Un agent sans mémoire est un poisson rouge. Tu lui expliques une fois ton projet, tes préférences, tes chemins de fichiers. Demain, il aura tout oublié, et tu recommenceras. C'est LE problème des assistants IA en 2026, et trois approches très différentes se disputent ta mémoire : mem0, le cloud clé en main ; Honcho, la mémoire qui raisonne que tu peux héberger toi-même ; et co-engram, un dossier de texte brut versionné avec Git.
Les trois tournent ici, sur mon homelab, avec de vrais agents au quotidien. Ce n'est pas un comparatif de fiches produit : ce sont des mesures prises ce mois-ci, des choix assumés, et les défauts de chacun. Spoiler du test chronométré : 1,9 seconde d'un côté, quelques millisecondes de l'autre. Et ce n'est pas forcément le plus rapide qui gagne.
Ce qu’on attend d’une mémoire d’agent
Avant le match, les critères. Une bonne mémoire d'agent doit retenir les faits que tu lui donnes , les retrouver vite et pertinemment quand une question arrive, et ne pas te ruiner ni t'envoyer ta vie sur un serveur que tu ne contrôles pas.
S'y ajoutent des questions qu'on oublie trop souvent : la mémoire survit-elle aux mises à jour ? Peut-elle être partagée entre plusieurs agents, plusieurs machines ? Et qui peut la lire ? Ce sont exactement les points sur lesquels les trois candidats divergent le plus.
mem0 : la mémoire clé en main
mem0 est la solution cloud la plus populaire du créneau : 64 000 étoiles sur GitHub pour la bibliothèque open source, une plateforme managée qui stocke et organise tes souvenirs, et une intégration en trois lignes de code. Tu envoies une conversation, la plateforme en extrait les faits, les dédoublonne, les met à jour et les ressert quand tu cherches.
Ce que ça donne en vrai : j'ai envoyé une mini-conversation fictive sur des préférences de boissons, l'API a extrait un souvenir propre en 1,2 seconde, et une recherche a répondu en 1,2 seconde sur une mémoire vide, 1,9 seconde sur une mémoire réelle peuplée. Aucune infrastructure à gérer, aucune mise à jour, ça marche depuis n'importe où.
Le revers : tes souvenirs vivent chez un prestataire américain, avec les limites du plan gratuit (10 000 ajouts et 1 000 recherches par mois), puis 19 dollars par mois, puis 249 dollars pour de la production sérieuse. Et chaque appel traine la latence du réseau : 1 à 2 secondes, c'est senti par l'utilisateur final si tu appelles à chaque tour de conversation.
Honcho : la mémoire qui raisonne
Honcho, développé par Plastic Labs (7 000 étoiles, licence AGPL), attaque le problème autrement : au lieu de stocker des faits, il construit une représentation de chaque « pair », chaque personne ou agent de la conversation, et raisonne dessus. Son agent de dérivation extrait l'information implicite à l'arrivée des messages, et un système appelé Dreaming Agent travaille en arrière-plan pour consolider, résumer et faire des hypothèses. La version 3, sortie en janvier, a divisé les coûts par 5 : 2 dollars par million de tokens ingérés, et un système de niveaux de raisonnement de 0,001 à 0,50 dollar par question.
Mon test local est instructif : l'instance auto-hébergée sur mon serveur (Docker, PostgreSQL, version 3.0.9) crée un workspace en 13 millisecondes, un peer en 11, une session en 18. L'ajout de 5 messages a pris 23 secondes, car chaque message part dans le pipeline de dérivation qui appelle un modèle de langage. Et recherche sémantique et chat ont répondu une erreur 500 : mon instance tourne sans LLM de dérivation branché, en mode dormant. C'est LE piège de l'auto-hébergement : le logiciel est gratuit, mais il a besoin d'un cerveau derrière, et d'un peu de maintenance le jour des mises à jour majeures.
