Posséder sa mémoire d'agent : le dépôt Git comme cerveau partagé entre tous vos agents IA

Prenez un développeur qui utilise six agents selon la tâche : Claude Code, Codex, Cursor, Hermes Agent, CodeBuddy et WorkBuddy. Chacun garde sa propre mémoire, dans son propre format. Le schéma qui circule chez les praticiens en 2026 consiste à leur donner un seul cerveau : un dépôt Git privé de fichiers Markdown, que tous lisent et écrivent, avec par-dessus un outil qui l'indexe et le rend cherchable.

Deux publications datées de 2026, un talk de Garry Tan et un billet d'Anthropic, expliquent pourquoi ce schéma tient debout, et où il faut le renforcer avant de l'adopter en équipe.

Six agents, six mémoires

Chaque agent du marché livre sa propre mémoire. Claude Code distingue les fichiers CLAUDE.md, écrits par l'humain, et une mémoire automatique, MEMORY.md, écrite par l'agent¹. Codex a ses propres mémoires ; depuis la version 0.165.0 de sa CLI (27 octobre 2026), leur moteur « memory v2 » est celui des nouveaux profils et sait importer des mémoires venues d'autres agents². Hermes Agent garde des faits et des skills dans le répertoire de l'utilisateur. Un développeur qui change d'outil trois fois par jour répète son contexte trois fois. SFEIR a nommé ce trou l'Ephemeral Intelligence Gap.

La thèse de Garry Tan : le modèle se loue, le contexte se possède

Le 6 août 2026, Y Combinator a publié « Own Your Intelligence », le talk de Garry Tan à Startup School 2026³. Tan pose une équation à trois termes : un modèle de pointe loué, devenu une commodité dont le prix baisse ; un contexte personnel, unique et possédé ; un harnais qui relie les deux. Il résume sa propre installation ainsi : « My brain runs on my own infra, in my own repo, under my own keys. »

Sa méthode tient en cinq gestes : faire tourner un agent sur sa machine, démarrer une bibliothèque de fichiers Markdown, écrire un premier skill pour une corvée hebdomadaire, le planifier, puis transformer chaque travail terminé en skill. Détail dans Own Your Intelligence, lu par une DSI.

La preuve technique : Anthropic, 6 novembre 2026

Trois mois plus tard, Anthropic a publié ses mesures⁴. Une mémoire en fichiers lisibles améliore les scores : sur CL-Bench 1.0, Opus 5.5 passe de 0,655 à 0,838 (chiffre de l'éditeur). Le billet pose deux conditions : garder petite la couche chargée à chaque session, et corriger régulièrement les notes par une passe hors ligne, le dreaming. Détail dans ce qu'Anthropic a mesuré.

Le format a une origine commune. Le billet d'Anthropic renvoie au gist d'Andrej Karpathy sur le wiki maintenu par LLM⁵, dont TencentDB Agent Memory se réclame aussi pour son actif LLM-Wiki. La maxime est celle d'Addy Osmani, déjà reprise dans Anatomie d'une loop : l'agent oublie, le dépôt non.

L'architecture en deux couches

Couche 1, la copie maîtresse. Des fichiers Markdown dans un dépôt Git privé. Tous les agents savent lire un fichier. Git fournit l'historique, le diff, la revue et le retour arrière.

Couche 2, l'index. Un outil qui lit le dépôt et le rend interrogeable. Deux candidats open source sous licence MIT :

• GBrain, de Garry Tan, indexe le Markdown dans Postgres, construit un graphe de liens et l'expose en CLI et par serveur MCP. Conçu pour une personne, il propose depuis un mode « company brain »⁶.
• TencentDB Agent Memory, de Tencent Cloud, est un hub d'équipe depuis sa version 2.0.0 du 3 août 2026 : visibilité privée, équipe ou restreinte, revue dans un panneau⁷.

La règle de construction : on doit pouvoir supprimer la couche 2 et la reconstruire à partir de la couche 1. C'est le concept Design to Exit appliqué à la mémoire. Le README de GBrain rappelle la limite de l'exercice : ce qui n'existe qu'en base (pages créées par l'outil, historique, état) ne revient pas d'un dépôt de fichiers⁶. Tout fait qui compte doit donc vivre dans un fichier.

Les deux index ne couvrent pas les mêmes agents. TencentDB Agent Memory prend en charge Claude Code, CodeBuddy, Codex, Hermes, WorkBuddy, OpenClaw, OpenCode et DeepSeek Harness, mais pas Cursor au 14 novembre 2026⁷. Cursor rejoint le schéma par les fichiers du dépôt, ou par MCP via GBrain.

Quatre risques à instruire

• L'empoisonnement. Une note malveillante, écrite après une injection de prompt, se recharge à chaque session. Voir Le contexte de vos agents IA est une surface d'attaque.
• Les faits périmés. Brandon Waselnuk, chez Unblocked, l'écrit à propos des hubs de mémoire d'équipe : « confident recall of stale facts is worse than no memory »⁸.
• Les secrets et les données personnelles. Un dépôt de contexte attire les clés d'API et les noms de personnes. Le RGPD et le droit à l'effacement s'appliquent, et l'historique Git complique l'effacement.
• La prolifération. Sur Pokémon Red, les 413 fichiers de mémoire de Sonnet 3.7 ont rapporté un badge, contre quatre pour les dix fichiers de Fable 5⁴.

Transposer en équipe

Le schéma décrit une mémoire personnelle. Une équipe de développement peut le reprendre avec cinq règles :

1. Un dépôt de contexte par équipe, séparé du code, avec les mêmes droits que le code.
2. Toute écriture d'un agent passe par une pull request relue par un humain.
3. Un plafond de lignes pour les fichiers chargés à chaque session.
4. Une tâche planifiée de maintenance (dreaming ou équivalent) sur les informations susceptibles de changer.
5. Un test de réversibilité par trimestre : supprimer l'index, le reconstruire, mesurer le temps et ce qui manque.

Ces règles traitent le contexte comme une dépendance logicielle, ce que décrit le CDLC.

La série

1. The components of agent memory : ce qu'Anthropic a mesuré
2. Cet article
3. GBrain : la mémoire de Garry Tan, en Markdown et sous licence MIT
4. TencentDB Agent Memory v2 : une mémoire d'équipe gouvernée
5. Own Your Intelligence : la thèse de Garry Tan lue par une DSI
6. WorkBuddy et CodeBuddy : la double offensive agentique de Tencent
7. Mémoire d'agent et souveraineté : Git, base managée ou mémoire native ?

Sources

1. Claude Code Docs, « How Claude remembers your project », consulté le 14 novembre 2026. code.claude.com
2. OpenAI, « ChatGPT & Codex changelog » (CLI 0.165.0, 27 octobre 2026), consulté le 14 novembre 2026. learn.chatgpt.com
3. Y Combinator, transcript du talk « Own Your Intelligence » de Garry Tan, 6 août 2026. ycrootaccess.com
4. Anthropic (Engineering, rédigé par Lance Martin), « The components of agent memory », 6 novembre 2026. anthropic.com
5. Andrej Karpathy, « LLM Wiki », gist GitHub. gist.github.com
6. Garry Tan, dépôt GBrain (README), GitHub, consulté le 14 novembre 2026. github.com
7. TencentCloud, dépôt et site de TencentDB Agent Memory, consultés le 14 novembre 2026. github.com
8. Brandon Waselnuk, « Team Memory Hubs for AI Agents: What TencentDB-Agent-Memory Solves — and What It Misses », Unblocked, 4 août 2026. getunblocked.com