La technologie des personnages virtuels persistants

La mémoire d'un personnage virtuel persistant se répartit en trois strates. La mémoire de travail correspond au fil de la conversation en cours, bornée par la fenêtre de contexte du modèle de langage utilisé. La mémoire épisodique conserve des événements datés et attribués — « le 4 mars, cet utilisateur a mentionné son déménagement » — stockés hors du modèle, dans une base dédiée, et rappelés par extraits pertinents lorsque le contexte s'y prête. La mémoire de synthèse, enfin, regroupe des traits stabilisés déduits de plusieurs épisodes, par exemple une préférence répétée ou un sujet sensible identifié.

Le mécanisme technique repose le plus souvent sur une recherche de similarité : avant de répondre, le système interroge la base d'épisodes pour n'en extraire que les quelques éléments pertinents au message en cours, qu'il insère dans le contexte du modèle. Un cas limite fréquent est la contradiction entre deux souvenirs anciens : sans mécanisme de résolution, le personnage peut affirmer deux choses incompatibles à quelques semaines d'écart, ce qui exige une politique explicite de priorité au souvenir le plus récent ou le plus corroboré.

Sans mémoire persistante, chaque conversation repart de zéro : l'utilisateur doit se réintroduire à chaque fois, le personnage ne peut ni faire référence à un échange passé ni ajuster son discours à la relation déjà construite. C'est la différence de fond entre un agent conversationnel classique et un personnage virtuel persistant.

Dans le cas le plus simple, la perception se limite au texte saisi par l'utilisateur. Dès qu'un personnage est déployé sur un support physique — borne d'accueil, casque de réalité virtuelle, salle d'escape game instrumentée — elle s'étend à la reconnaissance vocale, à la détection de présence, à la position dans l'espace ou à certains gestes captés par des capteurs dédiés. Chacune de ces sources est traduite dans un format commun, généralement un résumé structuré de la situation, avant d'être transmise aux couches suivantes.

Le rôle de cette couche est de réduire l'ambiguïté avant que le personnage ne décide de sa réponse : distinguer un utilisateur qui s'adresse au personnage d'un utilisateur qui parle à un tiers, repérer qu'un groupe s'est approché, détecter un silence prolongé qui appelle une relance. Un cas limite classique est le bruit de fond en environnement public, qui dégrade la reconnaissance vocale et peut conduire le personnage à répondre à côté de la question posée ; des mécanismes de confirmation ou de reformulation compensent partiellement ce risque.

Sans couche de perception dédiée, le personnage ne dispose que du texte brut en entrée : il ignore le contexte physique, ne réagit pas à la présence ou à l'absence d'interlocuteur, et se comporte de façon identique qu'il soit seul face à un écran ou au milieu d'un événement public bruyant.

Contrairement à l'identité, qui est fixe, l'état relationnel varie à chaque interaction. Il se représente techniquement par un petit nombre de variables numériques ou catégorielles — niveau de confiance, degré de familiarité, sujets déjà abordés, incidents éventuels — mises à jour après chaque échange selon des règles explicites : une réponse hostile de l'utilisateur peut abaisser la confiance, une série d'échanges cordiaux peut l'élever progressivement.

Ces variables influencent directement le comportement et l'interaction générative : un personnage avec un niveau de familiarité élevé partagera des informations qu'il réserverait à un inconnu, ou adoptera un registre plus informel. Un cas limite est la réinitialisation involontaire : si l'état relationnel n'est pas correctement associé à l'identifiant de l'utilisateur, deux personnes peuvent se voir attribuer le même historique relationnel, ou un même utilisateur repartir à zéro d'une session à l'autre sans que cela soit voulu.

Sans cette couche, le personnage traite chaque utilisateur de façon identique et invariable, quel que soit le nombre d'échanges déjà passés : il ne peut ni reconnaître une relation de confiance construite dans la durée, ni ajuster sa prudence après un incident.

Cette couche fonctionne comme un cycle : évaluer la situation à partir du modèle de situation produit par la perception, choisir une intention parmi un répertoire défini — informer, orienter, relancer, refuser —, agir en déclenchant la couche d'interaction générative ou une action physique, puis observer le résultat pour ajuster le cycle suivant. Elle intègre des garde-fous explicites, distincts de ce que suggérerait un modèle de génération livré à lui-même : sujets interdits, actions réservées à une supervision humaine, limites de temps de parole.

Ces garde-fous sont nécessaires parce qu'un modèle de langage seul optimise la cohérence locale d'une réponse, pas le respect d'une règle d'usage à long terme. Un cas limite typique concerne les demandes ambiguës en zone grise, par exemple une question médicale posée à un personnage d'accueil : la couche de comportement doit détecter la sortie de son périmètre et orienter vers un humain plutôt que de répondre par extrapolation.

Sans couche de comportement, le personnage reste capable de produire du texte cohérent mais perd toute intention stable : il peut répondre à des demandes hors de son périmètre, changer d'objectif d'une réponse à l'autre, ou ignorer les limites fixées par l'organisation qui le déploie.

C'est la seule couche qui repose directement sur un modèle de langage ou de génération. Elle reçoit en entrée le message de l'utilisateur, l'identité du personnage, les extraits de mémoire pertinents, le modèle de situation issu de la perception, l'état relationnel courant et l'intention décidée par la couche de comportement ; elle assemble ces éléments dans un contexte unique et produit une réponse, avant qu'une étape de mise en forme n'adapte le résultat au support de diffusion — texte, voix synthétique, animation faciale.

Un cas limite fréquent est la latence : plus le contexte assemblé est riche, plus le temps de génération augmente, ce qui devient perceptible dans une interaction vocale en face à face. Les architectures de production arbitrent donc entre profondeur de contexte et délai de réponse, souvent en résumant les éléments les moins critiques. Un autre cas limite est l'hallucination, c'est-à-dire la production d'une affirmation plausible mais fausse ; elle est atténuée, non supprimée, par la qualité du contexte fourni et par les garde-fous de la couche de comportement.

Sans les cinq autres couches, l'interaction générative seule produit un agent conversationnel ordinaire : cohérent phrase après phrase, mais sans mémoire d'un échange à l'autre, sans identité stable et sans limite d'action définie.