Graphes de connaissances et mémoire

Ce qu’il faut regarder

Les questions qui départagent les options, par ordre d’importance.

1. 01

   Prouvez d'abord que vous avez besoin d'un graphe

   Les graphes aident pour les questions qui suivent des relations (qui fournit qui, quels contrats citent quelle clause) ou qui portent sur tout un corpus (quels sont les grands thèmes). Constituez un jeu d'évaluation à partir de vraies questions et testez-le d'abord avec une recherche vectorielle hybride. Si peu de questions échouent pour des raisons de relations, un graphe ajoute du coût et des pièces mobiles sans grand gain : dans l'étude GraphRAG-Bench, LightRAG envoyait environ 100 000 tokens de prompt par question au modèle de réponse, contre moins de 1 000 pour le RAG vectoriel.

2. 02

   Coût d'indexation et fonctionnement des mises à jour

   Tous les outils de graph RAG font passer vos documents par un modèle de langage pour en extraire entités et relations : l'indexation coûte donc bien plus cher que l'embedding. Microsoft GraphRAG rédige aussi des résumés de communautés et reconstruit en grande partie quand les documents changent ; LightRAG se passe des résumés et ajoute les documents de façon incrémentale ; Graphiti ingère épisode par épisode. Estimez les tokens pour tout votre corpus avec votre modèle d'extraction, puis demandez-vous ce qui se passe quand un dixième change le mois suivant.

3. 03

   Le temps : des faits qui changent

   La mémoire d'agent a un problème que le RAG documentaire a rarement : les faits deviennent obsolètes. Un utilisateur déménage, une politique est remplacée. Graphiti enregistre quand chaque fait est devenu vrai et quand il a été invalidé, pour qu'un agent puisse dire ce qui est vrai maintenant et ce qui l'était alors. Mem0 et la plupart des pipelines de graph RAG ajoutent simplement les nouveaux faits à côté des anciens, et la prise en compte du temps chez Cognee est plus récente. Si votre agent tourne pendant des mois, testez explicitement la gestion des contradictions.

4. 04

   Backend de stockage et ce que vous devez exploiter

   Les pipelines et les couches de mémoire reposent sur un stockage. Graphiti exige Neo4j, FalkorDB ou Amazon Neptune ; les réglages en mémoire par défaut de LightRAG ne servent qu'aux tests et il recommande Postgres en production ; GraphRAG écrit par défaut des fichiers et un index LanceDB ; Cognee utilise par défaut des stockages embarqués mais peut passer à Postgres ou Neo4j. Choisissez un outil dont vous exploitez déjà le backend de production, ou êtes prêt à l'exploiter.

5. 05

   Qualité du modèle d'extraction et sortie structurée

   La qualité du graphe dépend du modèle qui fait l'extraction. Les petits modèles locaux manquent des relations et dupliquent des entités, et le README de Graphiti prévient que les modèles sans sortie structurée fiable peuvent casser l'ingestion. LightRAG suggère un modèle de classe 30B comme minimum pratique en local. Prévoyez un modèle capable au moment de l'indexation et vérifiez la déduplication des entités sur un échantillon avant de tout indexer.

6. 06

   Lisez les benchmarks de mémoire avec prudence

   Les produits de mémoire d'agent citent LoCoMo, LongMemEval, Deep Memory Retrieval et BEAM. Presque tous les chiffres publiés viennent du fournisseur, souvent pour son service hébergé plutôt que pour le SDK open source, avec des modèles et des réglages différents à chaque exécution. Servez-vous-en pour présélectionner, puis notez chaque candidat sur une relecture de vos propres conversations, en mesurant la précision sur les faits modifiés et la latence de recherche.

7. 07

   Licence et découpage open-core

   GraphRAG et LightRAG sont sous MIT ; Graphiti, Mem0 et Cognee sous Apache 2.0 ; Neo4j Community Edition est sous GPLv3 et limité à un seul serveur, le clustering et la sécurité par rôle n'existant que dans les éditions payantes. Plusieurs projets réservent des fonctions clés à leur produit hébergé : la mémoire en graphe de Mem0 n'existe que sur la plateforme, et l'extracteur de production et le stockage de graphe Postgres de Cognee font partie d'un produit sous licence. Vérifiez que la fonction dont vous avez besoin figure dans l'édition ouverte.

9 outils comparés

Classés selon notre note. Ouvrez un avis pour voir les sources, les prix et le verdict complet.

