Construire sa Mémoire Agentique avec OpenClaw : Cas Réel Research

Bon dimanche ! ☕

Aujourd'hui, on plonge dans un cas qui pousse OpenClaw dans une direction très intéressante : non pas "un agent qui répond mieux", mais un agent qui accumule réellement du contexte au fil des jours. Le projet s'appelle GBrain, et il sert de couche mémoire pour des agents OpenClaw et Hermes en production.

Le point fort du cas : il ne se contente pas de promettre une "mémoire longue durée". Le dépôt public documente l'architecture, les commandes, les coûts à anticiper, les pièges d'installation et plusieurs métriques concrètes. C'est exactement le genre de cas utile à décortiquer.

🎯 Le Cas : Mémoire Personnelle Agentique

Auteur : Garry Tan
Contexte : Garry Tan présente GBrain comme la couche mémoire derrière ses déploiements OpenClaw et Hermes, avec ingestion continue de réunions, emails, tweets, appels vocaux et idées.
Objectif : Transformer un agent personnel en système de connaissance persistant, capable de rechercher, synthétiser, citer et identifier ses propres trous de mémoire.

📖 L'Histoire

Le problème de départ est simple à comprendre : les agents savent raisonner sur ce qu'on leur donne maintenant, mais ils restent fragiles dès que le contexte utile est dispersé dans des notes, des conversations, des emails, des comptes rendus ou des idées capturées à la volée. Une recherche classique retrouve parfois les bons fichiers, mais laisse encore à l'humain le travail de lecture, de tri et de synthèse.

GBrain part de cette frustration. Dans le README, l'auteur oppose explicitement la recherche brute à une "brain layer" qui donne une réponse structurée, sourcée et accompagnée d'une analyse des lacunes. Exemple typique : au lieu de rendre cinq pages sur une personne à rencontrer demain, le système synthétise les points ouverts, les derniers échanges, les engagements restants et ce qu'il ne sait pas encore.

La première intuition intéressante est que la mémoire n'est pas seulement un index vectoriel. GBrain combine recherche hybride, graphe de connaissance, extraction d'entités, citations et tâches de consolidation. Le README revendique une base personnelle de 146 646 pages, 24 585 personnes, 5 339 entreprises et 66 cron jobs autonomes. Ce sont des chiffres déclarés par l'auteur, pas des benchmarks indépendants, mais ils donnent l'échelle visée : un agent qui travaille sur une mémoire vivante, pas un carnet de notes statique.

La deuxième intuition est opérationnelle : ce n'est pas l'utilisateur qui doit passer son temps à ranger la mémoire. Le projet documente un "dream cycle" nocturne : ingestion, enrichissement, correction de citations, consolidation, backfill du graphe. Autrement dit, OpenClaw sert de harnais d'exécution et GBrain devient le cerveau persistant qui se nettoie et s'améliore pendant que l'utilisateur n'interagit pas avec lui.

🔧 Le Setup Technique

Architecture Agent

Schématiquement, le setup ressemble à ceci :

Telegram / interface agent
  -> AlphaClaw ou OpenClaw
  -> Agent principal
  -> GBrain MCP / CLI
  -> dépôt Markdown + base PGLite ou Supabase
  -> embeddings, recherche hybride, graphe, crons

Dans le tutoriel "personal brain", l'architecture complète est présentée ainsi :

Telegram -> AlphaClaw -> OpenClaw -> GBrain -> Supabase

Le dépôt Git reste le système de référence pour la connaissance. La base sert à accélérer la recherche, les embeddings, les liens et les lectures transversales. C'est un choix sain : si l'index casse, les fichiers restent inspectables, versionnables et portables.

Fichiers Clés

INSTALL_FOR_AGENTS.md

Read this entire file, then follow the steps. Ask the user for API keys when needed.
Target: ~30 minutes to a fully working brain.

Ce fichier est pensé pour être donné directement à un agent. Il décrit l'installation, les clés API, l'initialisation de la base, le choix du mode de recherche, l'import Markdown, le graphe et le chargement des skills.

AGENTS.md / CLAUDE.md

Agents: start with AGENTS.md (or CLAUDE.md if you're Claude Code).

GBrain utilise les fichiers d'instructions comme protocole d'exploitation. C'est important : la mémoire n'est pas seulement un outil disponible, elle devient une habitude imposée à l'agent.

CLI / MCP

gbrain init --pglite
codex mcp add gbrain -- gbrain serve
gbrain connect https://your-host/mcp --token gbrain_xxx --agent codex --install

Le projet couvre deux scénarios : mémoire locale rapide pour un agent de code, ou serveur distant connecté à OpenClaw, Hermes, Codex, Claude Code, Cursor, Perplexity ou ChatGPT via MCP.

