Points clés
- LongMemory (github.com/CaviraOSS/LongMemory) est un moteur de mémoire gratuit, open source et auto-hébergé pour agents IA et applications LLM
- Développé par CaviraOSS ; publié auparavant sous le nom OpenMemory avant d'être renommé LongMemory — cette review les traite comme le même projet, pas deux outils concurrents
- Sous licence Apache 2.0 pour le moteur principal ; un package de node communautaire n8n séparé est sous MIT, selon sa propre fiche de package
- Stocke la mémoire dans un substrat basé sur un graphe que le projet appelle « Hydrograph », avec des nœuds immuables, des arêtes typées et un suivi temporel, sauvegardé via SQLite
- Se positionne face au RAG classique et à la recherche vectorielle : selon sa propre documentation, il n'est « ni juste du RAG, ni juste une base de données vectorielle »
- S'intègre à Claude Desktop, GitHub Copilot, Codex, OpenCode, Gemini CLI, Cline et n8n, ainsi qu'à un serveur Model Context Protocol (MCP)
- Plus de 4 500 étoiles GitHub au moment de cette review
📍 En une phrase
LongMemory est un moteur de mémoire gratuit, open source (Apache 2.0) et auto-hébergé développé par CaviraOSS — anciennement publié sous le nom OpenMemory — qui donne aux agents IA et applications LLM une mémoire durable, temporelle et gouvernée entre les sessions, avec plus de 4 500 étoiles GitHub.
💬 En termes simples
LongMemory est une brique d'infrastructure que vous exploitez vous-même et qui se souvient de choses pour un agent IA entre les conversations — y compris à quel moment un fait était vrai et quand il a changé —, au lieu que l'agent oublie tout dès qu'une conversation se termine. Il n'exécute pas son propre modèle IA ; il stocke et rappelle la mémoire, et restitue le contexte au fournisseur LLM ou d'embeddings que vous avez configuré.
📌Remarque: Cette review s'appuie sur le dépôt GitHub, le README et la documentation propres à LongMemory. Elle n'affirme pas que PromptQuorum a mené des benchmarks pratiques sur sa précision de récupération ou ses performances face à d'autres outils de mémoire — vérifiez les affirmations de performance précises directement sur la documentation du projet avant de vous y fier pour une décision de production.
Qu'est-ce que LongMemory ?
LongMemory est un moteur de mémoire auto-hébergé qui donne aux agents IA et applications LLM un rappel durable et temporel entre les sessions, plutôt qu'un modèle, un moteur d'inférence ou une simple base de données vectorielle. Selon sa propre documentation, il vise à résoudre un problème précis : la plupart des systèmes LLM perdent tout contexte dès qu'une session se termine, et même les pipelines RAG construits sur une base de données vectorielle n'ont généralement aucune notion du moment où un fait était vrai ni s'il a depuis été contredit.
- Type de produit : un backend/bibliothèque de mémoire auto-hébergé — pas une application de chat, pas un moteur d'inférence, pas un modèle
- Développeur : CaviraOSS, l'organisation GitHub qui publie et maintient le projet
- Nommage : ce projet s'appelle actuellement LongMemory ; il était auparavant publié sous le nom OpenMemory par la même organisation, et ses packages (
longmemory,longmemory-sdk) reflètent la version renommée — ne le confondez pas avec des projets « OpenMemory » sans lien, portant un nom similaire, d'autres organisations - Licence : Apache 2.0 pour le moteur principal, confirmée via le dépôt GitHub ; un package d'intégration node communautaire n8n séparé est sous licence MIT, selon les conventions de package npm/n8n
- Ampleur du dépôt : plus de 4 500 étoiles GitHub au moment de cette review, avec environ 390 commits sur sa branche principale
Historique du projet : d'OpenMemory à LongMemory
LongMemory a publié ses premières versions sous le nom OpenMemory, puis a été renommé LongMemory par la même équipe CaviraOSS tout en conservant le même historique de dépôt. Les jalons ci-dessous reflètent le changelog et les notes de version du projet ; les dates sont celles publiées par le projet et doivent être revérifiées sur GitHub si vous avez besoin d'un calendrier de version précis pour une décision de conformité ou d'achat.
