Sessions, mémoire et Agent Engine

Le cas d'usage

Un assistant de support IT interne reçoit chaque jour les mêmes personnes. Sans mémoire, il redemande à chaque fois le site, le type de poste, les préférences. Avec une mémoire long terme :

lundi, Camille se présente : « site de Nantes, MacBook » ;
jeudi, dans une nouvelle conversation : « mon ordinateur ne démarre plus » ; l'assistant sait qu'il s'agit d'un MacBook à Nantes et ouvre directement le bon ticket.

Le même besoin existe en support client : se souvenir du produit acheté, de la langue préférée, d'un incident déjà signalé.

Trois notions à ne pas confondre

Notion	Durée de vie	Exemple	Dans ADK
Session	une conversation	les messages échangés jeudi	`Session`, gérée par un `SessionService`
État (state)	la session, ou l'utilisateur avec le préfixe `user:`	`tickets: ["IT-69022"]`	`tool_context.state`, `callback_context.state`
Mémoire long terme	des semaines, entre sessions	« Camille travaille à Nantes sur un MacBook »	un `MemoryService` : `InMemoryMemoryService`, `VertexAiMemoryBankService`

L'état est un dictionnaire que votre code lit et écrit avec des clés précises. La mémoire est une base de souvenirs que l'on interroge par une recherche (« que sait-on d'utile pour cette question ? »).

flowchart TB
  S1["Session de lundi"] -->|"fin du tour : add_session_to_memory"| MS["MemoryService"]
  MS -->|"Memory Bank : extraction de faits par un LLM"| F["Souvenirs : site Nantes, MacBook"]
  S2["Session de jeudi"] -->|"début du tour : PreloadMemoryTool cherche"| F
  F -->|"souvenirs pertinents insérés dans la requête"| G["Gemini"]

Vous voulez retenir le numéro du ticket ouvert pendant la conversation en cours, pour le rappeler deux messages plus loin. Où le stocker ?

Copie brute ou souvenirs extraits

	`InMemoryMemoryService` (local)	Memory Bank (Agent Engine)
ce qui est stocké	les événements de la session, tels quels	des faits courts extraits par un LLM, fusionnés et dédoublonnés
recherche	mots en commun entre la question et les messages	recherche sémantique (par le sens, avec des embeddings)
persistance	RAM du processus, perdue à l'arrêt	service géré, avec durée de conservation (TTL)
usage	développement, tests	production

Exemple réel (2026-10-15) : la phrase « Bonjour, je suis Camille, je travaille sur le site de Nantes avec un MacBook », suivie de la réponse de l'agent, est devenue dans Memory Bank un fait : « My name is Camille, I work at the Nantes site, and I use a MacBook. » (en anglais, nous y reviendrons). La question « mon ordinateur ne démarre plus » l'a retrouvé par le sens : aucun mot n'est commun.

Où tourne l'agent

Vertex AI Agent Engine héberge l'agent dans un conteneur géré : vous envoyez le code, Google Cloud construit l'image, fournit une URL d'API, des sessions persistantes et un Memory Bank rattaché à la même ressource.

sequenceDiagram
  participant D as "deployer.py (votre poste)"
  participant B as "Bucket de staging"
  participant AE as "Agent Engine"
  D->>B: "agent sérialisé, dépendances, agent_memoire.py"
  D->>AE: "create(config : 1 vCPU, 1 Gio, max 1 instance, TTL 30 jours)"
  AE->>B: "lit le paquet, construit le conteneur"
  AE-->>D: "nom de la ressource reasoningEngines/..."
  Note over AE: "Sessions et Memory Bank attachés à cette ressource"

Pourquoi le même fichier agent_memoire.py fonctionne-t-il en local et sur Agent Engine sans modification ?

Exercice : que faut-il retenir ?

Parmi ces informations dites par Camille, lesquelles méritent d'être des souvenirs long terme, lesquelles relèvent de l'état de session, et lesquelles ne doivent être retenues nulle part ?

« Je suis sur le site de Nantes. »
« Mon mot de passe est Soleil2026. »
« Le ticket IT-69022 concerne mon écran. »
« Je préfère être contactée par chat plutôt que par téléphone. »

Voir la solution

Mémoire long terme : un fait durable, utile dans les prochaines conversations.
Nulle part : un secret ne doit jamais être stocké. L'instruction de l'agent interdit de demander un mot de passe ; en production, ajoutez un filtre (callback) qui masque ce type de contenu avant l'envoi à la mémoire, et personnalisez les thèmes retenus par Memory Bank.
État de session (et dans l'outil de ticketing) : utile pendant la conversation ; le système de tickets en est la source de vérité.
Mémoire long terme : une préférence durable.

Résultat obtenu

Exécution réelle le 2026-10-15 de la partie locale (python local.py, gemini-2.5-flash sur Vertex AI, mémoire InMemoryMemoryService) :

Session 1 > Bonjour, je suis Camille, je travaille sur le site de Nantes avec un MacBook.
Assistant < Bonjour Camille, enchanté. Comment puis-je vous aider aujourd'hui ?
Session 2 > Mon ordinateur ne démarre plus depuis ce matin. Tu peux créer un ticket ?
Assistant < Bonjour Camille. Je suis désolé d'apprendre que votre MacBook ne démarre plus.
            J'ai créé un ticket pour cela avec la priorité la plus haute. Le numéro de votre
            ticket est IT-69022. Une équipe va s'en occuper rapidement.

La session 2 est une nouvelle session : l'agent connaît le prénom et le MacBook uniquement grâce à la mémoire.

Je sais faire

Distinguer session, état et mémoire long terme, avec un exemple pour chacun
Expliquer ce que Memory Bank ajoute à une copie brute de la conversation
Décrire ce que fait Agent Engine lors d'un déploiement
Décider quelles informations doivent (ou ne doivent pas) être mémorisées