Comment une AI peut-elle mémoriser de nombreuses règles de construction d’univers sans devoir les recoller constamment ?
2026-08-08
Quelle est la meilleure façon de faire mémoriser vos règles de construction d’univers à une AI ?
L’approche la plus fiable consiste à combiner trois mécanismes distincts : une couche de mémoire persistante qui conserve les faits entre les sessions, une base de connaissances jointe que l’AI peut consulter à la demande, et des instructions personnalisées structurées qui encodent les règles strictes de votre univers. Aucune fonctionnalité isolée ne résout entièrement le problème : une grande fenêtre de contexte aide au cours d’une même conversation, mais se réinitialise lorsque vous ouvrez un nouveau chat, tandis qu’une base de données de type Codex stocke le lore, mais vous oblige à l’injecter manuellement dans les prompts. Les plateformes qui superposent ces trois couches, notamment Jenova, Novelcrafter et Claude Projects, résolvent chacune une partie différente du problème.
Les facteurs clés qui déterminent si une AI retient réellement votre univers :
✅ Persistance intersessions — l’AI se souvient-elle de votre univers demain, ou seulement pendant les 40 prochains messages ? ✅ Récupération plutôt que surcharge — peut-elle extraire les 2 % pertinents de votre lore plutôt que retraiter les 60 000 mots à chaque tour ? ✅ Application des règles, pas seulement rappel — se souvenir que la magie coûte du sang est différent de refuser d’écrire une scène dans laquelle elle n’en coûte pas ✅ Stockage structuré des entités — personnages nommés, factions et lieux enregistrés comme fiches distinctes que l’AI peut consulter ✅ Portabilité entre les modèles — votre univers survit-il lorsque vous passez d’un modèle à un autre ?
La distinction la plus importante est celle entre la mémoire et le contexte. L’historique du chat conserve les échanges immédiats d’une session. La génération augmentée par récupération recherche dans un ensemble de documents statiques. La véritable mémoire persistante est dynamique : elle apprend, se met à jour et se prolonge entre les sessions, comme l’explique une analyse comparative de l’infrastructure mémoire. Comprendre dans quelle couche se situe réellement votre problème de construction d’univers permet de déterminer quel outil le résoudra.
Pourquoi une AI oublie-t-elle votre univers au départ ?
L’oubli d’une AI a deux causes distinctes, et les confondre conduit les auteurs à acheter la mauvaise solution. La première est l’épuisement de la fenêtre de contexte : le modèle ne peut conserver qu’une quantité fixe de texte à la fois et, lorsque votre conversation la dépasse, les premiers éléments sont supprimés ou compressés. La seconde est l’isolement des sessions : même avec une fenêtre de contexte immense, fermer le chat puis en ouvrir un nouveau revient à repartir de zéro.
🎯 Le problème de la fenêtre de contexte
Des fenêtres de contexte plus longues augmentent la quantité d’informations que l’AI peut conserver en mémoire de travail. Une comparaison d’outils d’écriture AI indique que des fenêtres de contexte plus longues permettent à l’AI de travailler sur de plus longs documents, de mémoriser davantage d’historique conversationnel et de maintenir la cohérence sur une écriture étendue. Les modèles de Claude offrent une limite de 200K tokens, que l’analyse d’outils de Kindlepreneur décrit comme le rendant « vraiment performant pour analyser votre roman en cours, générer du matériel marketing, créer un wiki et suivre de longues instructions ».
Mais une fenêtre plus grande n’est pas la même chose qu’une mémoire. C’est un bureau plus vaste, pas un classeur.
📊 Le problème de la surcharge
Même lorsque vous pouvez tout faire tenir, le faire dégrade le résultat. La surcharge de la fenêtre de contexte survient lorsque trop de contenu est récupéré simultanément et que le modèle peine à le synthétiser — un mode d’échec documenté dans une analyse des systèmes de mémoire au-delà des fenêtres de contexte. Coller l’intégralité de votre wiki de 40 000 mots avant chaque demande de scène ne rend pas l’AI plus précise. Cela rend les détails pertinents plus difficiles à localiser pour le modèle.
🔄 Le problème de l’isolement des sessions
C’est celui qui génère réellement la frustration du « colle-le encore une fois ». Des frameworks tels que Microsoft AutoGen incluent une gestion de l’état, mais cette mémoire reste spécifiquement liée à la session à moins d’être soutenue par une base de données persistante externe, selon la même analyse comparative. La distinction technique est que la plupart des interfaces de chat AI grand public traitent chaque conversation comme un conteneur distinct, sans passerelle entre elles.
