La plupart des applications LLM traitent la mémoire comme un accessoire : l'historique de conversation est empilé dans le prompt jusqu'à saturer la fenêtre, puis tout est perdu à la session suivante ou au changement de modèle. supermemory aborde le problème comme une infrastructure. Son modèle learner-1 lit les contenus entrants — conversations, fichiers, URL, données brutes — et exécute des opérations de mise à jour, fusion, inférence et oubli sur une base de données en graphe vectoriel, de sorte que les acquis restent denses, interconnectés et conscients du temps au lieu de s'accumuler en une transcription toujours plus longue.
Au moment de la requête, les souvenirs pertinents sont injectés sous forme de tokens directement dans le contexte de l'agent, ce qui rend l'approche indépendante du modèle et du harness. Parce que l'apprentissage et la mémoire vivent en dehors des fournisseurs de modèles, la même compréhension accumulée suit l'application, qu'elle tourne sur Claude, des modèles de la famille GPT, Gemini ou des modèles à poids ouverts, et qu'elle soit pilotée par SDK, plugin ou MCP.
L'entreprise présente cela comme la partie difficile de l'infrastructure d'agents et l'étaye par des chiffres publiés : rappel inférieur à la seconde en trafic de production, environ mille milliards de tokens traités par mois, résultats sur LongMemEval, LoCoMo et ConvoMem, et comparaisons de coûts face à la mémoire à base de fichiers markdown sur de grands corpus. Côté entreprise : certification SOC 2 Type II, BAA HIPAA sur les offres supérieures, conformité RGPD, et des déploiements allant du cloud à votre VPC, votre centre de données et des environnements totalement isolés.