Étapes de Mise en Place

1. Installer le runtime et le CLI :

curl -fsSL https://bun.sh/install | bash
export PATH="$HOME/.bun/bin:$PATH"
bun install -g github:garrytan/gbrain
gbrain --version

2. Initialiser une mémoire locale :

gbrain init
gbrain doctor --json

3. Créer ou choisir un dépôt de connaissance :

mkdir -p ~/brain
cd ~/brain
git init

4. Importer les fichiers Markdown existants :

gbrain import ~/brain/ --no-embed
gbrain embed --stale
gbrain query "key themes across these documents?"

5. Construire le graphe de liens :

gbrain extract links --source db --dry-run | head -20
gbrain extract links --source db
gbrain extract timeline --source db
gbrain stats

6. Charger les skills dans un workspace OpenClaw :

cd /path/to/agent/workspace
gbrain skillpack scaffold --all

7. Pour un agent OpenClaw déjà en ligne, faire suivre le protocole complet :

Retrieve and follow the instructions at:
https://raw.githubusercontent.com/garrytan/gbrain/master/INSTALL_FOR_AGENTS.md

📊 Les Résultats

Gains mesurés :

• 146 646 pages indexées dans le déploiement personnel revendiqué par l'auteur.
• 24 585 personnes et 5 339 entreprises présentes dans le graphe.
• 66 cron jobs autonomes pour ingestion, enrichissement et consolidation.
• Benchmark README : P@5 49,1% et R@5 97,9% sur un corpus de 240 pages généré pour BrainBench, avec +31,4 points de P@5 face à la variante sans graphe.

Limites rencontrées :

• Le setup complet n'est pas trivial : GitHub, OpenClaw ou AlphaClaw, Telegram si besoin, clés API, base locale ou Supabase, embeddings et choix de mode de recherche.
• Le coût doit être gouverné explicitement. Le guide force l'agent à demander le mode de recherche, car le budget peut varier fortement selon le volume et le modèle.
• La qualité dépend de la discipline de capture : une mémoire qui n'ingère pas les bons canaux donne des réponses incomplètes, même avec une bonne architecture.

🧐 Analyse Critique

✅ Ce qui est bien fait

• La mémoire reste auditable. Les fichiers Markdown et les citations évitent l'effet "boîte noire" d'un simple index vectoriel. Un lecteur peut remonter à la source d'une affirmation.
• Le graphe complète la recherche sémantique. Pour des questions du type "qui travaille chez qui ?" ou "quels engagements restent ouverts ?", les liens typés sont plus robustes qu'une similarité de chunks.
• Le protocole d'installation est agent-first. INSTALL_FOR_AGENTS.md transforme l'installation en procédure exécutable par OpenClaw, avec vérifications et points d'arrêt humains.

⚠️ Points d'attention

• Les chiffres viennent du projet lui-même. Ils sont utiles pour comprendre l'échelle, mais il faut les lire comme des métriques déclarées, pas comme une évaluation externe.
• Le risque de sur-ingestion est réel. Capturer emails, appels, notes et messages augmente la valeur de la mémoire, mais aussi la surface de données sensibles à protéger.
• Le "dream cycle" doit rester observable. Des crons autonomes qui modifient la mémoire peuvent créer de la dette silencieuse si les logs, citations et diffs ne sont pas revus.

💡 Améliorations possibles

• Ajouter un exemple public complet de dépôt ~/brain anonymisé, avec quelques pages, liens, crons et sorties de requêtes. Cela rendrait le modèle mental encore plus reproductible.
• Publier un tableau de coûts réel sur plusieurs profils : solo local, solo hébergé, équipe 10 personnes, équipe 50 personnes. Le guide donne déjà les ordres de grandeur, mais un retour terrain aiderait à choisir plus vite.

🎓 Ce qu'on en retient

Leçons clés :

1. Une mémoire d'agent utile n'est pas seulement un RAG : elle combine fichiers sources, graphe, recherche, synthèse, citations et tâches de maintenance.
2. OpenClaw devient plus puissant quand les crons ne servent pas seulement à exécuter des actions, mais aussi à améliorer le contexte futur de l'agent.
3. Le setup reproductible doit inclure les coûts, les modes de recherche et les garde-fous humains. Sinon, une "mémoire autonome" devient vite un système cher et opaque.

Pour aller plus loin :

• Construire sa Mémoire Obsidian avec OpenClaw : Cas Réel Research
• Automatiser sa Recherche ML avec OpenClaw : Cas Réel Research
• Source originale : GBrain
• Guide d'installation agent
• Tutoriel personal brain

À dimanche prochain pour un nouveau cas ! 🦞