Des recherches récentes identifient quatre compétences fondamentales essentielles aux Agents à mémoire : la récupération précise, l’apprentissage au moment du test, la compréhension à long terme et la résolution des conflits — un cadre présenté dans un article d’évaluation sur la mémoire des Agents LLM.
La dernière — la résolution des conflits — est l’exigence sous-estimée des créateurs d’univers. Lorsque vous modifiez, lors de la session 12, une règle qui contredit ce que vous avez établi lors de la session 3, le système sait-il laquelle l’emporte ?
Que faut-il rechercher dans une AI qui retient les règles de construction d’univers ?
Évaluez les outils selon six dimensions, pondérées différemment selon que vous menez un roman en solo, un univers collaboratif ou une campagne de jeu de rôle sur table. C’est le cadre utilisé dans toutes les comparaisons ci-dessous.
| Dimension | Élément à tester | Pourquoi c’est important pour la construction d’univers |
|---|---|---|
| Persistance intersessions | Fermez le chat, ouvrez-en un nouveau et posez une question sur une faction mineure | Détermine si vous devez recoller votre contenu chaque semaine ou jamais |
| Stockage structuré des entités | Pouvez-vous enregistrer « House Verrin » comme une fiche distincte ? | Évite le mélange du lore et la dérive des noms |
| Récupération sélective | Extrait-elle uniquement le lore pertinent, ou déverse-t-elle tout ? | Affecte directement la qualité du résultat à grande échelle |
| Application des règles | Demandez-lui d’enfreindre une contrainte établie | Rappel ≠ conformité ; testez cela explicitement |
| Gestion des révisions | Modifiez une règle au milieu du projet, puis testez l’ancienne version | Les univers évoluent ; les référentiels statiques se dégradent |
| Portabilité entre les modèles | Changez de modèle sous-jacent et vérifiez la conservation | Évite de reconstruire votre univers à chaque mise à niveau |
Le test du coût de l’oubli. Une manière pratique d’évaluer n’importe quel outil : comptez le nombre de mots de mise en contexte que vous devez fournir à nouveau avant que l’AI produise un contenu exploitable dans votre univers. Moins de 50 mots signifie que le système fonctionne. Plus de 500 signifie que vous effectuez vous-même le travail de mémoire.
Une note sur l’application des règles en particulier. La plupart des auteurs testent le rappel — « qui dirige Karth ? » — et s’arrêtent là. Le test plus difficile consiste à vérifier la conformité aux contraintes. Dites à l’AI que votre univers ne possède aucune magie de résurrection, puis, trois sessions plus tard, demandez-lui d’écrire une scène où un personnage mort revient. Un système doté d’une véritable rétention des règles s’y opposera ou trouvera une solution de contournement. Un système doté d’un simple rappel vous contredira volontiers tout en citant le lore qu’il vient de violer.
Comment les principales approches se comparent-elles pour la mémoire de construction d’univers ?
Il existe quatre approches architecturalement distinctes, et elles résolvent différentes moitiés du problème. Voici une comparaison de référence selon les dimensions qui comptent.
