Larssen Consulting
Agents et outils

Stockage persistant pour agents

Agent storage

Le stockage persistant pour agents est la couche d’infrastructure qui conserve, en dehors du modèle, les fichiers, les artefacts et l’état d’avancement d’un agent IA, afin que son travail survive à la fin d’une session, à une panne ou au remplacement de sa machine d’exécution.

  • Lecture : 4 minutes
  • Mis à jour le 12 novembre 2026
  • 4 sources

En clair

Sur un chantier de rénovation qui dure des semaines, les ouvriers ne reconstruisent pas chaque matin ce qu’ils ont fait la veille. Les murs montés restent debout, les plans sont dans la cabane de chantier, et le cahier de chantier dit où l’on en est. Un nouvel ouvrier arrivé en cours de route peut reprendre le travail en lisant ce cahier et en regardant ce qui a été construit.

Un agent IA, lui, n’a par défaut qu’un plan de travail éphémère : sa fenêtre de contexte, effacée à la fin de chaque session. Tout ce qui n’a pas été écrit ailleurs disparaît, le code produit, les tableaux calculés, les étapes déjà franchies. Le stockage persistant, c’est la cabane de chantier et le cahier : un endroit hors du modèle où l’agent dépose ses fichiers, ses résultats intermédiaires et une trace de son avancement, que la session suivante, ou un autre agent, retrouvera.

Il ne faut pas le confondre avec la mémoire de l’agent, qui garde ce qu’il a appris, préférences, faits, leçons. Le stockage persistant garde ce qu’il a produit et où il en est. Les deux se recoupent souvent dans les outils, mais ne répondent pas à la même question.

Un exemple

Un cabinet de conseil fait produire par un agent des études de marché d’une cinquantaine de pages, à partir de dizaines de sources. Le travail dure plusieurs heures et la machine d’exécution de l’agent est parfois recyclée en cours de route : l’agent recommençait alors depuis le début, en refaisant recherches et calculs déjà faits.

L’équipe technique dote l’agent d’un espace de stockage propre à chaque étude : les sources téléchargées, les tableaux intermédiaires et les chapitres rédigés y sont écrits au fur et à mesure, avec un fichier de progression qui liste les chapitres terminés et ceux qui restent. Après une interruption, l’agent relit ce fichier et reprend au chapitre suivant. L’équipe fixe aussi une durée de conservation et des droits d’accès, car l’espace contient des données confidentielles de clients.

Niveau technique

Comment ça marche

Le besoin vient de ce que les agents travaillent par sessions discrètes et que, selon Anthropic, « chaque nouvelle session commence sans aucun souvenir de ce qui précède » 1. Pour les tâches longues, Anthropic décrit fin 2025 un harness qui s’appuie sur des traces écrites : un fichier de progression mis à jour à la fin de chaque session, une liste de fonctionnalités au format JSON, moins susceptible d’être réécrite à tort par le modèle qu’un fichier Markdown, un script de démarrage et des commits Git qui permettent de revenir à un état sain 1. Dans son système de recherche multi-agents, la même entreprise recommande des systèmes d’artefacts où les agents spécialisés déposent des productions qui persistent indépendamment, en ne renvoyant au coordinateur qu’une référence légère 3.

  1. ÉcrireAu fil de la tâche, l’agent dépose fichiers, résultats intermédiaires et artefacts dans un espace extérieur au modèle.
  2. Marquer l’avancementIl met à jour un point de reprise : fichier de progression, commit ou état enregistré par le harness.
  3. InterrompreLa session se termine, la machine est recyclée ou une panne survient ; la fenêtre de contexte est perdue.
  4. ReprendreLa session suivante relit le point de reprise et les fichiers, puis repart de la dernière étape validée.

Les cadres de développement d’agents formalisent ces mécanismes. LangGraph distingue les checkpointers, qui enregistrent l’état du graphe d’exécution à chaque étape dans un fil de travail, ce qui permet la reprise après panne, la validation humaine en cours de route et le retour à un état antérieur, et les stores, qui conservent des données durables d’un fil à l’autre ; il recommande PostgreSQL en production, l’enregistrement en mémoire vive perdant tous les points de reprise au redémarrage du processus 2.

Le sujet devient une catégorie d’infrastructure à part entière. Dropbox a annoncé le 5 novembre 2026 le rachat de Tigris Data pour 350 millions de dollars, afin de lancer DBX Agent Cloud, un stockage objet compatible avec Amazon S3, puis des fonctions de système de fichiers permettant aux agents de gérer des fichiers et de garder leur continuité d’une tâche et d’une session à l’autre 4. Le stockage persistant se distingue de la fenêtre de contexte, qui est éphémère et limitée, de la compaction de contexte, qui résume ce qui reste dans cette fenêtre, et de la base vectorielle, qui sert surtout à retrouver des passages par similarité de sens.

Ce que ça change pour une entreprise

Sans stockage persistant, un agent qui travaille plus de quelques minutes est fragile : chaque interruption fait perdre le travail accompli et le paie une seconde fois 1 2. Avec lui, les tâches longues deviennent reprenables, les productions de l’agent sont vérifiables après coup, et l’on peut répartir le travail entre plusieurs agents qui partagent les mêmes fichiers 3. L’arrivée d’offres dédiées montre que le marché y voit un poste d’infrastructure à part, avec son propre coût 4.

Ce stockage est aussi un nouvel actif à gouverner. Il contient souvent des données sensibles, documents de clients, extraits de bases, identifiants laissés dans des fichiers, et doit recevoir des droits d’accès limités, une durée de conservation et des règles d’effacement. Un état corrompu ou mal versionné se reprend tel quel à la session suivante, d’où l’intérêt des points de reprise vers lesquels revenir 1 2. Enfin, s’appuyer sur le stockage propriétaire d’une plateforme d’agents crée une dépendance : il faut savoir récupérer ses fichiers et son état si l’on change d’outil.

Idées reçues

  • « Avec une grande fenêtre de contexte, plus besoin de stockage persistant. »

    La fenêtre de contexte s’efface à la fin de chaque session ; chaque nouvelle session repart sans souvenir de la précédente [1].

  • « Stockage persistant et mémoire de l’agent, c’est la même chose. »

    La mémoire garde ce que l’agent a appris ; le stockage garde ce qu’il a produit et où il en est. LangGraph sépare d’ailleurs points de reprise et données durables [2].

  • « Un simple dossier sur la machine de l’agent suffit. »

    Si la machine est recyclée ou le processus redémarré, un état gardé en mémoire vive ou en local disparaît [2] ; il faut un stockage qui survit à la machine.

Sources

  1. Anthropic, « Effective harnesses for long-running agents », 2025
  2. LangChain, « Persistence », documentation LangGraph, 2026
  3. Anthropic, « How we built our multi-agent research system », 2025
  4. TechCrunch, « Dropbox acquires Tigris Data for $350M to bolster its AI infrastructure », 2026

Voir aussi