Atelier

Lección 8 — Projet final : un assistant qui se souvient

L'assistant qui se souvient : assemblage

5 min de lectura

Este contenido aún no está traducido. Se muestra la versión original.

L'assistant qui se souvient : assemblage

Le cahier des charges

  • D'une session à l'autre, l'assistant se souvient des préférences et contraintes de chaque utilisateur.
  • Il met à jour un fait qui change (équipe) au lieu d'accumuler des contradictions.
  • Il ne mélange jamais deux utilisateurs.
  • Il n'invente pas ce qu'il ne sait pas.
  • Le contexte reste borné, quelle que soit la longueur de la conversation.
sequenceDiagram
  participant U as "Utilisateur"
  participant A as "Assistant.chat"
  participant MEM as "Memory (SQLite)"
  participant G as "Gemini"
  U->>A: "message"
  A->>MEM: "recall(user, message, k=4)"
  MEM-->>A: "faits proches"
  A->>A: "build_context(consignes, faits, résumé, tours, message)"
  A->>G: "generate_content"
  G-->>A: "réponse"
  A->>A: "RollingSummary.add (résume si trop long)"
  A->>G: "extract_operations(message, faits proches)"
  A->>MEM: "apply_operations"
  A-->>U: "réponse"

Le cœur : Assistant.chat

files/assistant.py
def chat(self, message: str, learn: bool = True) -> str:
    recalled = self.mem.recall(self.user, message, K) if self.mem else []
    system, contents, est = contexte.build_context(
        SYSTEM, [t for _, _, t in recalled], self.conv.summary, self.conv.turns, message)
    r = memoire.with_retry(lambda: self.c.models.generate_content(
        model=self.model, contents=contents, config={"system_instruction": system}))
    answer = (r.text or "").strip()
    self.conv.add("user", message)
    self.conv.add("model", answer)
    ...
    if learn and self.mem:
        known = [(i, t) for _, i, t in recalled]
        ops = memoire.extract_operations(self.c, message, known)
        self.last["memory_ops"] = memoire.apply_operations(self.mem, self.user, ops, {i for i, _ in known})
    return answer

Le même rappel sert deux fois : pour répondre (les faits vont dans le contexte) et pour apprendre (les faits sont montrés à l'extracteur, qui peut les mettre à jour). L'extraction se fait après la réponse : en production, on la lancerait en tâche de fond pour ne pas allonger le temps de réponse.

Qu'est-ce qui survit quand l'utilisateur ferme l'assistant et en ouvre un nouveau ?

Les tests sans clé

test_memoire.py remplace l'embedding par un sac de mots haché (deux textes qui partagent des mots ont un cosinus élevé) et le LLM par un faux client. Le test central simule deux sessions et deux utilisateurs :

files/test_memoire.py
def test_assistant_remembers_between_sessions(tmp_path):
    c = NS(models=FakeModels())
    mem = memoire.Memory(str(tmp_path / "m.db"), fake_embed)
    s1 = assistant.Assistant(c, mem, "camille", summarize=lambda s, t: "résumé")
    s1.chat("Je travaille dans l'équipe Logistique")
    s2 = assistant.Assistant(c, memoire.Memory(str(tmp_path / "m.db"), fake_embed), "camille",
                             summarize=lambda s, t: "résumé")  # nouvelle session, nouvelle connexion
    assert "Logistique" in s2.chat("Dans quelle équipe je travaille ?", learn=False)
    s3 = assistant.Assistant(c, mem, "bob", summarize=lambda s, t: "résumé")
    assert "Logistique" not in s3.chat("Dans quelle équipe je travaille ?", learn=False)

Lancer

cd files
pip install -r requirements.txt
cp .env.example .env              # votre clé, ou la configuration Vertex AI
python -m pytest -q               # 7 tests, sans réseau
python assistant.py camille       # session 1 : présentez-vous, donnez des préférences
python assistant.py camille       # session 2 : demandez-lui ce qu'il sait

Résultat obtenu

Tests du 2026-10-15, sans aucune variable d'environnement :

.......                                                                  [100%]
7 passed in 0.38s

Session 1 réelle (via eval_rappel.py), puis contenu de la base :

faits stockés pour camille : ["L'utilisateur s'appelle Camille.", "L'utilisateur vient d'arriver chez Atelier.",
  "L'utilisateur est allergique aux arachides.", "L'utilisateur code surtout en Go au travail, et c'est son langage principal.",
  "L'utilisateur habite à Nantes.", "L'utilisateur vient au bureau en vélo.",
  "L'utilisateur souhaite que les prix soient toujours exprimés hors taxe (HT).",
  "L'utilisateur n'est jamais disponible le mercredi, car c'est son jour de télétravail sans réunion.",
  "L'utilisateur utilise Jira avec le projet PAY pour créer les tickets de bug.",
  "L'utilisateur fait partie de l'équipe Logistique."]
faits stockés pour bob : ["L'utilisateur se nomme Bob.", "L'utilisateur s'occupe du support client de niveau 2."]

Dix messages de Camille sont devenus dix faits, l'équipe Paiements a disparu au profit de Logistique, et la question sur les webhooks n'a rien laissé.

Pourquoi le test crée-t-il une nouvelle connexion Memory pour la session 2 ?

Exercice : extraire en arrière-plan

L'extraction ajoute un appel LLM après chaque réponse. Comment la sortir du chemin critique sans changer le comportement visible ?

Voir la solution

Plusieurs niveaux, du plus simple au plus robuste :

  1. Thread : threading.Thread(target=self._learn, args=(message, known)).start() après avoir renvoyé la réponse. Attention : SQLite n'aime pas qu'un objet connexion soit partagé entre threads ; ouvrez une connexion dans le thread (check_same_thread reste à True).
  2. File de tâches : on pousse (user, message, known_ids) dans une file (Cloud Tasks, Pub/Sub), un travailleur applique les opérations. La réponse part immédiatement.
  3. Par lots : on extrait en fin de session, sur l'ensemble des messages. Moins d'appels, mais un fait donné au début de la session n'est pas disponible pour une autre session ouverte en parallèle.

Dans tous les cas, gardez allowed_ids : les ids montrés au moment du rappel.

Je sais faire

  • Assembler rappel, contexte budgété, résumé glissant et extraction dans une boucle de chat
  • Tester la mémoire entre sessions et entre utilisateurs, sans clé
  • Expliquer ce qui survit à une session et ce qui disparaît
  • Sortir l'extraction du chemin critique
Siguiente