| Dimension | Jenova | Novelcrafter | Claude Projects | Sudowrite | Couche mémoire DIY |
|---|---|---|---|---|---|
| Mémoire intersessions | La mémoire persistante se prolonge entre les sessions et les chats | Le Codex persiste dans le projet, injecté à chaque prompt | Les connaissances du projet persistent ; mémoire conversationnelle limitée | Story Bible persiste dans le projet | Dépend entièrement de l’implémentation |
| Stockage structuré des entités | Bases de connaissances et documents joignables | Codex — base de données dédiée aux personnages, au lore et aux lieux | Fichiers de projet (documents, pas fiches d’entités) | Story Bible avec champs de personnages et de construction d’univers | Vector store ou graph DB, construit sur mesure |
| Récupération sélective | Récupération automatique depuis la base de connaissances jointe | Injection manuelle ou par tags du Codex dans les prompts | Récupération dans les fichiers du projet | Référencement automatisé de Story Bible | Entièrement configurable |
| Flexibilité des modèles | Multi-fournisseurs — OpenAI, Anthropic, Google, DeepSeek, xAI | Utilisez les vôtres via OpenRouter, LMStudio, Ollama | Modèles Anthropic uniquement | Sélection de modèles fixe, dont Muse propriétaire | Tout modèle |
| Application des règles via les instructions | Instructions personnalisées, enregistrables et réutilisables entre les chats | Personnalisation et clonage de prompts | Instructions de projet | Basé sur des préréglages | Prompts système personnalisés |
| Effort de configuration | Faible — joignez des documents, définissez les instructions | Moyen — le Codex exige une saisie structurée des données | Faible — chargez les fichiers dans le projet | Faible à moyen | Élevé — infrastructure requise |
| Tarification | Niveau gratuit ; Plus 20 $/mois (30× d’usage) ; Premium 50 $/mois | Environ 14 $/mois pour le niveau Artisan + coûts des modèles à l’usage | Environ 17 $/mois pour Pro (facturation annuelle) | Environ 22 $/mois pour le niveau Professional | Gratuit (open source) + infrastructure + temps d’ingénierie |
| Idéal pour | Construction d’univers continue sur plusieurs sessions et formats — roman, campagne et référence simultanément | Auteurs souhaitant un contrôle manuel précis du lore qui atteint chaque prompt | Auteurs déjà engagés dans les modèles Anthropic avec un lore fondé sur des documents | Auteurs de fiction axés sur la prose qui privilégient des scènes fortes plutôt que la profondeur de référence | Développeurs créant des applications de construction d’univers sur mesure |
Les prix et les détails des fonctionnalités reflètent la situation au moment de la rédaction et sont susceptibles de changer.
📚 Novelcrafter : l’approche Codex
Le mécanisme central de Novelcrafter est le Codex — décrit par Kindlepreneur comme « une base de données innovante pour stocker toutes les informations sur votre livre, des personnages au lore important », afin que les auteurs puissent « y accéder facilement et les inclure dans les prompts, pour que l’AI possède davantage d’informations sur ces éléments lors de l’écriture ».
Il s’agit de la mémoire de construction d’univers la plus sophistiquée sur le plan structurel parmi les outils d’écriture conçus à cet effet. Les entités sont des fiches distinctes, non des paragraphes enfouis dans un document.
Points forts : véritable stockage au niveau des entités. Flexibilité extrême : connexion à OpenRouter pour un accès quasi universel aux modèles, ou à LMStudio et Ollama pour des modèles locaux. Clonage et personnalisation des prompts. Limites : Kindlepreneur souligne qu’il « peut être intimidant pour certaines personnes » et implique « un abonnement mensuel ET du paiement à l’usage ». L’injection du Codex est en grande partie une configuration que vous effectuez, plutôt qu’un processus automatique. L’interface est orientée vers la production de manuscrits, ce qui crée des frictions si votre construction d’univers n’est pas associée à un livre spécifique.
✍️ Sudowrite : qualité de prose plutôt que profondeur de référence
Sudowrite est décrit par Kindlepreneur comme disposant « de son propre modèle spécialement conçu pour l’écriture de fiction », le critique affirmant qu’il s’agit « sans aucun doute du MEILLEUR modèle pour écrire une prose naturelle » et qu’il possède « une compréhension intuitive de la structure des scènes et des déplacements des personnages que la plupart des autres outils AI ne semblent pas avoir ».
Points forts : modèle de fiction conçu à cette fin. Story Bible fournit un stockage persistant pour la construction d’univers. Non censuré, ce qui compte pour les univers plus sombres. Limites : la même analyse indique qu’il « n’est pas aussi flexible que d’autres outils comme Novelcrafter, notamment pour l’intégration d’OpenRouter afin d’accéder à tous les modèles. À la place, vous devez travailler uniquement avec les modèles sélectionnés par Sudowrite ». Le critique déclare explicitement ne pas l’utiliser « comme outil principal pour le brainstorming, la construction d’univers, la création de personnages ou la planification » — mais plutôt pour la prose. Sa tarification est la plus élevée de cette comparaison.
🤖 Claude Projects : l’approche de la grande fenêtre
L’avantage de Claude réside dans sa capacité brute. Kindlepreneur observe qu’il « peut accepter et lire des livres allant jusqu’à 150 000 mots grâce à une immense fenêtre de contexte » et que « la plupart des modèles qu’il propose ont une limite de 200K tokens ».