- 1v1.0.0 / support MCP — première implémentation du Model Context Protocol
Why it matters: A ajouté des requêtes filtrées par tags et métadonnées sur le substrat en graphe du projet et a exposé la mémoire via MCP, le chemin d'intégration qui a ensuite connecté LongMemory à des outils comme Claude Desktop. - 2v1.1.0 — support de bases de données vectorielles interchangeables
Why it matters: A ajouté PostgreSQL comme backend pris en charge aux côtés du stockage par défaut du projet, donnant aux auto-hébergeurs plus de contrôle sur l'emplacement des données de mémoire. - 3v1.1.1 — moteur de compression de mémoire et extension VS Code
Why it matters: A introduit un système de compression de mémoire avec plusieurs algorithmes, plus une extension VS Code et une authentification API/limitation de débit pour les déploiements auto-hébergés. - 4v1.2.0 — interface web et palier de performance hybride
Why it matters: A ajouté un tableau de bord web pour inspecter et gérer la mémoire stockée, plus un mode de performance « HYBRID » équilibrant précision et vitesse. - 5v1.2.1–v1.2.3 — refonte des SDK et filtrage temporel
Why it matters: A réécrit les SDK Python et JavaScript pour un usage autonome, a ajouté un filtrage basé sur le temps (« temporel ») lors de la récupération de mémoire, et a corrigé des problèmes de chemin du serveur MCP affectant l'intégration Claude Desktop. - 6Beta v1.3.0 — classe Memory() sans configuration
Why it matters: A simplifié la surface d'API avec une classe `Memory()` sans configuration et une suite de benchmarks réécrite, selon les propres notes de version du projet — le jalon le plus récent que cette review a pu confirmer à partir du changelog public.
Que fait réellement LongMemory ?
LongMemory stocke ce que votre agent IA ou votre application a appris, suit à quel moment chaque fait était vrai, et ne restitue que le contexte pertinent et encore valide lorsqu'on le lui demande — tout en restant sans état côté modèle lui-même.
- Raisonnement temporel — suit la vérité à un instant donné, l'ordre des événements et les remplacements, afin qu'un fait vrai le mois dernier mais ayant depuis changé n'écrase pas ou ne corrompe pas silencieusement les réponses actuelles
- Plusieurs modes de rappel — selon sa documentation : le rappel « strict » applique des vérifications temporelles, de contradiction et d'ancrage pour les faits actuels ; le rappel « historical » récupère ce qui était vrai durant une période passée précise ; le rappel « associative » suit des signaux sémantiques, lexicaux et de graphe ; le rappel « world-grounded » exige des preuves externes avant de restituer un souvenir comme un fait
- Substrat Hydrograph — un modèle de stockage basé sur un graphe avec des nœuds immuables, des arêtes typées et un suivi temporel, persisté dans SQLite, de sorte que la mémoire récupérée est décrite comme auditable et inchangée par des récupérations ultérieures
- Actifs de mémoire gouvernés — le projet décrit des types de mémoire structurés incluant la mémoire de projet, la mémoire de chat, des « skills », un « LLM-Wiki » et un « CodeGraph », chacun avec des politiques de contrôle d'accès, selon sa propre documentation
- Pas un moteur d'inférence — la documentation de LongMemory précise explicitement que « votre modèle reste sans état » et que LongMemory lui-même n'exécute pas d'inférence ; il fait appel à un fournisseur d'embeddings que vous configurez (OpenAI, Google Gemini, AWS Bedrock, Ollama ou un modèle compatible HTTP local) et restitue le contexte au LLM que votre application utilise déjà
- Support multilingue — inclut la détection de script et des embeddings multilingues, selon sa documentation, plutôt que d'être limité à l'anglais
- Portage de sessions — peut importer un historique de conversation antérieur depuis des outils dont Claude Code, Codex, GitHub Copilot et Gemini CLI, afin que les conversations existantes ne soient pas perdues lors de l'adoption de LongMemory
- Serveur Model Context Protocol (MCP) — expose les opérations de mémoire sous forme d'outils MCP, le chemin d'intégration utilisé par Claude Desktop et d'autres clients compatibles MCP
Exemples d'utilisation : trois façons d'utiliser LongMemory
Ce sont des workflows concrets construits à partir des fonctionnalités documentées de LongMemory, pas des cas d'usage hypothétiques.
Plateforme, tarifs et licence
Plateforme
- Ce que LongMemory indique:
- Auto-hébergé ; déployable via Docker, ou exécuté directement comme bibliothèque Node.js/TypeScript, client HTTP Python, ou CLI, selon sa propre documentation.
Coût
- Ce que LongMemory indique:
- Gratuit et open source. L'auto-hébergement signifie que votre seul coût est votre propre infrastructure plus ce que facture votre fournisseur d'embeddings/LLM choisi.
