MeiliSearchAdapter

L'adaptateur Meilisearch est conçu pour offrir une indexation rapide et une recherche avancée sur les données en mémoire.

MeilisearchAdapter intègre Meilisearch comme moteur de stockage et de recherche pour la mémoire des systèmes.

Ce type d’adaptateur est particulièrement adapté aux cas où un système doit retrouver rapidement des informations contextuelles à partir d’une grande quantité de données.

---

Spécificités techniques du MeilisearchAdapter

Stockage sous forme d’index dans Meilisearch

L’adaptateur crée un index distinct pour chaque roomId. Un index est l’équivalent d’une collection de documents dans une base NoSQL, permettant une recherche optimisée.

private async initializeStorage(roomId: string): Promise<void> {
  try {
    await this.makeRequest(`/indexes/${roomId}`);
  } catch {
    await this.makeRequest("/indexes", {
      method: "POST",
      body: JSON.stringify({ uid: roomId, primaryKey: "id" }),
    });
  }
}

Si l’index n’existe pas encore, il est automatiquement créé, évitant toute configuration manuelle.

---

Indexation et recherche avancée

Meilisearch permet des requêtes de recherche floues avec un scoring de pertinence. Les résultats sont classés en fonction de leur similarité avec la requête, ce qui est idéal pour une mémoire adaptative.

Indexation d’une nouvelle mémoire

async createMemory(input: CreateMemoryInput & { embedding?: number[] }): Promise<BaseMemoryType | undefined> {
  await this.initializeStorage(input.roomId);

  const existingMemory = await this.search(input.data, input.roomId, { limit: 1 });
  if (existingMemory.length > 0) {
    return existingMemory[0].document;
  }

  const memory: BaseMemoryType = {
    id: input.id || crypto.randomUUID(),
    data: input.data,
    embedding: input.embedding,
    roomId: input.roomId,
    createdAt: new Date(),
  };

  await this.addDocuments([memory], input.roomId);
  return memory;
}

Chaque mémoire ajoutée est immédiatement indexée et accessible via une recherche contextuelle rapide.

---

Optimisation de la recherche et scoring de pertinence

Contrairement à une recherche brute basée sur une correspondance exacte, Meilisearch évalue le degré de similarité des documents avec la requête. Cela permet d’améliorer la compréhension contextuelle du système.

private async search(query: string, roomId: string, options?: { limit?: number; threshold?: number }): Promise<SearchResult[]> {
  const searchResults = await this.makeRequest(`/indexes/${roomId}/search`, {
    method: "POST",
    body: JSON.stringify({
      q: query,
      limit: options?.limit || 10,
    }),
  });

  if (!searchResults.hits) return [];

  return searchResults.hits.map((hit: any) => ({
    document: {
      id: hit.id,
      data: hit.data,
      embedding: hit.embedding,
      roomId: hit.roomId,
      createdAt: hit.createdAt,
    },
    score: hit._score || 0,
  }));
}

Les résultats retournés sont triés par pertinence, avec un score de similarité permettant d'ajuster dynamiquement les réponses du système.

---

Suppression et nettoyage d’index

L’adaptateur permet d’effacer sélectivement une mémoire spécifique ou de supprimer un index complet, ce qui est utile lorsque la mémoire devient obsolète ou que l’on veut réinitialiser un contexte.

Suppression d’une mémoire spécifique

async clearMemoryById(id: string, roomId: string): Promise<void> {
  await this.makeRequest(`/indexes/${roomId}/documents/${id}`, { method: "DELETE" });
}

Suppression de toutes les mémoires d’un index

private async deleteStorage(roomId: string): Promise<void> {
  await this.makeRequest(`/indexes/${roomId}`, { method: "DELETE" });
}

---

Limitations et considérations

Dépendance à un service externe

Meilisearch nécessite une instance serveur active. Un système exécuté localement doit donc se connecter à une base distante ou à une instance en auto-hébergement.

Latence réseau

Les performances dépendent de la latence du serveur Meilisearch. Pour des besoins de faible latence, une solution comme Redis peut être plus adaptée.

Consommation mémoire et stockage

Les index doivent être nettoyés régulièrement, en particulier si l’agent génère un grand volume de données.

---

Cas d’usage

MeilisearchAdapter est idéal pour :

• La recherche avancée en langage naturel dans les logs de l’agent.

• L’historisation et la récupération d’interactions sur le long terme.

• La gestion d’une base de connaissances structurée pour un agent conversationnel.