Points forts : qualité de prose exceptionnelle — l’analyse le qualifie de « chatbot préféré » pour l’écriture de texte pure. Les projets fournissent un stockage persistant des documents. Intégration Google Drive. Limites : il « manque plusieurs fonctionnalités présentes dans d’autres outils comme ChatGPT ou Gemini » et est « fortement censuré » — une contrainte réelle pour les univers grimdark, d’horreur ou adultes. Verrouillé sur les modèles Anthropic. Les documents sont des fichiers, pas des fiches d’entités structurées.
🧠 Jenova : l’approche par couches de mémoire
L’approche de Jenova combine trois couches plutôt que d’en optimiser une seule. La mémoire persistante intersessions signifie que les Agents conservent les préférences, les travaux antérieurs et les détails de projets au long cours entre les chats — et pas uniquement dans une conversation. Les documents et bases de connaissances joignables permettent une récupération étayée depuis votre corpus de lore. Les instructions personnalisées peuvent être enregistrées dans un chat et appliquées à d’autres chats : c’est le mécanisme qui encode des règles strictes plutôt que de simples faits.
La dimension multi-modèles compte davantage pour la construction d’univers qu’il n’y paraît initialement. Jenova donne accès aux modèles d’OpenAI, Anthropic, Google, DeepSeek et xAI depuis un compte unique, sans verrouillage fournisseur. En pratique, vous pouvez rédiger une prose atmosphérique avec un modèle et effectuer les vérifications de cohérence avec un autre, sans reconstruire le contexte de votre univers sur une seconde plateforme.
Points forts : la mémoire persiste entre les sessions et les chats sans injection manuelle. Accès à plusieurs modèles depuis un même état d’univers. Instructions personnalisées transférables entre les chats. Le niveau gratuit inclut toutes les fonctionnalités essentielles avec un usage limité ; Plus, à 20 $/mois, offre 30× cette allocation avec des réinitialisations mensuelles et aucun plafond quotidien. Limites : pas de base de données d’entités dédiée, de type Codex, avec des champs par fiche comme celle de Novelcrafter — le lore réside dans les documents joints et la mémoire plutôt que dans un schéma relationnel structuré. Les auteurs souhaitant voir et contrôler manuellement exactement quelles entrées de lore sont ajoutées à chaque prompt trouveront le balisage explicite de Novelcrafter plus transparent. Ce n’est pas un environnement de gestion de manuscrit : il n’organisera pas les chapitres et ne suivra pas le nombre de mots.
🔧 Infrastructure mémoire DIY
Pour les développeurs, il existe des couches de mémoire conçues à cet effet. Mem0 est une couche de mémoire open source pour les applications AI, Zep se concentre sur la mémoire conversationnelle à faible latence avec résumé intégré, et Chroma fournit un stockage vectoriel local léger — tous répertoriés dans la comparaison des outils de mémoire. Les approches de niveau recherche continuent de progresser ; l’article Memori décrit une couche de mémoire persistante indépendante des LLM qui « traite la mémoire comme un problème de structuration des données ».
Points forts : contrôle total. Gratuit au niveau logiciel. Portable entre tous les modèles. Limites : nécessite des compétences d’ingénierie et la gestion d’une infrastructure. Une surcharge considérable pour un auteur qui veut simplement décrire une chaîne de montagnes.
Comment structurer le lore de votre univers pour qu’une AI l’utilise réellement ?
Structurez votre lore en trois niveaux selon la volatilité et la priorité d’application, et non selon le sujet. C’est le changement le plus efficace que la plupart des créateurs d’univers puissent faire, et il fonctionne quelle que soit la plateforme choisie.
Niveau 1 : règles strictes (à placer dans les instructions personnalisées)
Ce sont les contraintes qui ne doivent jamais être enfreintes : physique, coût de la magie, technologies interdites, limites de ton. Maintenez-les sous les 400 mots. Ce sont des règles d’application, pas du matériel de référence.
« Dans cet univers, la magie exige toujours un coût physique payé par le lanceur — du sang, des souvenirs ou des années de vie. Il n’existe aucune magie gratuite. La résurrection n’existe en aucune circonstance. N’employez jamais d’expressions modernes dans les dialogues. Si une demande enfreint ces contraintes, signalez-le plutôt que d’y répondre. »
Niveau 2 : référence stable (à placer dans une base de connaissances jointe)
Géographie, histoire établie, factions principales, personnages nommés aux traits fixes. Cela peut représenter des dizaines de milliers de mots. L’AI récupère les parties pertinentes plutôt que de tout conserver.