Licence
- Ce que LongMemory indique:
- Apache 2.0 pour le moteur principal ; un package de node communautaire n8n séparé est sous MIT, selon sa propre fiche de package.
Localité des données
- Ce que LongMemory indique:
- Positionné comme local-first et auto-hébergé, avec une persistance basée sur SQLite et un support PostgreSQL optionnel, selon sa documentation.
Vérifiez le texte de licence actuel directement dans le dépôt GitHub avant de vous fier à ce tableau pour une décision juridique ou de conformité, car les fichiers de licence peuvent changer entre les versions.
Installer LongMemory
LongMemory s'installe gratuitement via npm, pip ou Docker, et son code source est sur GitHub.
Source | Link |
|---|---|
| Dépôt GitHub (code source, Apache 2.0) | github.com/CaviraOSS/LongMemory |
| Bibliothèque TypeScript/Node.js | npm install longmemory |
| CLI (installation globale) | npm install --global longmemory |
| Client HTTP Python | pip install longmemory-sdk |
| Image Docker | docker run -p 7331:7331 ghcr.io/caviraoss/longmemory:latest |
LongMemory nécessite un environnement d'exécution auto-hébergé (Node.js, Python ou Docker) — il n'existe pas de version cloud gérée ni d'installeur graphique. Consultez toujours le README GitHub pour le chemin d'installation actuellement recommandé avant d'exécuter une commande, car les instructions d'installation peuvent changer entre les versions.
LongMemory vs. une simple base de données vectorielle
LongMemory et une simple base de données vectorielle comme Qdrant, Chroma ou Weaviate résolvent un problème lié mais différent : une base de données vectorielle stocke et recherche des embeddings, tandis que LongMemory ajoute un raisonnement temporel, une gouvernance et des types de mémoire spécifiques aux agents par-dessus la récupération.
Aspect | LongMemory | Base de données vectorielle simple |
|---|---|---|
| Fonction principale | Mémoire gouvernée et temporelle pour agents | Stocke et recherche des embeddings vectoriels |
| Conscience temporelle | Suit quand les faits étaient vrais et remplacés | Non intégrée ; doit être ajoutée par votre app |
| Types de mémoire | Projet, chat, skills, wiki, graphe de code | Vecteurs/collections génériques |
| Exécute son propre modèle | Non — fait appel à votre fournisseur configuré | Non — pareil, embeddings calculés ailleurs |
| Intégrations agent | MCP, Claude Desktop, Copilot, Codex, n8n | Généralement aucune intégrée |
Si vous avez seulement besoin de stocker et de rechercher sémantiquement des embeddings, une simple base de données vectorielle est plus simple à exploiter. Si un agent doit savoir ce qui était vrai et quand, et distinguer les faits actuels des faits remplacés, le modèle temporel de LongMemory est conçu spécifiquement pour cela, contrairement à une base de données vectorielle générique par défaut.
À qui s'adresse LongMemory ?
LongMemory convient aux développeurs qui construisent des agents ou des applications LLM nécessitant une mémoire qui persiste et reste exacte entre les sessions, pas seulement un index de récupération ponctuel.
Pour quels usages LongMemory n'est pas adapté
LongMemory n'est pas adapté si vous voulez un service de mémoire entièrement géré, un moteur d'inférence, ou une simple recherche vectorielle prête à l'emploi sans complexité temporelle.
- Pas un moteur d'inférence ni un serveur de modèles — il ne génère pas de texte lui-même ; il stocke et rappelle la mémoire autour d'un modèle ou fournisseur d'embeddings que vous configurez séparément
- Pas un service cloud géré — il est auto-hébergé, vous êtes donc responsable de l'exécution et de la maintenance de l'environnement Node.js/Python/Docker et de son backend de stockage
- Pas l'option la plus simple si vous avez seulement besoin d'une récupération basique de documents sans besoin de suivre l'évolution des faits — un framework RAG plus simple peut représenter moins de charge opérationnelle
- Non benchmarké de façon indépendante par PromptQuorum pour la précision de récupération ou la latence — cette review s'appuie sur la propre documentation de LongMemory, pas sur des tests pratiques
- Renommé depuis OpenMemory — d'anciens tutoriels, articles de blog ou références de package sous le nom OpenMemory peuvent décrire une version antérieure de la même base de code ; vérifiez par rapport au dépôt actuel avant de vous fier à d'anciens guides tiers
Erreurs courantes lors de l'évaluation de LongMemory
La plupart des confusions autour de LongMemory viennent de son renommage depuis OpenMemory, ou du fait de supposer qu'il exécute son propre modèle comme le ferait un moteur d'inférence.
