claude-mem : 114 000 étoiles en quelques semaines pour la mémoire persistante des agents

claude-mem : 114 000 étoiles en quelques semaines pour la mémoire persistante des agents

🔎 Vos agents de code sont devenus brillants. Ils restent amnésiques.

En quelques semaines, un plugin open source est passé du statut de curiosité GitHub à celui de brique incontournable de l'écosystème agentique : claude-mem, du développeur thedotmack, affiche 114 700 étoiles à date (juin 2026) et trône en tête du classement trending hebdomadaire de GitHub, avec près de 9 900 étoiles gagnées en sept jours seulement.

Le pitch tient en une phrase, celle du repo : « Your coding agent forgets everything between sessions. Claude-Mem remembers for it. » Votre agent de code oublie tout entre deux sessions. claude-mem mémorise à sa place — et réinjecte le contexte utile au moment où vous en avez besoin.

Pourquoi tout le monde s'arrache-t-il une brique aussi simple ? Parce que la course aux modèles a changé de nature. Avec GPT-5.5 (98,2) et Claude Opus 4.7 (94,3) en tête du classement agentique, la qualité de code a cessé d'être le facteur limitant pour la majorité des usages. L'amnésie, elle, reste intacte. Et la mémoire vient de basculer du statut de fonctionnalité gadget à celui d'infrastructure.

L'essentiel

• claude-mem est un plugin open source de mémoire persistante pour agents de code : 114 700 étoiles, 110e repo mondial, #1 du trending hebdomadaire GitHub (~9 900 étoiles cette semaine).
• Le mécanisme : un second agent prend des notes en parallèle de votre session, compresse avec IA, et la session suivante démarre avec un index court des points clés — le détail est chargé à la demande.
• Compatible Claude Code, Codex, Cursor, OpenCode et 11 autres agents ; lecture seule pour Copilot CLI, Goose, Roo Code et Warp.
• Trajectoire : de 45 000 à plus de 114 000 étoiles en quelques semaines (mai-juin 2026), documentée par Reddit, Augmentcode et Star History.
• Notre lecture : la mémoire n'est plus une feature d'agent, c'est une couche d'infrastructure — et elle se standardise hors des plateformes, en open source.

Outils recommandés

Ce que fait claude-mem, concrètement

claude-mem donne à votre agent une mémoire qui survit à la fermeture du terminal. Pas un simple historique de conversations : un système qui observe ce que l'agent fait, résume, et réinjecte le bon contexte au début de la session suivante.

Le mécanisme tient en trois temps, décrits dans le repo officiel. Pendant votre session, un second agent prend des notes en parallèle : décisions prises, fichiers touchés, conventions suivies, impasses explorées. En fin de session, ces notes sont compressées avec IA pour n'en garder que l'essentiel. À la session suivante, l'agent démarre avec un index court des points clés, et peut charger le détail à la demande.

Le flux : capture, compression, réinjection

La capture est passive : vous ne « nourrissez » rien, l'agent observateur travaille en tâche de fond pendant que vous codez. C'est la différence fondamentale avec les mémoires manuelles du type « souviens-toi de ceci ».

La compression est le vrai verrou technique. Gonfler le contexte avec 50 000 tokens d'historique brut coûte cher en latence et en tokens, et noie l'information utile. claude-mem compresse : la session suivante ne reçoit qu'un index court, et va chercher l'archive seulement si nécessaire.

La réinjection, enfin, c'est ce que vous vivez : vous rouvrez votre terminal, et l'agent sait déjà pourquoi le refactor de la veille a été abandonné, quelle convention l'équipe a retenue, et où en était la migration.

Pourquoi c'est malin

La plupart des solutions de mémoire transfèrent la charge sur l'humain : il faut penser à enregistrer, trier, rappeler. claude-mem inverse ce modèle. Le dev qui l'installe ne change pas de workflow — il en garde un, et gagne un passé.

C'est aussi ce qui explique la vitesse d'adoption : zéro friction à l'entrée, bénéfice croissant à chaque session.

Les chiffres : de 45 000 à 114 700 étoiles en quelques semaines

La trajectoire de claude-mem est l'une des plus rapides observées sur GitHub cette année, et elle est documentée palier par palier par des sources indépendantes.

Sur la seule semaine écoulée, le projet a capté environ 9 900 étoiles — soit plus de 1 400 par jour — ce qui le place en première position du trending hebdomadaire GitHub. Star History le classe en outre 110e repo mondial en nombre total d'étoiles, et l'a désigné « Trending Repository of the Day ».

