ByteRover

Qu'est-ce que ByteRover ?

ByteRover est une couche mémoire pour les systèmes d'agents qui aide à persister une connaissance structurée et évolutive à travers les outils et les exécutions de modèles. Elle est conçue pour déplacer votre mémoire avec vous — d'une configuration d'agent à une autre — afin que vos agents et humains puissent raisonner sur la même connaissance sous-jacente plutôt que de repartir de zéro à chaque fois.

ByteRover organise le contenu en un « arbre de connaissance » hiérarchique formaté pour le raisonnement et la récupération en langage naturel. Au lieu de s'appuyer uniquement sur la récupération vectorielle, elle utilise un pipeline de récupération par recherche de fichiers à niveaux qui passe du matching flou de texte à une recherche plus profonde pilotée par LLM pour une récupération plus précise.

Fonctionnalités principales

• Curation mémoire stateful en arbre de connaissance hiérarchique : ByteRover organise l'information en structure arborescente formatée pour le raisonnement, supportant l'examen et la gestion par agents et humains.
• Pipeline de récupération à niveaux (recherche de fichiers vers recherche pilotée par LLM) : la récupération progresse de la recherche floue de texte vers une recherche plus profonde pilotée par LLM pour améliorer la précision par rapport à une approche unique.
• Local-first par défaut : s'exécute sur votre machine sans nécessiter de compte ; vous pouvez choisir de déplacer les données ailleurs uniquement si besoin.
• Espace de travail portable avec contenu versionné et éditable : lors du push vers ByteRover Cloud, l'espace de travail est décrit comme versionné et éditable.
• Mémoire partagée entre agents OpenClaw : avec OpenClaw, plusieurs agents peuvent utiliser la même mémoire persistante, hiérarchiquement structurée et partagée.
• Utilisation de LLM agnostique au fournisseur via votre clé API : vous pouvez « alimenter ByteRover avec votre propre LLM via clé API », en tirant parti de votre stack agentique existant et en conservant le contrôle du choix du modèle, des coûts et de l'observabilité.
• Workflow CLI pour curation et récupération : la page montre un flux en ligne de commande où vous curatisez des sources (ex. fichier MEMORY.md) et interrogez la mémoire curatisée.

Comment utiliser ByteRover

1. Installez ByteRover. Sur les systèmes Unix-like, le site montre une commande d'installation avec curl -fsSL https://byterover.dev/install.sh | sh.
2. Configurez ByteRover et sélectionnez votre LLM/fournisseur. Le site indique une étape de configuration pour choisir les LLMs/fournisseurs.
3. Connectez ByteRover à vos agents/connexions, afin que l'environnement d'exécution de votre agent puisse récupérer et utiliser la mémoire curatisée.
4. Curatisez et récupérez : enregistrez/curatisez votre contenu mémoire, puis interrogez-le lors de l'utilisation par l'agent. La page présente cela comme la boucle principale : configuration → curation → récupération.

Si vous voulez votre mémoire hors de la machine locale, le site décrit une étape optionnelle pour pousser vers ByteRover Cloud ; sinon, il met l'accent sur « s'exécute localement par défaut » avec « pas de compte, pas de cloud, pas de télémétrie ».

Cas d'usage

• Continuité mémoire inter-outils pour workflows d'agents : curatisez une fois, puis utilisez la même mémoire à travers outils et frameworks d'agents (la page référence une progression d'OpenClaw à Claude Code, Cursor et au-delà) sans être « piégé dans un seul outil ».
• Base de connaissance pour projets long-courriers à partir de fichiers existants : importez des sources markdown et texte (ex. MEMORY.md, QMD et autres fichiers texte) et laissez ByteRover les organiser en arbre de connaissance interrogable.
• Configurations équipe ou multi-agents : pour les utilisateurs OpenClaw, partagez une mémoire persistante hiérarchiquement structurée entre plusieurs agents pour qu'ils opèrent avec la même connaissance curatisée.
• Ajustement précision de récupération pour tâches structurées : utilisez le pipeline de récupération à niveaux (texte flou vers recherche plus profonde pilotée par LLM) quand vous avez besoin de réponses plus précises que le matching flou seul.
• Migration graduelle depuis un système mémoire existant : la page mentionne l'exécution de votre système existant en parallèle de ByteRover et fournit un guide de migration complet.

FAQ

ByteRover est-il lié à un outil ou framework d'agent spécifique ?

Non. Le site positionne ByteRover comme une mémoire portable qui peut se déplacer entre outils et configurations d'agents, et décrit explicitement son fonctionnement avec OpenClaw.

ByteRover nécessite-t-il une utilisation cloud ou un compte utilisateur ?

La page indique que ByteRover s'exécute localement par défaut et met l'accent sur « Pas de compte, pas de cloud, pas de télémétrie ». Le cloud est optionnel quand vous voulez pousser un espace de travail.

Quels types d'entrées puis-je curatiser dans ByteRover ?

Le site indique que vous pouvez importer du contenu mémoire existant depuis fichiers markdown (ex. MEMORY.md), QMD et « tout fichier texte ».

Comment ByteRover récupère-t-il l'information ?

Il utilise un pipeline de récupération par recherche de fichiers à niveaux, commençant par un matching flou de texte et escaladant vers une recherche plus profonde pilotée par LLM pour une précision accrue.

Puis-je utiliser mon propre LLM/fournisseur ?

Oui. La page indique que vous pouvez alimenter ByteRover avec votre propre LLM via une clé API et choisir les options de modèle/fournisseur.

Alternatives

• Recherche basée sur vecteurs (RAG) utilisant des embeddings et une base de données vectorielle : objectif similaire (mémoire augmentée par récupération), mais centrée typiquement sur la recherche vectorielle plutôt que sur le pipeline de recherche en fichiers hiérarchisé de ByteRover et la curation en arbre de « connaissance ».
• Recherche de documents locaux avec requête assistée par LLM : si vous avez principalement besoin de récupération sur des fichiers, vous pouvez combiner des outils d’indexation/recherche locaux avec des invites LLM ; le différenciateur de ByteRover est la curation stateful en un système de connaissance structuré.
• Mémoire partagée multi-agents via une couche de persistance personnalisée : les équipes peuvent construire leur propre logique de persistance et de récupération pour les agents ; ByteRover fournit un workflow prêt à l’emploi de curation, récupération et (optionnellement) portabilité cloud.
• Systèmes de base de connaissances/wiki avec recherche : utiles pour stocker des informations et permettre la navigation humaine, mais ils ne fournissent généralement pas la même curation stateful et workflow de récupération orientés agents décrits pour ByteRover.