Cet article explore des stratégies permettant d'imprégner une mémoire procédurale apprenable, actualisable et permanente afin de résoudre le problème fragile de la mémoire procédurale des agents basés sur des modèles de langage à grande échelle (LLM). Nous proposons une nouvelle méthode, Memp, qui extrait les trajectoires passées de l'agent en instructions détaillées étape par étape et en abstractions de haut niveau de type script. Nous explorons l'impact de diverses stratégies de construction, de récupération et de mise à jour de la mémoire procédurale, et construisons un référentiel mémoire évolutif au gré des nouvelles expériences grâce à un système dynamique qui met à jour, modifie et supprime son contenu en permanence. Les résultats expérimentaux obtenus sur TravelPlanner et ALFWorld démontrent qu'à mesure que le référentiel mémoire est affiné, le taux de réussite et l'efficacité de l'agent sur des tâches similaires s'améliorent régulièrement. De plus, une mémoire procédurale construite sur un modèle robuste conserve sa valeur, ce qui entraîne des améliorations significatives des performances, même lors de la migration vers un modèle plus faible.
