ICM

Mémoire permanente pour agents IA. Binaire unique, zéro dépendance, natif MCP.

ICM donne à votre agent IA une vraie mémoire — pas un outil de prise de notes, pas un gestionnaire de contexte, une mémoire.

                       ICM (Infinite Context Memory)
            ┌──────────────────────┬─────────────────────────┐
            │   MEMORIES (Topics)  │   MEMOIRS (Knowledge)   │
            │                      │                         │
            │  Épisodique, temporel│  Permanent, structuré   │
            │                      │                         │
            │  ┌───┐ ┌───┐ ┌───┐  │    ┌───┐               │
            │  │ m │ │ m │ │ m │  │    │ C │──depends_on──┐ │
            │  └─┬─┘ └─┬─┘ └─┬─┘  │    └───┘              │ │
            │    │decay │     │    │      │ refines      ┌─▼─┐│
            │    ▼      ▼     ▼    │    ┌─▼─┐            │ C ││
            │  le poids diminue    │    │ C │──part_of──>└───┘│
            │  avec le temps sauf  │    └───┘                 │
            │  si accédé/critique  │  Concepts + Relations    │
            ├──────────────────────┴─────────────────────────┤
            │             SQLite + FTS5 + sqlite-vec          │
            │        Recherche hybride: BM25 (30%) + cosine (70%) │
            └─────────────────────────────────────────────────┘

Deux modèles de mémoire :

Memories — stockage/rappel avec décroissance temporelle par importance. Les souvenirs critiques ne s'effacent jamais, ceux de faible importance décroissent naturellement. Filtrage par topic ou mot-clé.
Memoirs — graphes de connaissance permanents. Concepts reliés par des relations typées (depends_on, contradicts, superseded_by, ...). Filtrage par label.
Feedback — enregistrer les corrections quand les prédictions IA sont fausses. Rechercher les erreurs passées avant de faire de nouvelles prédictions. Apprentissage en boucle fermée.

Installation

# Homebrew (macOS / Linux)
brew tap rtk-ai/tap && brew install icm

# Installation rapide
curl -fsSL https://raw.githubusercontent.com/rtk-ai/icm/main/install.sh | sh

# Depuis les sources
cargo install --path crates/icm-cli

Configuration

# Détection automatique et configuration de tous les outils supportés
icm init

Configure 17 outils en une seule commande (guide d'intégration complet) :

Outil	MCP	Hooks	CLI	Skills
Claude Code	`~/.claude.json`	5 hooks	`CLAUDE.md`	`/recall` `/remember`
Claude Desktop	JSON	—	—	—
Gemini CLI	`~/.gemini/settings.json`	5 hooks	`GEMINI.md`	—
Codex CLI	`~/.codex/config.toml`	4 hooks	`AGENTS.md`	—
Copilot CLI	`~/.copilot/mcp-config.json`	4 hooks	`.github/copilot-instructions.md`	—
Cursor	`~/.cursor/mcp.json`	—	—	règle `.mdc`
Windsurf	JSON	—	`.windsurfrules`	—
VS Code	`~/Library/.../Code/User/mcp.json`	—	—	—
Amp	JSON	—	—	`/icm-recall` `/icm-remember`
Amazon Q	JSON	—	—	—
Cline	VS Code globalStorage	—	—	—
Roo Code	VS Code globalStorage	—	—	règle `.md`
Kilo Code	VS Code globalStorage	—	—	—
Zed	`~/.zed/settings.json`	—	—	—
OpenCode	JSON	plugin TS	—	—
Continue.dev	`~/.continue/config.yaml`	—	—	—
Aider	—	—	`.aider.conventions.md`	—

Ou manuellement :

# Claude Code
claude mcp add icm -- icm serve

# Mode compact (réponses plus courtes, économise des tokens)
claude mcp add icm -- icm serve --compact

# N'importe quel client MCP : command = "icm", args = ["serve"]

Skills / règles

icm init --mode skill

Installe des commandes slash et des règles pour Claude Code (/recall, /remember), Cursor (règle .mdc), Roo Code (règle .md), et Amp (/icm-recall, /icm-remember).

