Trois travaux publiés en quelques jours convergent sur le même point : mesurer ce qui se passe quand un agent IA s’améliore de ses propres erreurs d’une session à l’autre. Prime Intellect sort Prime Agent, un harness open source où l’agent peut réécrire ses propres prompts, ses skills et sa mémoire pendant l’exécution. OneDayAgent, paper de l’équipe ZJUNLP sur arXiv, formalise la persistance cross-environment sur 104 tâches et cinq backends différents, avec un score global de 0.821 sur GLM-5.2. Un troisième paper, Self-Evolving Coding Agents, documente comment les agents de programmation peuvent accumuler de l’expérience à partir des cycles de test et réparation au lieu de recommencer de zéro à chaque fois.

Pourquoi ça te concerne. Jusqu’hier, un agent qui se trompait recevait une correction et au tour suivant repartait avec la mémoire vide. L’auto-amélioration était de la spéculation de démo. Maintenant trois équipes indépendantes la mesurent avec des benchmarks reproductibles : l’agent qui se trompe et puis se souvient obtient de meilleurs scores sur des tâches réelles, pas sur des scénarios construits. Pour qui utilise des agents dans son travail, la différence est entre répéter chaque fois les mêmes instructions et avoir un assistant qui accumule de l’expérience sur ton contexte spécifique.

C’est le même territoire que nous explorions le 5 août avec trois benchmarks convergents sur la progression des agents dans le temps : la question était alors si un agent qui se souvient devient aussi un agent qui apprend. Ces trois travaux apportent les premiers chiffres concrets à cette question.

En détail

Le problème de départ est le même pour les trois travaux. Les harness agentiques actuels, des coding agents aux assistants généraux, sont statiques : prompt, skills, mémoire et sub-agents sont configurés une fois au design time et ne changent plus. Quand le modèle se trompe, il corrige la sortie unique, mais l’expérience ne s’accumule pas. La session suivante repart de zéro.

Prime Agent aborde le problème avec deux abstractions. Le Recursive Language Model (RLM) traite le contexte comme une variable : l’agent accède à son historique, à ses sub-agents et à ses outils comme s’il s’agissait d’appels de fonction dans un kernel IPython persistant. Le Continual Harness va plus loin : l’agent peut créer, lire, mettre à jour et supprimer ses propres prompts, skills, mémoire et sub-agents pendant l’exécution. S’il découvre qu’un certain prompt fonctionne mieux pour un type de tâche, il le réécrit lui-même. C’est open source, installable avec un script, et ça fonctionne avec des modèles frontier ouverts et fermés.

OneDayAgent prend une approche plus mesurable. L’équipe ZJUNLP a construit un harness pour des tâches long-horizon, cross-environment et multimodales : des demandes ouvertes qui traversent le travail, les études et la vie quotidienne, où l’agent doit maintenir des objectifs et des contraintes à travers de nombreuses étapes et outils hétérogènes. L’évaluation sur AgentIF-OneDay couvre 104 tâches et cinq backends LLM de trois familles de modèles. Avec GLM-5.2 comme backend, OneDayAgent atteint 0.881 comme score global (nouvel état de l’art sur le benchmark). Le fait pertinent est que le même harness fonctionne sur les cinq backends sans recalibrage, même si chaque modèle induit des styles d’exécution différents sous le même workflow.

Self-Evolving Coding Agents (paper sur arXiv) documente le cas spécifique des agents de programmation. Le développement logiciel est un environnement dynamique riche en feedback : les dépôts évoluent, les dépendances changent, les tests échouent, les tentatives de réparation laissent de l’expérience réutilisable. L’argument du paper est que les agents actuels ignorent cette expérience par construction, et que la collecter de façon structurée améliore les performances sur les tâches suivantes.

Les trois travaux se complètent plus qu’ils ne divergent. Prime Agent montre l’architecture (l’agent qui se réécrit lui-même), OneDayAgent apporte la mesure rigoureuse sur plusieurs tâches et plusieurs backends, Self-Evolving Coding Agents formalise le domaine applicatif le plus mature pour cette approche.

Les limites. Aucun des trois n’est un produit fini. Prime Agent est un harness de recherche, pensé pour qui écrit du code, pas pour l’utilisateur final. OneDayAgent a 104 tâches : un chiffre utile mais pas large. Les scores dépendent du backend, et le 0.821 avec GLM-5.2 ne signifie pas que tous les modèles obtiennent le même résultat. Self-Evolving Coding Agents reste un paper, avec les chiffres à vérifier sur des dépôts réels et pas seulement sur des benchmarks de labo. Le saut de « l’agent s’améliore sur un benchmark » à « l’agent apprend sur ton cas spécifique » nécessite toujours de l’infrastructure et du temps.

Pour qui suit la filière de la mémoire agentique, ces travaux se situent où nous les avions laissés avec l’Experience Distillation de juillet : l’idée de fixer dans les poids ou l’état ce que l’agent apprend. La différence est qu’il y a maintenant un benchmark pour le mesurer.