Les systèmes de mémoire des agents artificiels reposent souvent sur une fenêtre contextuelle glissante, qui évacue automatiquement les informations les plus anciennes sans tenir compte de leur importance. Cette approche crée des défaillances silencieuses lors des sessions prolongées : une règle fondamentale établie au début peut être perdue après quelques dizaines d'échanges, perturbant ainsi le travail des assistants de développement, des chatbots de support ou des pipelines RAG. Pour pallier cette limitation, un développeur a conçu un moteur de gestion de la mémoire inspiré de la courbe d'oubli d'Ebbinghaus. Contrairement aux systèmes déterminés uniquement par la recentricalité, cet outil évalue la rétention des éléments en fonction de leur fréquence d'utilisation. Chaque rappel renforce non linéairement la stabilité de l'information, repoussant ainsi son seuil d'évacuation. Le mécanisme s'appuie sur un compteur de tours explicite, garantissant un fonctionnement entièrement déterministe, indépendant du temps réel ou des variations de plate-forme. Les tests comparatifs, menés sur cinquante sessions de cent cinquante tours, confirment l'efficacité de cette méthode. Le moteur a conservé cent pour cent des faits fondamentaux tout au long des simulations, tandis que la référence basée sur la simple recentricalité n'en a retenu aucun. Ces résultats se sont révélés stables face à des variations du niveau de bruit et des paramètres d'éviction. Le code, dépourvu de dépendances externes, produit des sorties identiques sur Linux et Windows, assurant une reproductibilité totale. L'auteur souligne néanmoins une limite structurelle importante : si une information est introduite une seule fois et jamais réutilisée, le système se comporte exactement comme la baseline. L'avantage du modèle ne s'applique qu'aux connaissances régulièrement activées, ce qui en fait une solution ciblée et non une amélioration universelle de la mémoire contextuelle. Plusieurs aspects pratiques nécessitent également des ajustements. La réduction de l'empreinte mémoire est ici évaluée par le nombre d'éléments plutôt que par le comptage réel des jetons. De plus, dans les environnements réels, la détection automatique d'un rappel utile reste un défi distinct de celui de la rétention. Les valeurs par défaut du seuil d'évacuation et de la stabilité initiale doivent être affinées en fonction du rythme d'utilisation spécifique à chaque application. Enfin, le mécanisme ne résout pas les conflits entre informations contradictoires conservées simultanément. Disponible sous licence open source, cette approche propose une alternative précise aux fenêtres contextuelles rigides. En privilégiant l'usage effectif plutôt que la simple chronologie, elle permet aux agents autonomes de conserver durablement les directives critiques, même après de longues périodes d'inactivité, réduisant ainsi les erreurs contextuelles sans alourdir excessivement les calculs.