Hooks (5 outils)

icm init --mode hook

Installe les hooks d'auto-extraction et d'auto-rappel pour tous les outils supportés :

Outil	SessionStart	PreTool	PostTool	Compact	PromptRecall	Config
Claude Code	`icm hook start`	`icm hook pre`	`icm hook post`	`icm hook compact`	`icm hook prompt`	`~/.claude/settings.json`
Gemini CLI	`icm hook start`	`icm hook pre`	`icm hook post`	`icm hook compact`	`icm hook prompt`	`~/.gemini/settings.json`
Codex CLI	`icm hook start`	`icm hook pre`	`icm hook post`	—	`icm hook prompt`	`~/.codex/hooks.json`
Copilot CLI	`icm hook start`	`icm hook pre`	`icm hook post`	—	`icm hook prompt`	`.github/hooks/icm.json`
OpenCode	session start	—	tool extract	compaction	—	`~/.config/opencode/plugins/icm.ts`

Ce que fait chaque hook :

Hook	Ce qu'il fait
`icm hook start`	Injecte un pack de démarrage de souvenirs critiques/haute importance au début de session (~500 tokens)
`icm hook pre`	Autorise automatiquement les commandes `icm` CLI (sans invite de permission)
`icm hook post`	Extrait des faits depuis la sortie des outils toutes les N invocations (auto-extraction)
`icm hook compact`	Extrait des souvenirs depuis la transcription avant la compression du contexte
`icm hook prompt`	Injecte le contexte rappelé au début de chaque prompt utilisateur

CLI vs MCP

ICM peut être utilisé via CLI (commandes icm) ou serveur MCP (icm serve). Les deux accèdent à la même base de données.

	CLI	MCP
Latence	~30ms (binaire direct)	~50ms (JSON-RPC stdio)
Coût en tokens	0 (basé sur hooks, invisible)	~20-50 tokens/appel (schéma d'outil)
Configuration	`icm init --mode hook`	`icm init --mode mcp`
Compatible avec	Claude Code, Gemini, Codex, Copilot, OpenCode (via hooks)	Les 17 outils compatibles MCP
Auto-extraction	Oui (hooks déclenchent `icm extract`)	Oui (outils MCP appellent store)
Idéal pour	Utilisateurs avancés, économie de tokens	Compatibilité universelle

CLI

Memories (épisodiques, avec décroissance)

# Stocker
icm store -t "my-project" -c "Use PostgreSQL for the main DB" -i high -k "db,postgres"

# Rappeler
icm recall "database choice"
icm recall "auth setup" --topic "my-project" --limit 10
icm recall "architecture" --keyword "postgres"

# Gérer
icm forget <memory-id>
icm consolidate --topic "my-project"
icm topics
icm stats

# Extraire des faits depuis du texte (basé sur des règles, zéro coût LLM)
echo "The parser uses Pratt algorithm" | icm extract -p my-project

Memoirs (graphes de connaissance permanents)

# Créer un memoir
icm memoir create -n "system-architecture" -d "System design decisions"

# Ajouter des concepts avec labels
icm memoir add-concept -m "system-architecture" -n "auth-service" \
  -d "Handles JWT tokens and OAuth2 flows" -l "domain:auth,type:service"

# Relier des concepts
icm memoir link -m "system-architecture" --from "api-gateway" --to "auth-service" -r depends-on

# Rechercher avec filtre par label
icm memoir search -m "system-architecture" "authentication"
icm memoir search -m "system-architecture" "service" --label "domain:auth"

# Inspecter le voisinage
icm memoir inspect -m "system-architecture" "auth-service" -D 2

# Exporter le graphe (formats : json, dot, ascii, ai)
icm memoir export -m "system-architecture" -f ascii   # Tracé en boîtes avec barres de confiance
icm memoir export -m "system-architecture" -f dot      # Graphviz DOT (couleur = niveau de confiance)
icm memoir export -m "system-architecture" -f ai       # Markdown optimisé pour contexte LLM
icm memoir export -m "system-architecture" -f json     # JSON structuré avec toutes les métadonnées

# Générer une visualisation SVG
icm memoir export -m "system-architecture" -f dot | dot -Tsvg > graph.svg

Outils MCP (22)