Concurrents et alternatives
LongMemory est le plus souvent comparé à d'autres outils de framework RAG et de mémoire auto-hébergés, car il se situe dans le même segment « infrastructure d'embeddings et de récupération ». En complément de la propre fiche de LongMemory dans le Local LLM Software Directory.
Tool | Best known for | Link |
|---|---|---|
| Cognee | Moteur open source de mémoire IA et de graphe de connaissances pour applications et agents LLM | Cognee Review |
| txtai | Framework tout-en-un de recherche vectorielle et de RAG intégré | txtai Review |
| LlamaIndex | Framework de données généraliste pour construire des applications RAG et agent | LlamaIndex Review |
| Haystack | Framework open source de RAG et de pipeline de recherche de deepset | Haystack Review |
Cette liste reflète des outils du même segment d'infrastructure d'embeddings/récupération que LongMemory, pas un classement indépendant de PromptQuorum — vérifiez l'ensemble de fonctionnalités actuel de chaque outil avant de choisir, car l'orientation mémoire temporelle de LongMemory n'est pas identique à un framework RAG général ou une base de données vectorielle.
Questions fréquemment posées
Qu'est-ce que LongMemory ?
LongMemory (github.com/CaviraOSS/LongMemory) est un moteur de mémoire gratuit, open source et auto-hébergé qui donne aux agents IA et applications LLM une mémoire durable, temporelle et gouvernée entre les sessions.
LongMemory est-il le même projet qu'OpenMemory ?
Oui. LongMemory était auparavant publié par CaviraOSS sous le nom OpenMemory avant d'être renommé. C'est le même projet et la même lignée de dépôt, pas deux outils distincts — mais notez que des projets sans lien d'autres organisations utilisent aussi le nom « OpenMemory », vérifiez donc que vous regardez spécifiquement le dépôt de CaviraOSS.
LongMemory est-il gratuit ?
Oui. Le moteur principal est sous licence Apache 2.0 et auto-hébergé, il n'y a donc pas de frais d'abonnement pour LongMemory lui-même. Votre seul coût est votre propre infrastructure d'hébergement plus ce que facture votre fournisseur d'embeddings ou de LLM choisi.
LongMemory exécute-t-il son propre modèle IA ?
Non. LongMemory est un substrat de mémoire, pas un moteur d'inférence. Il stocke et récupère la mémoire, et fait appel à un fournisseur d'embeddings/LLM que vous configurez — OpenAI, Google Gemini, AWS Bedrock, Ollama ou un modèle compatible HTTP local.
Comment installer LongMemory ?
Via npm (npm install longmemory pour la bibliothèque, ou npm install --global longmemory pour la CLI), via pip (pip install longmemory-sdk pour le client HTTP Python), ou via Docker (docker run -p 7331:7331 ghcr.io/caviraoss/longmemory:latest).
Qu'est-ce qui différencie LongMemory d'une base de données vectorielle ?
Une simple base de données vectorielle stocke et recherche des embeddings sans notion de temps. LongMemory ajoute un raisonnement temporel (suivi du moment où un fait était vrai et s'il a changé depuis), des types de mémoire gouvernés et des intégrations spécifiques aux agents par-dessus la récupération.
Avec quels outils IA LongMemory s'intègre-t-il ?
Selon sa documentation : Claude Desktop, GitHub Copilot, Codex, OpenCode, Gemini CLI, Cline et n8n, plus tout client compatible Model Context Protocol (MCP) via son serveur MCP.
Quelle licence utilise LongMemory ?
Apache 2.0 pour le moteur principal. Un package d'intégration node communautaire n8n séparé est sous licence MIT, selon sa propre fiche dans le registre communautaire n8n.
LongMemory prend-il en charge d'autres langues que l'anglais ?
Oui. Sa documentation décrit la détection de script et des embeddings multilingues dans le cadre de son support multilingue, plutôt que d'être limité à la mémoire en anglais.
PromptQuorum a-t-il testé indépendamment la précision de récupération de LongMemory ?
Non. Cette review s'appuie sur le propre dépôt GitHub, README et documentation de LongMemory, pas sur des tests pratiques menés par PromptQuorum. Vérifiez les affirmations de performance précises par rapport à la propre documentation du projet avant une décision de production.