Meilleurs frameworks AI Agent Memory en 2026 (classement GitHub)

En 2024, les Agents comptaient encore sur « tout le chat dans le System Prompt » pour tenir le contexte ; en août 2026, une couche mémoire dédiée est devenue la norme en production — l’information survit à la fin de session, les préférences utilisateur se rappellent d’un jour à l’autre, plusieurs Agents partagent le même graphe de connaissances.

Mem0, Cognee, Zep/Graphiti, Letta, LangMem — ces cinq frameworks couvrent pratiquement les dépôts leaders sur GitHub dans la course Agent Memory. Ce ne sont pas les mêmes produits : middleware mémoire branchable, graphe de connaissances temporel, ou runtime Agent avec auto-édition.

Cet article propose le classement 2026 selon l’expérience d’intégration réelle + la hype communautaire GitHub — pas « qui a le meilleur score paper », mais : quelle mémoire brancher à votre Agent demain ?

1. Méthodologie : les Stars ne sont qu’un début

Beaucoup de « classements Agent Memory » font deux erreurs : ne comparer que les GitHub Stars, ou seulement les scores LoCoMo. En pratique, cinq dimensions comptent :

• Modèle mémoire : vecteur pur, retrieval hybride, graphe temporel, ou couches type OS (working / archive / core)
• Difficulté d’intégration : pip install et c’est parti, ou Postgres + base vectorielle + graphe à construire
• Multi-tenant & isolation : scopes clairs pour user_id / agent_id / session_id
• Temporalité & évolution : répondre à « quelle était la préférence la semaine dernière ? » et « quand un fait a-t-il été révoqué ? »
• Exploitation en production : service managé, Docker self-hosted, observabilité et export des données

En 2026, nous pondérons difficulté d’intégration (30 %) et adéquation du modèle mémoire (30 %) en premier — la plupart des équipes n’ont pas besoin d’un paper, mais d’une solution en ligne en deux semaines. GitHub Stars : 20 % (maturité communautaire, réactivité aux issues) ; benchmarks et réputation : 20 %.

Données Stars au 7 août 2026, pages GitHub des projets ; sujet à évolution.

2. Vue d’ensemble du classement GitHub Stars

3. #1 Mem0 : la réponse par défaut pour une couche mémoire universelle

GitHub : mem0ai/mem0 · ~62k Stars · Apache-2.0 · option managée mem0.ai

Mem0 (prononcé mem-zero) est le « moment PostgreSQL » de la course Agent Memory 2026 — sans framework Agent imposé, APIs add / search pour toute app LLM. L’algorithme d’avril 2026 atteint 92.5 sur LoCoMo, 94.4 sur LongMemEval, avec ~7K tokens par retrieval.

Points forts

• Intégration la plus rapide : SDK Python/JS, 20+ backends vectoriels (Qdrant, pgvector, Redis, etc.)
• Multi-scope : isolation à quatre niveaux via user_id, agent_id, run_id, app_id
• Large compatibilité frameworks : intégrations officielles LangGraph, CrewAI, AutoGen, OpenAI Agents SDK
• Plus grande communauté : issues, exemples et tutoriels les plus riches — moins de pièges

Limites

• Raisonnement temporel inférieur à Zep natif — extension graphe nécessaire
• Requêtes relationnelles complexes (« projet commun de A et B ») plus faibles qu’un moteur graphe dédié
• Écarts fonctionnels managé vs self-hosted à vérifier dans la doc

Code type (Python) :

from mem0 import Memory
m = Memory()
m.add("用户偏好深色模式，常用 TypeScript", user_id="u42")
hits = m.search("技术栈偏好", user_id="u42")

4. #2 Cognee : plateforme mémoire open source avec graphe + MCP

GitHub : topoteretes/cognee · ~30k Stars · Apache-2.0 · API mémoire v1.0 (remember / recall / improve)

Cognee enchaîne « ingestion → extraction d’entités → graphe → embedding vectoriel » et met l’accent sur un graphe de connaissances self-hosted. Point fort 2026 : MCP Server intégré — Cursor, Claude Code et OpenClaw lisent/écrivent la mémoire projet sans glue code.

Points forts

• Graphe + vecteur unifiés : Neo4j / Kuzu / NetworkX + Qdrant / Postgres en backends interchangeables
• Pont session → mémoire permanente : improve() distille les sessions dans le graphe
• Mature pour agents de code : docs, décisions et correctifs rappelés entre sessions
• Croissance rapide : Stars doublés en un an, écosystème plugins qui suit

Limites

• Premier build graphe cognify : coût calcul et latence
• Complexité ops supérieure aux solutions vecteur pur type Mem0
• Fonctions multi-tenant entreprise encore en évolution rapide

5. #3 Zep / Graphiti : expert du graphe de connaissances temporel

GitHub : getzep/graphiti (moteur) + getzep/zep (produit managé) · Graphiti ~27k Stars

Cœur du papier Zep : graphe de connaissances bi-temporel — chaque fait porte « temps de validité » et « temps d’enregistrement » ; l’Agent répond à « l’utilisateur aimait-il encore React le mois dernier ? ». Graphiti est le moteur open source, Zep Cloud la couche enterprise managée.

Points forts

• Requêtes temporelles de premier rang : recall relationnel solide sur benchmarks comme LongMemEval
• Invalidation et mise à jour des faits : arêtes obsolètes marquées automatiquement — moins d’hallucinations mémoire
• Conformité entreprise : offre managée SOC2, BYOK, etc.

