Mémoire partagée pour agents IA avec MCP : un cerveau, interrogé par tous

La mémoire partagée pour agents IA avec MCP est la pièce manquante dans la stack IA de presque toutes les entreprises. Vous avez Claude dans le navigateur, Cursor dans l'IDE, Cline dans le terminal, et une poignée d'agents sur mesure branchés sur vos pipelines. Chacun est brillant tout seul. Mais aucun ne se souvient de ce que les autres ont appris. Vous réexpliquez votre architecture à Claude chaque matin, vous collez les mêmes conventions de code dans Cursor à chaque session, et vous regardez un agent sur mesure contredire avec aplomb une décision que votre équipe a prise il y a trois semaines. L'intelligence est là. La mémoire, non.

La solution n'est pas une fenêtre de contexte plus grande ni un meilleur prompt. C'est un cerveau unique et persistant que chaque agent lit et alimente — exposé via le Model Context Protocol (MCP) pour que n'importe quel client IA puisse l'interroger de la même façon. Un cerveau, plusieurs agents.

Pourquoi chaque agent IA est amnésique par défaut

Les grands modèles de langage sont sans état. Chaque conversation repart de zéro, et la « mémoire » qu'un outil semble posséder n'est que du contexte réinjecté dans le prompt — une transcription, quelques extraits récupérés, un message système que votre équipe maintient à la main. Ce contexte vit à l'intérieur d'un seul outil. Le savoir de projet de Claude ne voyage pas jusqu'à Cursor. Le fichier .cursorrules de Cursor ne signifie rien pour votre agent d'intégration continue. Un workflow LangGraph sur mesure a son propre magasin de vecteurs que nul humain n'inspecte jamais.

Vous vous retrouvez donc avec une mémoire en silos : cinq agents, cinq visions partielles, zéro source de vérité partagée. Le coût se manifeste de trois façons prévisibles :

• Du contexte répété. Les ingénieurs passent de vraies minutes à chaque session à réétablir des faits que l'entreprise connaît déjà — conventions de nommage, la raison pour laquelle vous avez quitté un fournisseur, qui possède le service de facturation.
• Des sorties contradictoires. Un agent suggère un pattern qu'un autre agent avait explicitement pour consigne d'éviter, parce que la décision « à éviter » vivait dans l'historique d'un autre outil.
• Un savoir institutionnel perdu. Le raisonnement le plus fin que produisent vos agents — une analyse de cause racine, la justification d'une conception — s'évapore à la fermeture du chat. Rien ne se capitalise.

Des fenêtres de contexte plus grandes ne résolvent pas cela. Une fenêtre d'un million de tokens oublie toujours dès la fin de la session, et vous devez toujours choisir ce que vous y collez. Le problème est architectural, pas dimensionnel.

Ce que signifie vraiment la mémoire partagée pour agents IA avec MCP

Le Model Context Protocol est un standard ouvert qui permet à n'importe quel client IA — Claude Desktop, Cursor, Cline, Zed, votre propre agent — de se connecter à des outils et sources de données externes via une interface commune. Au lieu de développer une intégration sur mesure pour chaque outil, vous exposez un seul serveur MCP, et tout client compatible MCP peut l'appeler.

Appliquez cette idée à la mémoire et elle devient puissante. Mettez en place un seul serveur de mémoire MCP adossé à un magasin de connaissances persistant, et soudain chaque agent partage le même cerveau à long terme. Le principe est simple :

• Rappel — un agent appelle quelque chose comme brain_recall("OKR du T3") et récupère les notes, décisions et liens pertinents, classés.
• Écriture — un agent appelle brain_write pour persister un nouveau fait, une décision ou un résumé, afin que l'agent suivant (ou la session suivante) en hérite.
• Parcours — parce que le magasin est un graphe, le rappel peut suivre les relations : cette décision renvoie à cette réunion, qui renvoie au responsable, qui renvoie au service concerné.

Le basculement clé : la mémoire cesse d'être une fonction d'un seul outil pour devenir une ressource partagée. Claude rédige la justification d'une conception ; Cursor la lit une heure plus tard pendant que vous l'implémentez ; votre agent QA nocturne se réfère à la même justification lorsqu'il signale une régression. Pas de copier-coller, pas de réexplication, pas de dérive.

Pourquoi un graphe, et pas seulement un magasin de vecteurs

La plupart des solutions de « mémoire d'agent » ne sont qu'une base de données vectorielle sur laquelle on a greffé une recherche par similarité. Cela vous donne un rappel approximatif — utile, mais plat. La véritable mémoire d'une entreprise est relationnelle : des personnes possèdent des services, des décisions en remplacent d'autres, des agents dépendent d'outils, des projets se rattachent à des OKR. Aplatissez tout cela en embeddings déconnectés et vous perdez la structure qui rend le savoir digne de confiance.

