La mémoire de Siri révèle un index hybride et un graphe

Ce qui a été trouvé dans la mémoire de Siri

Je ne qualifierais pas cela de système de mémoire public et finalisé, mais l’orientation paraît assez nette : Apple relie le contexte personnel à des index et à des entités structurées. Au moment de cette analyse, l’entreprise n’avait pas publié de spécification technique complète pour la mémoire à long terme de Siri.

La documentation d’Apple sur Spotlight et App Intents décrit la couche officielle de l’architecture. Les apps peuvent indexer des entités, fournir des actions utilisateur et relier des données à des écrans afin que Siri et Apple Intelligence retrouvent du contenu par recherche sémantique. Foundation Models prend en charge les sessions à plusieurs étapes, mais son contexte n’est pas présenté comme une mémoire persistante entre applications.

La partie la plus intéressante ne vient pas de la documentation Apple, mais d’une publication Reddit consacrée à l’analyse inverse d’un logiciel bêta de macOS. Elle décrit un index hybride : la recherche plein texte BM25 fonctionne avec une recherche vectorielle, puis les résultats sont fusionnés avec reciprocal rank fusion, ou RRF.

Un graphe de mémoire centré sur l’utilisateur est également mentionné. Ses nœuds couvriraient les contacts, l’identité, les relations, les lieux, les habitudes, les événements, la santé et les priorités. Les « atomes de mémoire » représenteraient des faits, opinions, intentions et événements liés au temps, au lieu, aux entités et aux sujets.

Il ne s’agit pour l’instant ni d’un contrat de plateforme ni d’une promesse publique, mais de traces d’une implémentation interne. Les noms des composants, les schémas et les stockages peuvent évoluer, et aucune donnée publique ne détaille la latence, la précision, la taille de l’index, l’impact sur la batterie ou la frontière avec Private Cloud Compute.

Pourquoi un index hybride change les assistants

Si cette découverte est exacte, Siri ne dispose pas seulement d’un historique de conversations, mais d’un mécanisme de restauration sélective du contexte personnel. Le mot « sélective » est essentiel : BM25 aide pour les correspondances précises, les vecteurs captent le sens et le graphe relie le résultat à une personne, un lieu ou un événement particulier.

Pour les développeurs, cela peut offrir une découverte des données plus riche sans accès public à la mémoire interne de Siri. L’app décrit ses entités et ses actions, puis la couche système décide quoi extraire pour une demande. Cette barrière limite l’accès direct aux données d’autrui, sans supprimer les erreurs d’inférence de l’assistant.

Je testerais d’abord non pas l’élégance des réponses, mais la correction des faux faits, la suppression des relations obsolètes et la protection contre la divulgation de contexte au mauvais moment. La mémoire personnelle reste utile jusqu’au premier souvenir affirmé avec assurance d’un fait qui n’a jamais existé.

Nous avons précédemment analysé Rust LocalGPT, un assistant local doté d’une mémoire persistante et d’une API. Cette approche aide à comprendre comment les données personnelles et le contexte pourraient être conservés dans des systèmes tels que la plateforme développée par Apple.