Outils Memory

Outil	Description
`icm_memory_store`	Stocker avec déduplication automatique (>85% de similarité → mise à jour au lieu de dupliquer)
`icm_memory_recall`	Rechercher par requête, filtrer par topic et/ou mot-clé
`icm_memory_update`	Modifier un souvenir sur place (contenu, importance, mots-clés)
`icm_memory_forget`	Supprimer un souvenir par ID
`icm_memory_consolidate`	Fusionner tous les souvenirs d'un topic en un résumé
`icm_memory_list_topics`	Lister tous les topics avec leurs compteurs
`icm_memory_stats`	Statistiques globales de la mémoire
`icm_memory_health`	Audit d'hygiène par topic (obsolescence, besoins de consolidation)
`icm_memory_embed_all`	Regénérer les embeddings pour la recherche vectorielle

Outils Memoir (graphes de connaissance)

Outil	Description
`icm_memoir_create`	Créer un nouveau memoir (conteneur de connaissance)
`icm_memoir_list`	Lister tous les memoirs
`icm_memoir_show`	Afficher les détails d'un memoir et tous ses concepts
`icm_memoir_add_concept`	Ajouter un concept avec des labels
`icm_memoir_refine`	Mettre à jour la définition d'un concept
`icm_memoir_search`	Recherche plein texte, optionnellement filtrée par label
`icm_memoir_search_all`	Rechercher dans tous les memoirs
`icm_memoir_link`	Créer une relation typée entre concepts
`icm_memoir_inspect`	Inspecter un concept et son voisinage dans le graphe (BFS)
`icm_memoir_export`	Exporter le graphe (json, dot, ascii, ai) avec niveaux de confiance

Outils Feedback (apprentissage par les erreurs)

Outil	Description
`icm_feedback_record`	Enregistrer une correction quand une prédiction IA est fausse
`icm_feedback_search`	Rechercher des corrections passées pour éclairer les prédictions futures
`icm_feedback_stats`	Statistiques de feedback : nombre total, répartition par topic, les plus appliquées

Types de relations

part_of · depends_on · related_to · contradicts · refines · alternative_to · caused_by · instance_of · superseded_by

Fonctionnement

Modèle de mémoire dual

La mémoire épisodique (Topics) capture les décisions, erreurs et préférences. Chaque souvenir a un poids qui décroît dans le temps selon son importance :

Importance	Décroissance	Élagage	Comportement
`critical`	aucune	jamais	Jamais oublié, jamais élagué
`high`	lente (0,5x)	jamais	S'efface lentement, jamais supprimé automatiquement
`medium`	normale	oui	Décroissance standard, élagué quand le poids < seuil
`low`	rapide (2x)	oui	Oublié rapidement

La décroissance est sensible aux accès : les souvenirs fréquemment rappelés décroissent plus lentement (decay / (1 + access_count × 0.1)). Appliquée automatiquement au rappel (si >24h depuis la dernière décroissance).

L'hygiène mémorielle est intégrée :

Déduplication automatique : stocker un contenu à plus de 85% de similarité avec un souvenir existant dans le même topic le met à jour au lieu de créer un doublon
Conseils de consolidation : quand un topic dépasse 7 entrées, icm_memory_store avertit l'appelant de consolider
Audit de santé : icm_memory_health rapporte le nombre d'entrées par topic, le poids moyen, les entrées obsolètes et les besoins de consolidation
Pas de perte de données silencieuse : les souvenirs critiques et à haute importance ne sont jamais élagués automatiquement

La mémoire sémantique (Memoirs) capture des connaissances structurées sous forme de graphe. Les concepts sont permanents — ils se raffinent, ne décroissent jamais. Utilisez superseded_by pour marquer les faits obsolètes plutôt que de les supprimer.

