kxkm_clown/docs/OSS_VEILLE_2026-03-25_PERSONAS.md

OSS Veille — Personas Runtime & Memory (2026-03-25)

Objectif

Identifier des briques OSS directement exploitables pour renforcer le runtime personas sur 3 axes:

• memoire runtime et persistence
• coherence/persona drift
• benchmark produit et training offline

Shortlist operationnel

Projet	Type	Fit principal	Decision
Letta	runtime agents stateful	separation memory working vs archival, blocs explicites	adopter les patterns
LangGraph + LangMem	patterns memory	profil, store, semantic recall, policies d ecriture	adopter les patterns
Mem0 + OpenMemory	memory layer	benchmark retrieval/write-back contre store local	bench court terme
Graphiti (Zep)	temporal knowledge graph	relations temporelles et faits relies	spike optionnel
LibreChat / Open WebUI	reference produit	benchmark UX/admin/persona tooling	benchmark uniquement
OpenCharacter + PCL	R&D training	generation profils synthetiques et coherence	spike offline

Resultats detailles

1. Letta

• Apport: architecture memory explicite, stateful, avec blocs de memoire durables plutot qu un simple append de contexte.
• Ce qui nous interesse: modeliser par persona une working_memory courte et une archival_memory stabilisee.
• Reuse concret: reprendre la separation entre blocs visibles en permanence et memoire archivee interrogee a la demande.
• Cout integration: moyen.
• Sources:
  • https://docs.letta.com/guides/agents/memory
  • https://github.com/letta-ai/letta

2. LangGraph + LangMem

• Apport: patterns concrets pour profil utilisateur, memoire longue duree, extraction structuree et semantic search.
• Ce qui nous interesse: un write-back explicite depuis les echanges vers des facts structurés ou des summaries.
• Reuse concret: re-implementer en TypeScript des stores profile, episodes, facts, sans adopter tout le framework.
• Cout integration: faible a moyen.
• Sources:
  • https://langchain-ai.github.io/langgraph/how-tos/memory/add-memory/
  • https://github.com/langchain-ai/langmem

3. Mem0 + OpenMemory

• Apport: couche memory orientee extraction et recall, deja pensee pour usage production.
• Ce qui nous interesse: comparaison directe de recall et precision vs notre store local per-file.
• Reuse concret: benchmarker un adaptateur minimal avant toute integration profonde.
• Cout integration: moyen.
• Sources:
  • https://docs.mem0.ai/open-source/openmemory/overview
  • https://github.com/mem0ai/mem0

4. Graphiti / Zep

• Apport: knowledge graph temporel pour memories relationnelles, utile si les personas doivent conserver des faits lies dans le temps.
• Ce qui nous interesse: episodes, entites, relations, resolution des contradictions et faits datees.
• Reuse concret: pas pour le chemin critique immediat, mais pertinent si la memoire persona sort du simple KV/profile.
• Cout integration: moyen a eleve.
• Sources:
  • https://github.com/getzep/graphiti
  • https://docs.getzep.com/graphiti

5. LibreChat / Open WebUI

• Apport: references produit solides pour agents, prompts, knowledge, outils, administration self-hosted.
• Ce qui nous interesse: benchmark des flows admin/editor pour persona-source-feedback-proposal.
• Reuse concret: benchmark UX/admin, pas une dependance runtime cible.
• Cout integration: faible en veille, eleve si adoption produit.
• Sources:
  • https://github.com/danny-avila/LibreChat
  • https://docs.openwebui.com/
  • https://github.com/open-webui/open-webui

6. OpenCharacter + PCL

• Apport: generation de profils synthetiques et amelioration de coherence persona sans gros volume d annotations manuelles.
• Ce qui nous interesse: pipeline offline pour enrichir ou evaluer les personas existantes, pas le runtime temps reel.
• Reuse concret: spike training/eval sur 5 personas avec score de coherence et drift.
• Cout integration: moyen a eleve.
• Sources:
  • https://arxiv.org/abs/2501.15427
  • https://arxiv.org/abs/2503.17662

Decision engineering

A adopter maintenant

• schema working_memory / archival_memory
• policies d ecriture explicites depuis chat/feedback/proposals
• separation entre source editoriale, memoire runtime, et evaluations

A benchmarker tout de suite

• Mem0/OpenMemory contre le store local per-file
• patterns Letta vs LangGraph sur 3 cas:
  • fait stable
  • preference volatile
  • resume de session

A garder hors chemin critique

• Graphiti tant que la memoire n exige pas de raisonnement relationnel temporel
• OpenCharacter + PCL tant que le runtime n est pas stabilise
• adoption produit complete LibreChat/Open WebUI

Plan benchmark minimal

Baseline actuelle

• store local per-file sous data/v2-local
• sources separees de feedback et proposals
• migration legacy lecture seule encore presente

Mesures

• TTFC avant et apres recall memory
• precision factuelle sur 20 prompts controles
• taux de drift persona sur 20 prompts controles
• write-rate memory et taille moyenne des objets persistés

Harness propose

• 5 personas fixes
• 20 prompts par persona:
  • faits biographiques
  • preferences stylistiques
  • contradiction volontaire
  • rappel a long terme
• 3 strategies:
  • baseline locale
  • baseline + policies type LangGraph
  • baseline + adaptateur Mem0/OpenMemory

Recommandation execution

• lot-202: schema memory v2 avec working_memory, archival_memory, policy_state
• lot-203: policy engine extract -> summarize -> prune -> persist
• lot-204: benchmark Letta/LangGraph/Mem0 documente et harness local
• lot-205: spike offline OpenCharacter/PCL sur 5 personas