Limites

• Courbe d’apprentissage plus raide que Mem0 (intégration et concepts)
• Latence et coût tokens généralement plus élevés (traversée graphe + reranking)
• Scénarios simples « profil utilisateur KV » souvent trop lourds

6. #4 Letta : mémoire et runtime Agent réunis

GitHub : letta-ai/letta · ~24k Stars · ancêtre MemGPT (UC Berkeley) · Apache-2.0

Letta structure la mémoire en couches type OS : le core memory est édité par l’Agent via outils, la mémoire d’archive persiste hors contexte et se charge dans l’espace de travail si besoin. Fin 2025, Letta Code introduit Skill Learning — les tâches répétées deviennent des fichiers skill Markdown versionnés en git.

Points forts

• Mémoire auto-éditable : l’Agent organise activement le core memory — idéal pour tâches autonomes longues
• Runtime + mémoire en un : pas besoin de choisir un framework puis ajouter la mémoire
• Sleep-time compute : compression et réflexion en arrière-plan, moins de pression token en ligne

Limites

• Fortement orienté plateforme — « juste une base mémoire » paraît lourd
• Self-hosted : Docker + Postgres, barrière plus haute qu’une simple lib
• Fenêtre de validité temporelle inférieure à Graphiti natif

7. #5 LangMem : mémoire long terme native LangGraph

GitHub : langchain-ai/langmem · ~1.5k Stars · MIT

Peu de Stars, mais dans les équipes déjà entièrement LangGraph, souvent le choix à moindre friction : la mémoire va directement dans LangGraph Store, partage l’infra avec checkpoints et thread_id, avec extraction de mémoire procédurale et sémantique.

Points forts

• Zéro service supplémentaire (si déploiement LangGraph existant)
• Cohérent avec l’état du graphe : mises à jour mémoire dans la même sémantique transactionnelle
• Léger : forme bibliothèque, edge et cloud privé

Limites

• Sans LangGraph, changer de framework « pour la mémoire » rarement rentable
• Graphe avancé et temporalité à étendre soi-même
• Communauté et exemples tiers plus petits que Mem0

8. Matrice de choix par scénario

9. Patterns d’intégration : ne pas bourrer tout l’historique dans l’Agent

Quel que soit le framework, une architecture à trois couches est recommandée (voir triade d’architecture Personal AI Agent) :

1. Mémoire de travail : les N derniers tours du thread courant dans la fenêtre de contexte
2. Mémoire de retrieval : extraits rappelés par Mem0/Cognee/Zep, injectés dans le prompt après reranking
3. Mémoire procédurale : fichiers skill, SOP, Letta Skills — décrivent « comment faire », pas « ce qui s’est passé »

10. Stratégies combinées

Indépendant / petit produit

• Mem0 + SQLite/pgvector : suffisant pour un utilisateur ou des centaines de tenants
• Agent de code + Cognee MCP, mémoire projet partagée avec Cursor

Équipe en croissance

• Chat en ligne : Mem0 managé ou Zep Cloud
• Docs internes : Cognee graphe self-hosted, Agent unifié via recall

R&D entreprise

• Conformité & audit : Zep Enterprise + base vectorielle privée
• Agent dev : LangMem dans la plateforme LangGraph existante
• Tâches autonomes long terme : Letta en pool dédié

FAQ

Quel est le meilleur framework Agent Memory en 2026 ?

Écosystème GitHub, vitesse d’intégration et scénarios génériques : Mem0 en tête. Graphe de connaissances et MCP : Cognee ; temporalité et évolution des préférences : Zep/Graphiti ; agents autonomes longue durée : Letta ; stack LangGraph existant : LangMem.

Mem0 ou Zep — comment choisir ?

Mem0 gagne sur « en ligne en deux semaines » et flexibilité des backends ; Zep sur les requêtes sur l’évolution des faits dans le temps et le raisonnement graphe. Profil utilisateur simple : Mem0 ; CRM, statut d’abonnement, changement de préférences : Zep.

Cognee et Mem0 se chevauchent-ils ?

En partie, mais axes différents : Mem0 est une API mémoire légère ; Cognee est pipeline document→graphe + MCP. RAG amélioré et mémoire projet de code : Cognee ; mémoire utilisateur produit chat : Mem0.

Letta est-il une base mémoire ou un framework Agent ?

Les deux. Letta fournit runtime Agent et gestion mémoire type OS ; avec orchestration LangGraph/CrewAI existante, Mem0/Cognee en mémoire externe conviennent souvent mieux.

Beaucoup de GitHub Stars signifie-t-il forcément mieux ?

Pas nécessairement. Les Stars reflètent le buzz et la facilité d’essai, pas l’adéquation à votre modèle métier. LangMem a peu de Stars mais peut être optimal dans la stack LangGraph.

Conclusion

Le meilleur framework AI Agent Memory en 2026 — réponse court terme : Mem0 premier, Cognee deuxième (Stars et expérience de déploiement globale). À long terme, pas de gagnant unique : graphes temporels, agents de code et natif LangGraph ont chacun une voie optimale.

Trois règles pour choisir :

1. D’abord le type de problème mémoire (profil / document / temporal / autonome), puis le framework
2. Bibliothèque avant plateforme, valider le PMF, puis migrer vers le managé
3. Déployer le service mémoire à part, découplé du runtime Agent — scaling plus simple

Chaîne d’outils Agent : classement outils de code IA 2026 ; parsing documents RAG : classement PDF Parser.

Lecture associée

• Personal AI Agent — triade : mémoire, outils et environnement d’exécution
• Meilleurs outils de code IA 2026 — classement
• Meilleur classement PDF Parser (2026)
• Prix API LLM, specs et performance — guide de choix

Stars et fonctionnalités selon GitHub et sites officiels des projets. Dernière mise à jour : 7 août 2026.