Recherche hybride

Avec les embeddings activés, ICM utilise la recherche hybride :

FTS5 BM25 (30%) — correspondance de mots-clés en plein texte
Similarité cosinus (70%) — recherche vectorielle sémantique via sqlite-vec

Modèle par défaut : intfloat/multilingual-e5-base (768d, 100+ langues). Configurable dans votre fichier de configuration :

[embeddings]
# enabled = false                          # Désactiver entièrement (pas de téléchargement de modèle)
model = "intfloat/multilingual-e5-base"    # 768d, multilingue (défaut)
# model = "intfloat/multilingual-e5-small" # 384d, multilingue (plus léger)
# model = "intfloat/multilingual-e5-large" # 1024d, multilingue (meilleure précision)
# model = "Xenova/bge-small-en-v1.5"      # 384d, anglais uniquement (plus rapide)
# model = "jinaai/jina-embeddings-v2-base-code"  # 768d, optimisé pour le code

Pour ignorer entièrement le téléchargement du modèle d'embedding, utilisez l'une de ces options :

icm --no-embeddings serve          # Flag CLI
ICM_NO_EMBEDDINGS=1 icm serve     # Variable d'environnement

Ou définissez enabled = false dans votre fichier de configuration. ICM bascule alors sur la recherche par mots-clés FTS5 (fonctionne toujours, sans correspondance sémantique).

Changer de modèle recrée automatiquement l'index vectoriel (les embeddings existants sont effacés et peuvent être régénérés avec icm_memory_embed_all).

Stockage

Fichier SQLite unique. Aucun service externe, aucune dépendance réseau.

~/Library/Application Support/dev.icm.icm/memories.db                    # macOS
~/.local/share/dev.icm.icm/memories.db                                   # Linux
C:\Users\<user>\AppData\Local\icm\icm\data\memories.db                   # Windows

Configuration

icm config                    # Afficher la configuration active

Emplacement du fichier de configuration (spécifique à la plateforme, ou $ICM_CONFIG) :

~/Library/Application Support/dev.icm.icm/config.toml                    # macOS
~/.config/icm/config.toml                                                # Linux
C:\Users\<user>\AppData\Roaming\icm\icm\config\config.toml              # Windows

Voir config/default.toml pour toutes les options.

Auto-extraction

ICM extrait des souvenirs automatiquement via trois couches :

  Couche 0 : Hooks de patterns      Couche 1 : PreCompact         Couche 2 : UserPromptSubmit
  (zéro coût LLM)                   (zéro coût LLM)               (zéro coût LLM)
  ┌──────────────────┐              ┌──────────────────┐          ┌──────────────────┐
  │ Hook PostToolUse  │              │ Hook PreCompact   │          │ UserPromptSubmit  │
  │                   │              │                   │          │                   │
  │ • Erreurs Bash    │              │ Contexte sur le   │          │ Utilisateur envoie│
  │ • commits git     │              │ point d'être      │          │ un prompt         │
  │ • changements cfg │              │ compressé →       │          │ → icm recall      │
  │ • décisions       │              │ extraire souvenirs │          │ → injecter contexte│
  │ • préférences     │              │ depuis transcript  │          │                   │
  │ • apprentissages  │              │ avant qu'ils       │          │ L'agent démarre   │
  │ • contraintes     │              │ soient perdus      │          │ avec les souvenirs │
  │                   │              │                   │          │ pertinents déjà   │
  │ Basé sur règles,  │              │ Mêmes patterns +  │          │ chargés            │
  │ sans LLM          │              │ --store-raw fallbk│          │                   │
  └──────────────────┘              └──────────────────┘          └──────────────────┘

Couche	Statut	Commande hook	Description
Couche 0	Implémentée	`icm hook post`	Extraction par mots-clés basée sur règles depuis la sortie des outils
Couche 1	Implémentée	`icm hook compact`	Extraction depuis la transcription avant compression du contexte
Couche 2	Implémentée	`icm hook prompt`	Injection des souvenirs rappelés à chaque prompt utilisateur

Les 3 couches sont installées automatiquement par icm init --mode hook.