Outils comparés : Graphes de connaissances et mémoire

Outil	Note	Notre verdict	Idéal pour	Prix
Graphitidépôt	4.3/5	Pour les agents dont les faits changent au fil du temps, Graphiti est la couche de mémoire open source à battre, pourvu que vous fassiez tourner une base de données de graphe et payiez l'extraction LLM à chaque écriture.	Les équipes qui construisent des agents de longue durée devant se souvenir de faits changeants sur les utilisateurs, les comptes ou le monde.	Gratuit et open source sous Apache 2.0. Vous fournissez la base de données de graphe et payez les appels LLM et d'embedding pendant l'ingestion.
Neo4jdépôt	4.1/5	Le magasin de graphe par défaut quand votre RAG ou mémoire d'agent a vraiment besoin de relations, mais l'édition gratuite s'arrête à un serveur et la plupart du RAG n'a pas du tout besoin de graphe.	Les équipes dont les questions de RAG ou de mémoire d'agent dépendent de relations entre entités, et qui ont besoin d'un magasin de graphe éprouvé.	Community Edition gratuite sous GPLv3. Enterprise sur devis. AuraDB : palier Free ; Professional 0,09 $/Go/heure (1 Go minimum) ; Business Critical 0,20 $/Go/heure (2 Go minimum).
Graphifydépôt	4.1/5	Vaut la peine d'être installé sur les gros dépôts où votre agent n'arrête pas de grepper, pourvu que vous traitiez les chiffres de benchmark comme ceux du fournisseur et choisissiez le backend de documentation délibérément.	Les équipes avec de grandes bases de code qui veulent que leur agent navigue la structure au lieu de grepper.	Moteur open source gratuit (Apache-2.0, avec aussi un fichier de licence MIT dans le dépôt). Graphify Cloud a un palier hébergé gratuit et des plans Pro et Teams par siège à prix non publiés ; l'Enterprise auto-hébergé est en accès anticipé.
Mem0dépôt	4.0/5	Mem0 est encore la manière la plus rapide de donner une mémoire à un agent, mais le SDK open source est de plus en plus la version d'essai d'une plateforme qui garde la mémoire de graphe et les meilleurs scores de benchmark pour elle-même.	Les développeurs qui ajoutent une mémoire d'utilisateur entre sessions aux chatbots et agents.	SDK open source gratuit sous Apache 2.0. Plateforme : Free (10 000 ajouts et 1 000 récupérations par mois pour les 30 premiers jours avec les appels de modèle inclus, puis 50 000 ajouts et 10 000 récupérations avec votre propre clé LLM, facturés à l'usage au-delà jusqu'à un plafond que vous fixez) ; plans Custom sur devis. Les anciens plans Starter à 19 $ et Pro à 249 $ ne sont plus listés.
RAGFlowdépôt	4.0/5	Un produit document-vers-réponse fini que vous pouvez faire tourner sur un seul serveur, dont le bilan de sécurité dit qu'il a sa place derrière un VPN plutôt que sur l'internet ouvert.	Les équipes qui veulent un Q&R de documents et un assistant de connaissances auto-hébergés sans construire de pipeline.	Gratuit et open source sous la licence Apache 2.0. InfiniFlow vend aussi RAGFlow Cloud : Free (500 crédits par mois, pas de clé d'API), Starter 29 $/mois et Pro 129 $/mois (chacun affiché contre un 59 $ et 259 $ plus élevés), et Enterprise sur demande avec déploiement BYOC et sur site.
LightRAGdépôt	3.9/5	La manière sensée d'essayer le RAG graphe, moins chère à maintenir que Microsoft GraphRAG, mais la plupart des équipes devraient prouver qu'elles ont besoin d'un graphe avant d'en ajouter un.	Les équipes dont les évaluations montrent des questions multi-sauts qui échouent avec la recherche hybride et qui veulent un graphe sur Postgres.	Gratuit et open source sous la licence MIT. L'indexation et les requêtes utilisent vos propres crédits de LLM et d'embedding.
Cogneedépôt	3.8/5	Cognee construit un graphe de connaissances partagé à partir de presque n'importe quelle source, mais ses réglages par défaut ont besoin d'un propriétaire avant d'atteindre la production.	Les équipes qui construisent plusieurs agents ayant besoin d'un graphe de connaissances partagé assemblé à partir de nombreuses sources.	Open source sous Apache 2.0. Cognee Cloud : gratuit jusqu'à 1M de tokens et un espace de travail, puis 1 $ par 1M de tokens plus 5 $ par espace de travail supplémentaire par mois ; l'Enterprise est un engagement BYOC sur devis.
Lettadépôt	3.7/5	Letta a toujours les idées les plus réfléchies sur la mémoire des agents, mais reconstruire le produit en plein vol a laissé ses premiers utilisateurs face à une migration et les nouveaux venus face à une cible mouvante.	Les développeurs qui veulent des agents personnels ou d'équipe de longue durée avec une mémoire inspectable et versionnée, et qui sont prêts à adopter un harnais complet.	Apache 2.0, gratuit en local avec vos propres clés de modèles. Letta Cloud : Free (3 agents, 5 MiB par dépôt de mémoire) ; Pro à 20 $/mois (20 agents, 50 MiB, quota de modèles) ; offre API à 20 $/mois plus 0,10 $ par agent actif et par mois et 0,00015 $ par seconde d'exécution d'outils, tokens en sus ; Teams Pro à 20 $/licence/mois ; Enterprise sur mesure.
GraphRAGdépôt	3.5/5	Toujours la conception de référence pour les questions sur tout un corpus, mais Microsoft a cessé de le développer et la facture d'indexation est aussi élevée que jamais.	Les équipes avec un jeu de documents fixe et de grande valeur où les questions inter-documents justifient un index coûteux unique.	Gratuit et open source sous la licence MIT. L'indexation tourne sur vos propres crédits OpenAI ou Azure OpenAI, qui peuvent être coûteux selon le README.

Côte à côte

Les caractéristiques qui comptent pour cette étape. Vérifiées le 23 oct. 2026 ; confirmez-les sur le site du fournisseur avant de vous engager.

Connectez-le à votre agent

Des serveurs MCP qui permettent à des assistants comme Claude, ChatGPT et Cursor d’utiliser directement ces outils.

• Memory (reference server) 3.5
• MCP Memory Keeper 3.4

Où s’insère cette étape

• Recherche et graphe de connaissances : nous commencerions par GraphRAG, Neo4j.
• Assistant à mémoire longue : nous commencerions par Graphiti, Mem0.

Sources de ce guide

• Microsoft GraphRAG configuration
• Graphiti on GitHub
• Zep: temporal knowledge graph architecture (arXiv)
• LightRAG README (storage)
• Neo4j: vector search with filters
• Mem0 docs: vector databases
• Cognee on GitHub
• RAGFlow docs: construct knowledge graph
• Atlan: best AI agent memory frameworks 2026
• When to use Graphs in RAG (GraphRAG-Bench, arXiv)