Nous suivions déjà le projet à 108 000 étoiles dans un précédent article : la courbe ne s'est toujours pas aplatie, et le palier des 120 000 se profile.

Un caveat de journaliste s'impose : les étoiles ne mesurent pas la qualité d'un outil, et les campagnes de stars existent. Mais une croissance soutenue sur plusieurs semaines, confirmée par des paliers indépendants, mesure autre chose : l'urgence du problème résolu. Personne n'étoile un plugin de mémoire par curiosité ; on l'étoile parce qu'on vient d'en avoir besoin.

La mémoire, maillon manquant des agents

Le goulot d'étranglement des agents de code n'est plus leur cerveau : c'est leur absence de passé.

Regardez le classement agentique. GPT-5.5 domine avec 98,2, devant Gemini 3 Pro Deep Think (95,4) et Claude Opus 4.7 (94,3). Sur la plupart des tâches de code courantes, la qualité du modèle a cessé d'être le facteur limitant. En revanche, à la session suivante, tout ce savoir-faire s'évapore.

Les fenêtres de contexte, elles, ont explosé — Gemini 3 Pro Deep Think en est la démonstration la plus visible. Mais une fenêtre n'est pas une mémoire : elle vit le temps d'une session et meurt avec elle. Vous pouvez y entasser votre dépôt entier ; la session d'après, il ne reste rien.

Résultat : chaque nouvelle session recommence à zéro. Vous ré-expliquez l'architecture, les conventions, les décisions de la veille — et pourquoi cette approche a été écartée. Multipliez ce coût de ré-onboarding par le nombre de sessions d'un projet réel, et l'amnésie devient la dépense invisible la plus chère du développement assisté par IA.

Il y a aussi l'argent. Entasser l'historique dans la fenêtre coûte des tokens à chaque requête ; une mémoire compressée ne réinjecte qu'un index court. La persistance bien conçue n'est pas seulement plus intelligente : elle est moins chère.

C'est exactement le type de problème qui appelle une infrastructure, pas une fonctionnalité. Le parallèle historique est celui des bases de données pour le web : d'abord une brique optionnelle, ensuite une couche si évidente qu'on ne la mentionne plus. La mémoire d'agent suit la même courbe.

Le marché l'a compris avant les plateformes. La preuve : deepseek-harness, un simple prototype de super-agent, a capté 16 000 étoiles en 6 jours. Les briques autour des agents — mémoire, harness, orchestration — captent désormais l'attention que les modèles se disputaient encore il y a peu.

Et les agents autonomes — OpenClaw, AutoGPT et consorts — en ont encore plus besoin qu'un assistant de code. Un agent qui enchaîne des tâches sur plusieurs jours sans mémoire n'est pas autonome : il est répétitif.

Compatibilité : un standard de facto pour quinze agents et plus

Le coup de génie de claude-mem n'est pas technique, il est stratégique : le projet n'appartient à aucun éditeur.

Le repo liste officiellement Claude Code, Codex, Cursor et OpenCode, plus 11 autres agents. Sur le terrain, la communauté l'a branché bien au-delà : OpenClaw, Hermes, les agents Gemini. Peu importe votre stack — le meilleur LLM pour coder de votre côté, un agent open source local de l'autre — la mémoire reste la même.

Le détail le plus intéressant de la matrice de compatibilité : Copilot CLI, Goose, Roo Code et Warp peuvent chercher dans la mémoire sans enregistrer leurs propres sessions.

Lecture seule vs lecture-écriture

Cette asymétrie est plus puissante qu'elle n'y paraît. Concrètement : votre agent principal — disons Claude Code — enregistre tout ce qu'il fait. Votre agent secondaire, un Copilot CLI pour les tâches rapides, consulte cette mémoire sans l'alimenter.

Une équipe n'a donc pas besoin que tous ses agents écrivent dans la mémoire pour en profiter. Il suffit qu'un flux principal la nourrisse. Un producteur, plusieurs consommateurs : c'est exactement l'architecture qui transforme un outil en standard.

Scénario concret. Le senior passe la journée dans Claude Code sur une migration délicate : décisions, contraintes, essais ratés, tout est capturé. Le lendemain, un dev reprend le dossier dans Codex, un autre ouvre Cursor : chacun démarre avec le même index de contexte. Aucune réunion de passation. Aucun document à maintenir.

C'est aussi ce qui distingue claude-mem des mémoires natives des plateformes. Que vous soyez team Claude ou team GPT (notre comparatif détaillé), la mémoire reste transverse. Les agents open source type OpenClaw ou Hermes y accèdent comme n'importe quel autre. La neutralité, ici, n'est pas un positionnement marketing : c'est la fonctionnalité.