Comparaison avec les alternatives

Système	Méthode	Coût LLM	Latence	Capture la compaction ?
ICM	Extraction 3 couches	0 à ~500 tok/session	0ms	Oui (PreCompact)
Mem0	2 appels LLM/message	~2k tok/message	200-2000ms	Non
claude-mem	PostToolUse + async	~1-5k tok/session	8ms hook	Non
MemGPT/Letta	L'agent se gère lui-même	0 marginal	0ms	Non
DiffMem	Diffs basés sur Git	0	0ms	Non

Benchmarks

Performance de stockage

ICM Benchmark (1000 memories, 384d embeddings)
──────────────────────────────────────────────────────────
Store (no embeddings)      1000 ops      34.2 ms      34.2 µs/op
Store (with embeddings)    1000 ops      51.6 ms      51.6 µs/op
FTS5 search                 100 ops       4.7 ms      46.6 µs/op
Vector search (KNN)         100 ops      59.0 ms     590.0 µs/op
Hybrid search               100 ops      95.1 ms     951.1 µs/op
Decay (batch)                 1 ops       5.8 ms       5.8 ms/op
──────────────────────────────────────────────────────────

Apple M1 Pro, SQLite en mémoire, mono-thread. icm bench --count 1000

Efficacité agent

Flux de travail multi-session sur un vrai projet Rust (12 fichiers, ~550 lignes). Les sessions 2+ montrent les gains les plus importants car ICM rappelle au lieu de relire les fichiers.

ICM Agent Benchmark (10 sessions, model: haiku, 3 runs averaged)
══════════════════════════════════════════════════════════════════
                            Without ICM         With ICM      Delta
Session 2 (recall)
  Turns                             5.7              4.0       -29%
  Context (input)                 99.9k            67.5k       -32%
  Cost                          $0.0298          $0.0249       -17%

Session 3 (recall)
  Turns                             3.3              2.0       -40%
  Context (input)                 74.7k            41.6k       -44%
  Cost                          $0.0249          $0.0194       -22%
══════════════════════════════════════════════════════════════════

icm bench-agent --sessions 10 --model haiku

Rétention de connaissance

L'agent rappelle des faits spécifiques depuis un document technique dense à travers les sessions. La session 1 lit et mémorise ; les sessions 2+ répondent à 10 questions factuelles sans le texte source.

ICM Recall Benchmark (10 questions, model: haiku, 5 runs averaged)
══════════════════════════════════════════════════════════════════════
                                               No ICM     With ICM
──────────────────────────────────────────────────────────────────────
Average score                                      5%          68%
Questions passed                                 0/10         5/10
══════════════════════════════════════════════════════════════════════

icm bench-recall --model haiku

LLMs locaux (ollama)

Même test avec des modèles locaux — injection de contexte pure, sans besoin d'appels d'outils.

Model               Params   No ICM   With ICM     Delta
─────────────────────────────────────────────────────────
qwen2.5:14b           14B       4%       97%       +93%
mistral:7b             7B       4%       93%       +89%
llama3.1:8b            8B       4%       93%       +89%
qwen2.5:7b             7B       4%       90%       +86%
phi4:14b              14B       6%       79%       +73%
llama3.2:3b            3B       0%       76%       +76%
gemma2:9b              9B       4%       76%       +72%
qwen2.5:3b             3B       2%       58%       +56%
─────────────────────────────────────────────────────────

scripts/bench-ollama.sh qwen2.5:14b

Protocole de test

Tous les benchmarks utilisent de vrais appels API — pas de mocks, pas de réponses simulées, pas de réponses en cache.

Benchmark agent : crée un vrai projet Rust dans un répertoire temporaire. Lance N sessions avec claude -p --output-format json. Sans ICM : configuration MCP vide. Avec ICM : vrai serveur MCP + auto-extraction + injection de contexte.
Rétention de connaissance : utilise un document technique fictif (le « Protocole Meridian »). Évalue les réponses par correspondance de mots-clés avec les faits attendus. Timeout de 120s par invocation.
Isolation : chaque exécution utilise son propre répertoire temporaire et une nouvelle base SQLite. Pas de persistance entre sessions.

Mémoire unifiée multi-agents

Les 17 outils partagent la même base SQLite. Un souvenir stocké par Claude est instantanément disponible pour Gemini, Codex, Copilot, Cursor et tous les autres outils.