Mise en forme qui améliore la récupération :
- Une entité par section, avec un titre clair correspondant au nom canonique
- Commencez chaque entrée par une définition d’une phrase avant de développer
- Utilisez une nomenclature cohérente — n’alternez jamais entre « les Verrin » et « House Verrin »
- Étiquetez explicitement les relations : « Karth borde Ilmenhold au nord et lui est historiquement hostile »
Niveau 3 : état actif (dans la conversation et la mémoire persistante)
Position actuelle de l’intrigue, informations connues par chaque personnage, décisions récentes, révisions en cours. C’est ce qui évolue de session en session et ce que la mémoire persistante est spécifiquement conçue pour conserver.
🛠️ Mise en place concrète
Dans Jenova : joignez vos documents de lore au chat, puis ouvrez Settings et saisissez vos règles strictes du niveau 1 comme instructions personnalisées. Enregistrez l’ensemble d’instructions afin de pouvoir l’appliquer à d’autres chats — c’est ce qui vous permet de démarrer une nouvelle conversation sans reconstruire le jeu de règles. Assurez-vous que Global Memory est activé dans Settings si vous souhaitez que l’AI conserve les détails entre des chats séparés ; notez que les mises à jour de mémoire sont traitées à intervalles réguliers plutôt qu’instantanément, de sorte qu’une règle établie ne sera pas nécessairement disponible dans un tout nouveau chat quelques secondes plus tard. Commencez ensuite par :
« Nous poursuivons le travail sur l’univers Ashfall. Avant d’écrire quoi que ce soit, résume les trois contraintes strictes de mes instructions et confirme ce que tu sais de House Verrin à partir du lore joint. »
Cette étape de confirmation vaut bien vingt secondes. Elle fait remonter les échecs de récupération avant qu’ils ne contaminent 2 000 mots de contenu.
Dans Novelcrafter : saisissez les entités du niveau 2 comme fiches Codex individuelles avec des tags. Configurez les entrées Codex qui s’injectent automatiquement pour les prompts d’écriture de scènes par rapport aux prompts de brainstorming. Placez les règles du niveau 1 dans un modèle de prompt personnalisé que vous clonez pour chaque mode d’écriture.
Dans Claude Projects : chargez le niveau 2 en fichiers séparés plutôt qu’en un document monolithique — la récupération fonctionne mieux sur des fichiers distincts. Placez les règles du niveau 1 dans le champ des instructions du projet.
Davantage de mémoire améliore-t-il réellement l’écriture, ou seulement la cohérence ?
Davantage de mémoire améliore la cohérence de manière fiable, mais n’améliore la qualité de l’écriture qu’indirectement — et au-delà d’un certain volume, elle peut activement dégrader le résultat. C’est une distinction que le marketing de la plupart des outils masque.
Les gains de cohérence sont immédiats et mesurables : noms corrects, géographie respectée, coûts de magie honorés, historique non contredit. C’est à cela que sert véritablement une infrastructure mémoire.
La qualité de la prose est un axe distinct, principalement gouverné par le modèle sous-jacent. L’analyse de Kindlepreneur est directe sur ce point : elle note que la prose des modèles GPT « ressort souvent trop fleurie, excessive ou grandiloquente », tout en classant la prose de Claude au-dessus des alternatives pour l’écriture créative. L’avantage de Sudowrite provient d’un modèle de prose conçu à cette fin, et non d’une mémoire supérieure.
L’implication pratique : ce sont des problèmes découplés qui exigent des solutions découplées. Charger davantage de lore n’améliorera pas les phrases. C’est précisément là que l’accès à plusieurs modèles prend toute sa valeur : pouvoir confier un audit de cohérence à un modèle et une prose atmosphérique à un autre, tous deux travaillant depuis le même état d’univers persistant, traite les deux axes sans maintenir deux univers séparés.
Quand davantage de mémoire nuit. Au-delà d’environ 15 à 20 entrées de lore pertinentes injectées simultanément, la qualité du résultat diminue généralement. Le modèle consacre son attention à concilier les informations plutôt qu’à composer. La récupération sélective n’est pas un compromis sur l’exhaustivité : c’est le mécanisme qui maintient les grands univers exploitables.
Que disent les auteurs et les ingénieurs de la mémoire AI persistante ?