Un graphe conserve la structure. Quand un agent s'interroge sur « la migration de la facturation », il devrait obtenir la décision, la personne qui l'a prise, le document qu'elle a remplacé et le service qu'elle a touché — sous forme de nœuds reliés, et non de cinq extraits sans classement. La recherche hybride (mots-clés + sémantique + parcours de graphe) renvoie des réponses à la fois pertinentes et explicables : vous pouvez voir pourquoi un résultat remonte, ce qui est exactement ce dont vous avez besoin avant de laisser un agent agir dessus.

Cela signifie aussi que les humains et les agents lisent la même mémoire. Si le magasin est local-first et compatible Obsidian — des fichiers Markdown simples dans un graphe — votre équipe peut l'ouvrir, l'éditer et l'auditer directement. Les agents l'interrogent via MCP ; les humains le parcourent dans un éditeur. Un cerveau, deux portes d'entrée.

Comment le Enterprise Brain de Fleece s'y prend

Fleece AI Brain est bâti exactement sur ce modèle. C'est un graphe de connaissances local-first et compatible Obsidian que n'importe quelle IA — Claude, Cursor, Cline, agents sur mesure — interroge via MCP. Vos agents appellent brain_recall et brain_write sur un seul et même graphe, si bien que le contexte qu'un agent apprend est instantanément accessible à tous. Cessez de réexpliquer votre stack à chaque outil ; expliquez-la une seule fois, au cerveau.

La couche destinée à l'entreprise, c'est le Enterprise Brain : une carte vivante et inspectable de chaque agent IA, outil, employé et intégration, organisée autour d'un seul cerveau d'entreprise. Parce que chaque agent lit et écrit via le même serveur MCP, la direction obtient ce que la plupart des déploiements d'IA ne produisent jamais — de la visibilité. Vous pouvez voir quels agents sont actifs, ce que chacun coûte en dépense de tokens et son taux de dépense, qui en est responsable, et comment tout se relie. La mémoire partagée et une carte de l'organisation se révèlent être le même artefact vu sous deux angles : les agents s'en servent pour rester cohérents, et les humains pour gouverner.

Cette visibilité compte à mesure que vous passez de trois agents à trente. La mémoire partagée maintient la cohérence des agents ; le graphe vous garde, vous, aux commandes de ce qu'ils savent collectivement — et de ce que chacun dépense pour le faire.

Cartographiez votre entreprise et donnez à chaque agent le même cerveau, ou découvrez tout le Enterprise Brain en action.

Comment le mettre en place, concrètement

Si vous voulez avancer vers une mémoire partagée pour agents IA avec MCP dès aujourd'hui, voici la marche à suivre concrète :

1. Choisissez un seul magasin persistant comme source de vérité. Préférez quelque chose d'inspectable — un graphe de connaissances adossé à du Markdown vaut mieux qu'un blob vectoriel opaque que vous ne pourrez jamais auditer.
2. Exposez-le comme un unique serveur MCP avec au moins les outils recall et write. Gardez une surface réduite et bien nommée pour que chaque agent l'utilise de la même façon.
3. Connectez vos clients. Ajoutez le serveur à Claude Desktop, Cursor, Cline, Zed et vos agents sur mesure. Un bloc de configuration chacun ; aucun code d'intégration spécifique à chaque outil.
4. Instaurez une convention « rappeler puis agir ». Demandez aux agents d'appeler recall avant de raisonner sur quoi que ce soit de spécifique à l'entreprise, et d'écrire (write) les conclusions durables. C'est l'habitude qui produit des intérêts composés.
5. Rendez-le auditable. Laissez les humains parcourir et éditer le même graphe que celui qu'interrogent les agents. Une mémoire que vous ne pouvez pas inspecter est une mémoire à laquelle vous ne pouvez pas vous fier.

À retenir

Vos agents ne sont pas le goulot d'étranglement — leur isolement l'est. La mémoire partagée pour agents IA avec MCP remplace cinq outils cloisonnés et amnésiques par un seul cerveau persistant que tous interrogent. Résultat : moins de réexplications, moins de contradictions, et un savoir institutionnel qui se capitalise réellement au lieu de s'évaporer à la fin de chaque conversation. Bâtissez-le sur un graphe, exposez-le via MCP, gardez-le inspectable — et votre stack IA commence à se comporter comme une seule organisation plutôt que comme une pièce remplie de brillants inconnus.