DevMemory : Une architecture de gestion de mémoire structurée pour la connaissance persistante dans les agents de codage AI

Les agents de codage IA fonctionnent sans mémoire persistante ; les sorties utiles produites lors d'une session ne sont pas disponibles lors de la suivante, et les informations d'un projet ne sont jamais transférées à un autre. Nous présentons DevMemory, une architecture de gestion de mémoire structuré qui apporte la récupération de connaissances interscope avec scoring de confiance aux agents de codage IA. Empruntant des catégories organisationnelles à la taxonomie épisodique-sémantique-procédurale de Tulving (1972) en psychologie cognitive, DevMemory classe les informations stockées en trois types à travers trois portées hiérarchiques (agent, projet, organisation), régies par un modèle formel de scoring de confiance avec dégradation temporelle, gestion des contradictions et promotion basée sur le renforcement. L'architecture introduit quatre contributions clés : (1) une adaptation principielle des catégories de mémoire cognitive aux contextes de récupération en développement logiciel, (2) une fonction de confiance continue qui calcule la fiabilité de l'information comme un produit de provenance, récence, contradiction et signaux de renforcement, (3) un pipeline de récupération efficace en termes de jetons qui déduplique et regroupe les résultats pour maximiser la densité d'information dans les contraintes de fenêtre contextuelle, et (4) une conception d'interface outil qui consolide 17 opérations en 5 outils optimisés pour LLM, réduisant la surcharge du prompt système de 33 %. Le système est mis en œuvre comme un serveur MCP (Model Context Protocol) open-source, validé par 325 tests automatisés couvrant des benchmarks d'unité, d'intégration, d'efficacité, d'efficacité et de performance. Un benchmark d'efficacité sur un corpus de 29 mémoires avec 8 requêtes d'évaluation démontre : un taux de réutilisation d'information intersession de 87,5 %, un classement réciproque moyen de 0,875, une récupération triée par confiance améliorant la qualité moyenne des résultats de 8,6 % par rapport aux lignes de base non triées, une séparation complète entre les entrées vérifiées et contredites (écart de confiance de 0,78), et des économies de jetons de 27-91% sous contraintes budgétaires tout en maintenant ou en améliorant la qualité des résultats. Nous distinguons explicitement notre utilisation ingénierie des étiquettes de taxonomie cognitive des propriétés phénoménologiques et mécanistes des systèmes de mémoire biologique, et discutons des implications de cet écart.