension `vector` activée :

```sql theme={null}
CREATE EXTENSION IF NOT EXISTS vector;
```

## Utilisation

Une fois configuré, vous pouvez utiliser l'option `memory` dans les méthodes `generate` et `stream` pour passer des identifiants de contexte comme `thread` (ID d'exécution) et `metadata` (ID utilisateur, etc.).

### Streaming avec Mémoire

```typescript theme={null}
const stream = await agent.stream("Je m'appelle Alice", {
  memory: {
    thread: "session-123",
    metadata: {
      "user-id": "user-alice",
    },
  },
});

// L'agent stockera "Je m'appelle Alice" associé à user-alice.
```

### Récupération du Contexte

Lors d'un appel ultérieur, même dans une nouvelle session, l'agent se souviendra de l'information :

```typescript theme={null}
const response = await agent.generate({
  prompt: "Quel est mon nom ?",
  memory: {
    thread: "session-456", // Session différente
    metadata: {
      "user-id": "user-alice", // Même utilisateur
    },
  },
});

console.log(response.text); // "Votre nom est Alice."
```

## Configuration Avancée

La configuration `memory` accepte l'objet de configuration standard de `mem0`, vous permettant de personnaliser l'embedder, le vector store et le LLM utilisés pour les opérations de mémoire.

Référez-vous à la [documentation Mem0](https://docs.mem0.ai/overview) pour plus d'options de configuration avancées.