Working Memory

Ce que vous apprendrez

Durée estimée : 30 minutes

À la fin de cette leçon, vous serez capable de :

• Expliquer la context window comme un conteneur de taille fixe et ses implications pour les longs documents, les longues conversations et la mémoire entre sessions
• Reconnaître la nature « abrupte » de cette propriété par rapport à la dégradation progressive des autres
• Appliquer des stratégies de context-as-leverage : placer le matériel important en avant, diviser les longs travaux en chunks, réapprovisionner le contexte critique
• Reconnaître la mémoire, la compaction, les projets/espaces de travail et les fenêtres plus grandes comme des fonctionnalités de produit répondant à cette limitation

Comment la context window affecte les résultats de l'IA générative

(6 minutes)

Tout ce à quoi l'IA prête attention se trouve dans un espace de travail de taille fixe appelé context window. Elle peut prêter attention à ce qui s'y trouve. Elle ne peut pas prêter attention à quoi que ce soit en dehors. Cette contrainte est nette d'une manière que les autres propriétés ne le sont pas : les choses fonctionnent jusqu'à ce qu'elles ne fonctionnent plus.

La context window : la mémoire de travail de l'IA

Avant de lire

Vous demandez à l'IA de examiner un contrat de 50 pages. À quel point devez-vous vérifier le résultat ? Choisissez un point sur le continuum, puis verrouillez votre réponse.

Next Token Prediction Knowledge Working Memory Steerability

##

Capacité Limitation

Lui faire confiance Vérification ponctuelle Vérifier les détails Vérifier attentivement Risque élevé

Votre réponse

Typique

Ce que cela permet

Où cela échoue caractéristiquement

Fonctionnalités de produit qui repoussent la limite

Choisissez un point, puis verrouillez votre réponse. La leçon s'ouvre une fois que vous l'avez fait.

Verrouiller ma réponse

Vérifier votre intuition

Verrouillez votre réponse ci-dessus pour la comparer au placement typique.

Personnaliser

Hauteur de la barre

Taille du pictogramme

Palette Sky → Clay Olive → Clay Cactus → Fig Slate → Clay

Points clés à retenir

• Working Memory est le fait que le modèle d'IA a une context window fixe sur laquelle il peut se concentrer.
• Zone de capacité : votre matériel s'adapte confortablement, la session est actuelle, vous fournissez un contexte pertinent.
• Zone de limitation : très longs documents ou conversations, attendre la continuité entre sessions, enterrer les informations critiques au milieu d'une longue entrée.
• Cette propriété a une limite abrupte plutôt qu'un gradient. La troncature silencieuse est le mode de défaillance, et vous ne serez pas toujours averti.
• **Le modèle n'apprend pas de vos corrections. ** Il répond uniquement à ce qui est actuellement en contexte.
• Les fonctionnalités de mémoire, la compaction, les projets, les fenêtres plus grandes et les workflows multi-agents existent tous pour repousser cette limite plus loin.
• Connexion 4D : Working Memory est ce sur quoi Description agit. Savoir comment la fenêtre fonctionne vous dit comment structurer le contexte, quand placer le matériel important en avant, et quand recommencer de zéro.

Exercices

Exercice : L'avant et l'après

Pourquoi ? Le contexte est un levier. La même tâche, avec le bon contexte fourni, peut passer d'un brouillon médiocre à quelque chose de véritablement utile. Cet exercice le rend concret.

Choisissez une tâche de votre liste de la Leçon 1 qui bénéficie d'un contexte que vous seul possédez : un guide de style, un exemple passé de bon travail, un ensemble de contraintes spécifiques à votre rôle ou à votre audience. Notez en deux ou trois lignes à quoi ressemble « bon » pour la sortie de cette tâche, décrit clairement assez pour qu'un étranger puisse l'évaluer.

Maintenant, exécutez trois sondages :

• **Sondage 1 : Démarrage à froid vs. contexte. ** Demandez votre tâche sans aucun contexte. Juste la demande brute. Enregistrez la sortie. Ensuite, commencez une nouvelle conversation et exécutez la même tâche, cette fois en fournissant votre guide de style, exemple passé ou contraintes en avant. Comparez les deux sorties par rapport à votre définition de « bon ». Mesurez l'écart.
• **Sondage 2 : Perdu au milieu. ** Prenez un document plus long (ou collez ensemble quelques paragraphes de matériel de référence). Enterrez une instruction spécifique et importante au milieu. Posez une question dont la réponse correcte dépend de cette instruction enterrée. L'IA l'a-t-elle attrapée ? Maintenant, déplacez cette instruction tout en haut et posez la question à nouveau. Comparez.
• **Sondage 3 : L'ardoise vierge. ** Ayez un court échange où vous enseignez à l'IA quelque chose de spécifique sur votre contexte de travail, ou la corrigez sur quelque chose qu'elle a mal compris. Ensuite, ouvrez une toute nouvelle conversation et posez une question qui suppose qu'elle se souvient de ce que vous lui avez enseigné. Regardez-la recommencer de zéro.

Retournez à votre liste de tâches et ajoutez une troisième annotation : quelles tâches ont besoin d'un contexte permanent configuré (un projet, des instructions enregistrées, des documents de référence téléchargés) pour valoir la peine d'être exécutées, et lesquelles fonctionnent bien à froid ?

Objectif supplémentaire : Si votre outil dispose de fonctionnalités de mémoire ou de projet, configurez-en une avec le contexte du Sondage 1. Exécutez la tâche à nouveau. Comparez l'effort et la qualité par rapport à la version de démarrage à froid.

Réflexion sur la leçon

• Combien le placement du contexte en avant a-t-il changé la qualité de la sortie ? L'écart était-il plus grand que prévu ?
• Quel est un élément de contexte permanent que vous allez configurer cette semaine pour arrêter de vous réexpliquer ?

Prochaines étapes

La propriété finale : Steerability. Combien de contrôle avez-vous réellement lorsque vous donnez des instructions, et où ce contrôle s'effondre-t-il ?

Retours

Au fur et à mesure que vous progressez dans le cours, nous aimerions entendre parler de la façon dont vous utilisez les concepts du cours dans votre travail, ainsi que tout retour que vous pourriez avoir. Partagez vos retours ici.

Remerciements et licence

Copyright 2026 Anthropic. Travail original basé sur le AI Fluency Framework développé par Prof. Rick Dakan (Ringling College of Art and Design) et Prof. Joseph Feller (University College Cork). Publié sous la licence CC BY-NC-SA 4. 0.