La concurrence : worktrunk, billion-context et le facteur Anthropic

claude-mem a le lead, mais pas le monopole : la niche s'est remplie aussi vite qu'elle s'est ouverte.

Deux challengers reviennent régulièrement dans les discussions : worktrunk et billion-context, qui attaquent le même problème — faire survivre le contexte entre les sessions — sous des angles différents. Aucun n'affiche aujourd'hui la trajectoire de claude-mem, mais leur simple existence est un signal : le besoin est réel, généralisé, et il n'attendra pas que les plateformes daignent le traiter.

La vraie menace vient d'ailleurs. Anthropic a commencé à intégrer la persistance dans ses propres produits : Claude Tag donne à Claude une mémoire persistante directement dans Slack. Quand un éditeur de plateforme livre la mémoire en natif, la question devient légitime : pourquoi brancher une couche externe ?

La réponse de claude-mem tient en un mot : neutralité. Une mémoire native Anthropic ne servira pas votre agent Codex. Une mémoire claude-mem sert les quinze agents officiels — et tous ceux que la communauté branchera demain. Pour un dev mono-outil, la solution native suffira peut-être. Pour une équipe qui jongle entre Claude Code, Codex et un agent local, la couche neutre reste la seule option cohérente.

L'histoire des devtools se répète ici de façon presque scolaire : la plateforme finit toujours par absorber la couche qui marche. La seule défense durable d'un projet indépendant, c'est d'être utile partout où la plateforme n'est pas — et ça, une mémoire cloisonnée ne le sera jamais.

Enfin, l'écosystème des briques agents ne s'arrête pas à la mémoire : morlutorea apprend par exemple à votre agent de code à rétro-ingenierer du code. On assiste, brique par brique, à la naissance d'une vraie pile logicielle dédiée aux agents. La mémoire en est simplement la couche la plus demandée.

Démarrer avec claude-mem : installation et bonnes pratiques

L'installation tient en une commande ; le vrai travail commence après.

npx claude-mem@latest install

Vérifiez la commande exacte dans le README du repo : elle évolue avec les versions, et la liste des agents compatibles s'allonge régulièrement.

Une fois installé, ne jugez pas sur la première session. Le système a besoin de trois à cinq sessions pour constituer un index utile : à la première, il n'a encore rien à se rappeler ; à la troisième, il commence à réinjecter vos décisions ; à la cinquième, l'effet devient net. C'est un investissement, pas un interrupteur.

Deux bonnes pratiques sortent du lot.

Passez en revue l'index après les premières sessions. Vous vérifierez que ce qui est retenu correspond à ce qui compte vraiment — architecture, conventions, décisions structurantes — et non au bruit des sessions ordinaires.

Tranchez la question de la confidentialité avant le premier enregistrement. Vos sessions sont compressées et stockées ; selon la configuration et le modèle de compression, elles peuvent transiter par un service cloud. Sur du code professionnel, ce choix se prend avant l'installation, pas après l'incident. Un modèle rapide type Claude Sonnet 4.6 fait très bien ce travail côté cloud ; les équipes tout-local se tourneront vers des self-hostés comme GLM-5 ou Kimi K2.6.

Si vous faites tourner des agents en local (notre guide Ollama), claude-mem s'insère dans une stack 100 % locale — à condition de vérifier où passe la compression. Et pour un agent qui doit rester actif en continu avec sa mémoire, un petit VPS Hostinger suffit, pour le prix de quelques cafés par mois.

Limites et angles morts

claude-mem résout l'amnésie ; il ne résout ni la confidentialité, ni la confiance.

Premier angle mort : la confidentialité. Une mémoire persistante est, par définition, un journal de tout ce que votre agent a fait — code, décisions, parfois secrets manipulés en session. Où ce journal est stocké et quel modèle le compresse doivent être vérifiés dans la configuration. En entreprise, c'est non négociable.

Deuxième angle mort : la mémoire peut être empoisonnée. Un agent qui se souvient est un agent dont les souvenirs peuvent être corrompus — par une injection dans une session, une dépendance compromise, un accès malveillant. La persistance élargit la surface d'attaque de vos agents, et le red teaming, passé de plusieurs semaines à quelques heures, devient un réflexe à intégrer dès qu'un agent a du passé.