ICM Multi-Agent Efficiency Benchmark (10 seeded facts, 5 CLI agents)
╔══════════════╦═══════╦══════════╦════════╦═══════════╦═══════╗
║ Agent        ║ Facts ║ Accuracy ║ Detail ║ Latency   ║ Score ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ Claude Code  ║ 10/10 ║   100%   ║  5/5   ║    ~15s   ║   99  ║
║ Gemini CLI   ║ 10/10 ║   100%   ║  5/5   ║    ~33s   ║   94  ║
║ Copilot CLI  ║ 10/10 ║   100%   ║  5/5   ║    ~10s   ║  100  ║
║ Cursor Agent ║ 10/10 ║   100%   ║  5/5   ║    ~16s   ║   99  ║
║ Aider        ║ 10/10 ║   100%   ║  5/5   ║     ~5s   ║  100  ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ AVERAGE      ║       ║          ║        ║           ║   98  ║
╚══════════════╩═══════╩══════════╩════════╩═══════════╩═══════╝

Score = 60% précision de rappel + 30% détail des faits + 10% vitesse. 98% d'efficacité multi-agents.

Pourquoi ICM

Capacité	ICM	Mem0	Engram	AgentMemory
Support d'outils	17	SDK uniquement	~6-8	~10
Configuration en une commande	`icm init`	SDK manuel	manuel	manuel
Hooks (auto-rappel au démarrage)	5 outils	aucun	via MCP	1 outil
Recherche hybride (FTS5 + vector)	30/70 pondéré	vector uniquement	FTS5 uniquement	FTS5+vector
Embeddings multilingues	100+ langues (768d)	dépend	aucun	Anglais 384d
Graphe de connaissance	Système Memoir	aucun	aucun	aucun
Décroissance temporelle + consolidation	sensible aux accès	aucun	basique	basique
Dashboard TUI	`icm dashboard`	aucun	oui	visualiseur web
Auto-extraction depuis la sortie des outils	3 couches, zéro LLM	aucun	aucun	aucun
Boucle de feedback/correction	`icm_feedback_*`	aucun	aucun	aucun
Runtime	Binaire Rust unique	Python	Go	Node.js
Local-first, zéro dépendance	Fichier SQLite	cloud-first	SQLite	SQLite
Précision de rappel multi-agents	98%	N/A	N/A	95.2%

Documentation

Document	Description
Guide d'intégration	Configuration pour les 17 outils : Claude Code, Copilot, Cursor, Windsurf, Zed, Amp, etc.
Architecture technique	Structure des crates, pipeline de recherche, modèle de décroissance, intégration sqlite-vec, tests
Guide utilisateur	Installation, organisation des topics, consolidation, extraction, dépannage
Vue d'ensemble produit	Cas d'usage, benchmarks, comparaison avec les alternatives

Licence

Source disponible — Gratuit pour les particuliers et les équipes de 20 personnes ou moins. Licence entreprise requise pour les organisations plus grandes. Contact : contact@rtk-ai.app

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

ICM

Installation

Configuration

Skills / règles

Hooks (5 outils)

CLI vs MCP

CLI

Memories (épisodiques, avec décroissance)

Memoirs (graphes de connaissance permanents)

Outils MCP (22)

Outils Memory

Outils Memoir (graphes de connaissance)

Outils Feedback (apprentissage par les erreurs)

Types de relations

Fonctionnement

Modèle de mémoire dual

Recherche hybride

Stockage

Configuration

Auto-extraction

Comparaison avec les alternatives

Benchmarks

Performance de stockage

Efficacité agent

Rétention de connaissance

LLMs locaux (ollama)

Protocole de test

Mémoire unifiée multi-agents

Pourquoi ICM

Documentation

Licence

FilesExpand file tree

README_fr.md

Latest commit

History

README_fr.md

File metadata and controls

ICM

Installation

Configuration

Skills / règles

Hooks (5 outils)

CLI vs MCP

CLI

Memories (épisodiques, avec décroissance)

Memoirs (graphes de connaissance permanents)

Outils MCP (22)

Outils Memory

Outils Memoir (graphes de connaissance)

Outils Feedback (apprentissage par les erreurs)

Types de relations

Fonctionnement

Modèle de mémoire dual

Recherche hybride

Stockage

Configuration

Auto-extraction

Comparaison avec les alternatives

Benchmarks

Performance de stockage

Efficacité agent

Rétention de connaissance

LLMs locaux (ollama)

Protocole de test

Mémoire unifiée multi-agents

Pourquoi ICM

Documentation

Licence