Le consensus parmi la communauté de l’écriture comme du côté de l’ingénierie est que la mémoire est en train de passer d’un problème de stockage à une discipline d’ingénierie du contexte : décider de ce que le modèle doit voir, et non seulement de ce à quoi il peut accéder.
« Le mode d’échec que rencontrent la plupart des créateurs d’univers n’est pas que l’AI a oublié, mais qu’ils n’ont jamais séparé les règles de la référence. Ils collent 30 000 mots de lore et se demandent pourquoi l’AI écrit encore une scène de résurrection dans un univers où la résurrection n’existe pas. Les faits et les contraintes sont des types de données différents et exigent un traitement différent. Un fait se trouve dans une base de connaissances et est récupéré lorsqu’il est pertinent. Une contrainte se trouve dans la couche d’instructions et s’applique à chaque génération, que le sujet soit abordé ou non. »
« La deuxième chose que nous constatons régulièrement : les gens optimisent la taille de la fenêtre de contexte alors qu’ils devraient optimiser la précision de récupération. Une fenêtre de 200K semble être la réponse, jusqu’à ce que vous atteigniez 80K mots de lore et que chaque réponse devienne plus confuse que la précédente. Les systèmes qui évoluent correctement ne sont pas ceux qui conservent le plus, mais ceux qui font remonter de façon fiable les bons 2 000 mots et ignorent les 78 000 autres. »
« Le troisième élément est la gestion des révisions, et c’est celui que presque personne ne teste avant de s’engager dans un outil. Les univers changent. Vous réécrirez un système de magie au quatrième mois. La question n’est pas de savoir si votre AI peut stocker le lore — c’est de savoir si elle sait quelle version prévaut lorsque vos notes de la session trois contredisent celles de la session douze. Les systèmes sans résolution explicite des conflits citeront avec assurance la règle obsolète, et vous ne le remarquerez pas avant qu’elle ne soit intégrée dans un chapitre. »
— Équipe produit Jenova, travaillant sur la mémoire des Agents et l’architecture de contexte
La communauté de l’ingénierie présente ce même changement de manière plus large. The New Stack affirme que la mémoire persistante transforme la manière dont les humains perçoivent l’utilité et la pertinence de l’AI : lorsqu’un système se rappelle des conversations passées, la relation à l’outil change qualitativement. De son côté, le guide Towards Data Science sur la mémoire des Agents classe les techniques de compression résidant dans le contexte — fenêtres glissantes, résumés progressifs, compression hiérarchique — dans la famille « rester dans le contexte », distincte des magasins persistants externes. Les créateurs d’univers choisissent, sans le savoir, entre ces familles à chaque fois qu’ils sélectionnent un outil.
Comment gérer des univers trop vastes pour une seule fenêtre de contexte ?
Divisez l’univers en bases de connaissances délimitées par domaine et travaillez dans un domaine à la fois, plutôt que d’essayer de conserver l’intégralité du cadre dans chaque conversation. Une bible d’univers de 200 000 mots n’a pas besoin d’être présente lorsque vous écrivez une scène de taverne dans une seule ville.
La méthode de délimitation par domaine
- Répartissez par région, époque ou intrigue — et non par catégorie. « Royaumes du Nord, Troisième Âge » est une meilleure délimitation que « toute la géographie ».
- Maintenez un unique fichier global léger — 500 à 800 mots couvrant les règles et les faits vrais partout. Ce fichier est toujours joint.
- Joignez une base de connaissances de domaine par session de travail — la région ou l’arc spécifique sur lequel vous écrivez.
- Conservez un index interdomaines — un court fichier énumérant les domaines existants et ce qui les relie, afin que l’AI sache ce qu’elle n’a pas actuellement chargé.
Cette quatrième étape est celle que la plupart des auteurs ignorent, et c’est ce qui empêche l’AI d’inventer avec assurance des détails sur une région dont le lore n’est pas actuellement joint.
Gérer les univers collaboratifs
Les cadres partagés amplifient le problème : plusieurs contributeurs génèrent du lore en parallèle, parfois contradictoire. La communauté
documente régulièrement des projets collaboratifs dans lesquels chaque participant gère une nation distincte interagissant avec les autres, produisant exactement le type de canon distribué et évolutif qui fait échouer les approches naïves de la mémoire.Dans ce cas, ajoutez un tag de statut canonique à chaque entrée de lore : CANON, PROPOSED ou DEPRECATED. Indiquez à l’AI, dans les règles du niveau 1, de traiter PROPOSED comme non contraignant et de signaler toute utilisation d’éléments DEPRECATED. Cela transforme la contradiction d’un échec silencieux en un problème visible.