La plateforme managée existe aussi, avec instances dédiées par organisation. Détail qui compte pour la communauté : le README du projet liste une intégration officielle Hermes Agent, et le projet est passé côte à côte avec les gros noms dans les benchmarks LongMem et LoCoMo.
co-engram : la mémoire en texte brut
co-engram prend le contre-pied total : pas d'API, pas de base vectorielle, pas de service. Une arborescence de fichiers Markdown, un dossier par domaine, chaque souvenir dans un fichier lisible, et Git pour l'historique et la synchronisation. Ma mémoire d'équipe fait 71 souvenirs, 19 Mo, 35 domaines, 139 commits. Un cron synchronise le dépôt toutes les 5 minutes, et n'importe quel agent qui clone le repo hérite de toute la mémoire.
Les avantages sont concrets : la recherche est locale et quasi instantanée, tout est auditable en ouvrant un fichier, rien ne quitte la maison, et l'historique Git te dit qui a écrit quoi et quand. Les limites sont à l'image : pas d'extraction automatique des conversations (c'est l'agent qui décide d'écrire), pas de déduction (une mémoire ne contient que ce qui a été explicitement noté), et le partage dépend d'un dépôt Git à maintenir. C'est une mémoire d'équipe d'agents, pas une couche d'introspection psychologique.
Les chiffres du test
Mesures prises le 4 septembre 2026 sur mon serveur, méthode identique pour les trois :
- mem0 (plateforme cloud) : ajout d'un souvenir 1,2 s, recherche 1,2 à 1,9 s, configuration nulle, données hors domicile.
- Honcho v3.0.9 auto-hébergé : création workspace/peer/session 11 à 18 ms, ingestion de 5 messages 23 s (pipeline LLM), recherche et chat inopérants sans modèle branché, données chez toi.
- co-engram 0.5.1 (fichiers + Git) : recherche locale quasi instantanée, écriture = un commit Git, 19 Mo pour 71 souvenirs, partage par dépôt, zéro service.
Le classement dépend de ta question. Pour un agent grand public connecté partout sans serveur : mem0. Pour un produit qui doit comprendre finement ses utilisateurs et assume un LLM derrière : Honcho. Pour un agent personnel ou une équipe d'agents qui partagent un contexte technique : co-engram, et c'est le choix que j'ai fait pour ma mémoire d'équipe.
Mon avis après des mois d'usage réel
J'utilise les trois, et c'est révélateur : mem0 pour la mémoire utilisateur de mon assistant principal, co-engram pour la mémoire partagée entre mes agents, Honcho en veilleuse faute de temps pour brancher le pipeline de dérivation. Si je ne devais garder qu'une leçon, ce serait celle-ci : le stockage n'est pas le problème. La difficulté, c'est l'écriture et la restitution pertinente au bon moment. C'est là que mem0 facture, Honcho construit une vraie architecture de raisonnement, et co-engram fait le pari que ton agent est assez intelligent pour gérer des fichiers.
Et la question du prix tranche vite : mem0 gratuit jusqu'à 1 000 recherches par mois, Honcho à 2 dollars le million de tokens ingérés en cloud ou le prix de ton propre serveur en auto-hébergé, co-engram à rien, sauf ton temps de Git. À toi de savoir combien valent ta tranquillité et ta vie privée.
Et si le sujet de la mémoire d'agents te parle, on avait exploré l'autre bout de la chaîne avec Utopia, la mémoire temporelle des agents IA.
Utopia : et si la mémoire des agents IA retenait aussi le temps qui passe
Sources
Le dépôt open source de mem0, bibliothèque Apache-2.0 et plateforme managée.
La grille tarifaire de mem0 (Hobby gratuit, Starter 19 $, Pro 249 $ par mois).
Le dépôt d'Honcho, Plastic Labs, AGPL-3.0.
L'annonce d'Honcho 3, avec le détail de la tarification par tokens et des niveaux de raisonnement.
L'organisation GitHub Co-Engram, la mémoire d'équipe auto-évolutive en fichiers Markdown.
—
Recherche, relecture et illustration assistées par IA. Le contenu reflète le travail éditorial de la rédaction.
No comments yet