Troisième angle mort : la dérive. Les projets changent ; les mémoires, moins. Une décision enregistrée en semaine 1 peut être obsolète en semaine 6, mais l'agent la réinjectera avec la même assurance. Sans revue périodique, votre mémoire devient progressivement une base de données de mauvais conseils.

Enfin, l'asymétrie lecture/écriture : si votre agent principal est en lecture seule — Warp, Goose, Roo Code — vous dépendez d'un autre agent pour nourrir la mémoire. Ce n'est pas un bug, c'est un choix d'architecture qu'il faut assumer consciemment.

❌ Erreurs courantes

Erreur 1 : croire qu'une grande fenêtre de contexte remplace la mémoire

Ce qui ne va pas : avec des modèles comme Gemini 3 Pro Deep Think ou GPT-5.5, beaucoup de devs pensent qu'on peut tout entasser dans le contexte et en finir avec le problème. Sauf que la fenêtre vit le temps d'une session et meurt avec elle.

La solution : traitez les deux couches comme complémentaires. La fenêtre pour la session en cours, la mémoire pour tout ce qui la précède. claude-mem est d'ailleurs conçu pour ne pas gonfler la fenêtre — index court au démarrage, détail chargé à la demande.

Erreur 2 : installer claude-mem et ne jamais trier la mémoire

Ce qui ne va pas : la capture est passive, donc la mémoire accumule tout — y compris les impasses, les refactors abandonnés et les conventions depuis remplacées. Six semaines plus tard, l'agent réinjecte des décisions périmées avec un aplomb désarmant.

La solution : une revue de l'index toutes les deux ou trois semaines sur un projet actif. Deux minutes de nettoyage qui évitent des heures de debug mental — et des agents qui défendent des positions obsolètes.

Erreur 3 : supposer que tous vos agents y accèdent de la même façon

Ce qui ne va pas : croire que « compatible » signifie « identique ». Copilot CLI, Goose, Roo Code et Warp sont en lecture seule : ils consultent la mémoire mais ne l'enrichissent pas. Déployer claude-mem en pensant que chaque agent alimente la base, c'est se retrouver avec une mémoire à moitié vide.

La solution : désignez un agent producteur — typiquement Claude Code ou Codex — et traitez les autres comme consommateurs. Vérifiez la matrice de compatibilité sur le repo avant tout déploiement en équipe.

❓ Questions fréquentes

claude-mem est-il vraiment gratuit ?

Oui, le projet est open source et gratuit. Le coût indirect vient du modèle utilisé pour la compression et de l'abonnement éventuel de l'agent hôte (Claude Code, Codex...). Sur une stack locale avec un modèle self-hosté, le surcoût peut être quasiment nul.

Mes données de code sortent-elles de ma machine ?

Cela dépend de votre configuration et du modèle employé pour la compression. Certaines installations passent par le cloud, d'autres restent locales. Vérifiez ce point dans le repo avant d'installer sur du code professionnel, et privilégiez une stack locale en cas de doute.

Ça marche uniquement avec Claude Code ?

Non. Le repo liste Claude Code, Codex, Cursor, OpenCode et 11 autres agents, et la communauté l'a branché sur OpenClaw, Hermes ou les agents Gemini. Copilot CLI, Goose, Roo Code et Warp fonctionnent en lecture seule : ils peuvent chercher dans la mémoire sans enregistrer leurs sessions.

Quelle différence avec la mémoire native de ChatGPT ou Claude ?

Les mémoires natives sont cloisonnées à leur éditeur : celle de ChatGPT ne sert pas votre agent terminal, celle d'Anthropic ne sert pas Codex. claude-mem est une couche transverse partagée entre quinze agents et plus, quel que soit l'éditeur — c'est précisément ce qui en fait un standard potentiel.

À partir de combien de sessions est-ce rentable ?

Dès que vous enchaînez trois sessions ou plus sur le même projet. Sur un projet long, le gain est immédiat : plus besoin de ré-expliquer l'architecture et les conventions à chaque session. Sur une tâche one-shot de dix minutes, l'apport est marginal — et ce n'est pas grave.

✅ Conclusion

En passant de 45 000 à 114 700 étoiles en quelques semaines, claude-mem a fait mieux qu'imposer un outil : il a imposé une catégorie — la mémoire persistante comme infrastructure neutre et multi-éditeurs des agents de code. La suite dépendra des plateformes : plus elles livreront de mémoires natives cloisonnées, plus la couche neutre deviendra indispensable. Commencez par le repo officiel, et pour choisir l'agent qui alimentera votre mémoire, notre sélection des meilleurs agents IA autonomes est à jour.