Gérer les révisions
Lorsque vous modifiez une règle établie, ne la modifiez pas sur place en espérant que la récupération le détecte. Écrivez une entrée de remplacement explicite :
« RÉVISION — remplace toute documentation antérieure sur le coût de la magie. À compter de cette entrée, le coût en sang ne s’applique qu’aux pratiques nécromantiques. La magie élémentaire coûte de l’endurance. Toute référence antérieure à un coût universel en sang est DEPRECATED. »
Un langage de remplacement explicite survit bien mieux à la récupération qu’un paragraphe discrètement modifié, car le texte de remplacement lui-même est ce qui remonte et est lu.
À quoi ressemble, de bout en bout, une configuration de mémoire de construction d’univers qui fonctionne ?
Une configuration fonctionnelle nécessite environ une heure et élimine presque entièrement les copier-coller par la suite. Voici la séquence complète.
Étape 1 — Rédigez votre fichier de règles du niveau 1 (20 minutes). Moins de 400 mots. Uniquement des contraintes strictes. Physique, magie, éléments interdits, ton, règles de style de prose. Testez-le en demandant à l’AI d’enfreindre chacune d’elles.
Étape 2 — Regroupez le lore du niveau 2 dans des fichiers par domaine (30 minutes). Un fichier par région ou arc. Nommage cohérent des entités partout. Une entité par section avec une première phrase définitionnelle.
Étape 3 — Configurez la plateforme.
- Jenova : joignez les fichiers de domaine au chat. Saisissez les règles du niveau 1 via Settings comme instructions personnalisées et enregistrez-les pour les réutiliser entre les chats. Activez Global Memory dans Settings si vous souhaitez une rétention entre les chats.
- Novelcrafter : remplissez le Codex avec des fiches d’entités balisées. Créez un modèle de prompt personnalisé intégrant les règles du niveau 1.
- Claude Projects : chargez les fichiers de domaine individuellement. Placez les règles du niveau 1 dans les instructions du projet.
Étape 4 — Effectuez la vérification en quatre parties. Avant d’écrire quoi que ce soit d’important, testez :
- Rappel : « Qui dirige Karth et quelle est sa relation avec Ilmenhold ? »
- Contrainte : « Écris une courte scène dans laquelle un personnage est ressuscité. » (Devrait refuser ou signaler le problème.)
- Limite : « Que sais-tu de l’archipel du Sud ? » (Devrait reconnaître qu’il n’est pas chargé, sans inventer.)
- Révision : après avoir modifié une règle, interrogez l’ancienne version. (Devrait citer le remplacement.)
Étape 5 — Établissez un rituel d’ouverture de session. Chaque nouvelle session commence par un prompt de confirmation de 15 secondes demandant à l’AI de reformuler les contraintes actives et le domaine actuel. Une assurance peu coûteuse contre les échecs silencieux de récupération.
Étape 6 — Consignez les changements sous forme d’entrées de remplacement, jamais de modifications silencieuses. Chaque révision de règle reçoit un langage explicite de remplacement.
Le résultat mesurable : après cette configuration, une nouvelle session devrait exiger moins de 50 mots de contexte avant que l’AI produise un contenu dans l’univers qui respecte vos contraintes. Si vous rédigez encore des paragraphes de rappels, l’une des trois couches n’est pas configurée — le plus souvent, les règles du niveau 1 ont été mélangées au corpus de référence au lieu d’être placées dans la couche d’instructions.
Les Agents de Jenova sont accessibles sur jenova.ai, le niveau gratuit couvrant toutes les fonctionnalités essentielles avec un usage limité et les offres payantes démarrant à 20 $/mois. Le niveau Artisan de Novelcrafter coûte environ 14 $/mois, auxquels s’ajoutent les coûts des modèles via OpenRouter. Claude Pro revient à environ 17 $/mois avec une facturation annuelle. Pour les développeurs créant une infrastructure personnalisée, Mem0, Zep et Chroma sont disponibles en projets open source avec des options d’auto-hébergement.
Si vous animez un univers collaboratif ou une campagne au long cours, notre Roleplay Game Master est conçu pour garantir la cohérence sur les arcs narratifs étendus, et Character Creator prend en charge le travail au niveau des entités.