Covalence est une application native macOS qui fournit une mémoire persistante et sémantique à long terme pour tout client IA via MCP (Model Context Protocol). Il fonctionne sur le matériel de l'utilisateur, sans avoir besoin d'un cloud ou d'un compte enregistré, et toutes les mémoires sont stockées localement sous forme de fichiers SQLite.

Couche de mémoire de persistance IA multi-clients de Covalence

Paramètres et statistiques de base

Projet	Paramètres
Positionnement du produit	Couche de mémoire de persistance locale (serveur MCP) sur les clients IA
Formulaire de livraison	Application de bureau native macOS (package d'installation .dmg)
Protocole/Interface	MCP (Model Context Protocol), exposant 9 Outils
Modèle intégré	nomic-embed-text-v1.5 (fp16, ~ 261 Mo, exécuté localement)
Dimensions vectorielles	256 (troncature de Matriochka, original 768 → 256)
Indice vectoriel	sqlite-vec (vec0 KNN)
Index des mots clés	SQLite FTS5 (BM25)
Stratégie de fusion	Fusion de rangs réciproques (k=60) + pondération temporelle hyperbolique (10 %)
Configuration minimale requise	macOS 15 (Sequoia) ou version ultérieure, Apple Silicon
Backend de stockage	SQLite (fichiers locaux, contrôle total de l'utilisateur)
Dernière version	v1.4.0 (2026-04-27)
Modèle de licence	Gratuit, pas de compte/pas de télémétrie/pas de dépendances cloud
Étoiles GitHub	Non publié (le dépôt principal est un dépôt privé darronz/covalence)

Le positionnement de Covalence est très clair : il ne s'agit pas d'un autre outil de chat IA, ni d'un système de gestion de base de connaissances, mais d'une couche d'infrastructure - insérant une couche de mémoire persistante entre le client IA (Claude Desktop, Claude Code, Cursor, etc.) et le grand modèle. Tous les calculs intégrés sont effectués nativement sur Apple Silicon via MLTensor, sans aucune API tierce ni appel réseau.

Reconnaissance des utilisateurs et du marché

Sensibilisez progressivement les utilisateurs sur le terrain et les capacités du produit sont utilisées par les créateurs de contenu et les équipes pour améliorer l'efficacité du travail. Certains utilisateurs de l'industrie l'ont intégré à leur flux de travail quotidien. Il est recommandé de se référer aux dernières divulgations officielles pour connaître les données spécifiques sur l’échelle des utilisateurs et le taux d’adoption par l’industrie.

Avantage de coût

Côté/Utilisateur personnel : Covalence est entièrement gratuit. Pas de frais d'abonnement, pas de paiement à l'utilisation, pas de frais cachés. Les utilisateurs n'ont qu'à télécharger et installer, et tous les calculs intégrés sont effectués sur le Mac local sans consommer de crédits API. Il s'agit de la différence de coût la plus fondamentale entre cette solution et les solutions de mémoire cloud (telles que la version API de Mem0).

API/Développeur : Covalence ne fournit pas de services API indépendants, mais est intégré au client AI sous la forme de serveur MCP. Les développeurs n’ont pas besoin de payer de frais d’appel d’API supplémentaires pour la fonctionnalité de mémoire : le seul coût est le calcul local et le stockage sur le matériel macOS.

Entreprise/Privé : étant donné que les données de Covalence sont entièrement stockées dans le fichier SQLite de l'utilisateur, les entreprises peuvent directement intégrer des fichiers de mémoire dans les politiques de sauvegarde et de sécurité existantes sans le coût supplémentaire d'un déploiement privatisé. Cependant, la version actuelle ne prend en charge que le fonctionnement autonome sur macOS et ne prend pas en charge le partage en équipe ni la collaboration multi-utilisateurs. Les scénarios de partage de mémoire au niveau de l'entreprise ne peuvent pas encore être couverts.

Coûts cachés : principalement issus des exclusivités macOS - si le flux de travail implique un client IA pour Windows/Linux (comme VS Code + Copilot sur Windows), Covalence n'est actuellement pas couvert. De plus, il existe un écart de précision d'environ 2 % (autotest officiel) entre la qualité de récupération du modèle d'intégration local (nomic-embed-text-v1.5) et l'intégration du grand modèle dans le cloud, ce qui peut ne pas être aussi bon que le modèle dédié et affiné dans la recherche sémantique dans des domaines hautement spécialisés.

Fonctions principales

• Mémoire de recherche sémantique : basée sur la récupération hybride de vecteurs et de mots-clés, la requête en langage naturel de l'utilisateur est convertie en un vecteur d'intégration, et la recherche de similarité cosinusoïdale vec0 KNN et la recherche en texte intégral FTS5 BM25 sont effectuées simultanément dans SQLite local, triées par fusion de rang réciproque, complétées par une pondération de vieillissement hyperbolique (le nouveau poids de la mémoire est légèrement plus élevé, mais le vieillissement ne représente que 10 % du score total pour éviter d'écraser la véritable pertinence).
• Mémoires principales : les utilisateurs peuvent marquer les connaissances les plus importantes comme « mémoires principales », et ces mémoires seront toujours renvoyées en premier lors de la recherche de l'IA. La mémoire centrale ne peut être définie explicitement que par l'utilisateur, et l'IA n'a pas le droit de mettre à niveau la mémoire ordinaire vers la mémoire centrale de manière indépendante, garantissant ainsi que les utilisateurs conservent un contrôle total sur les informations clés.
• Espaces (isolation de l'espace) : utilisez le paramètre --space pour diviser la mémoire en partitions indépendantes. Les souvenirs de différents projets, de différents clients ou de différents objectifs n'interfèrent pas les uns avec les autres. Un --space correspond à une partition indépendante dans la base de données SQLite, et les recherches et la navigation ne renvoient que les résultats pour l'espace actuel.
• File Memories : Nouvelle fonction dans la v1.4.0, qui peut surveiller les dossiers locaux et indexer automatiquement le contenu des fichiers Markdown/texte/configuration en tant que mémoire en lecture seule pour la recherche AI. Prend en charge l'analyse frontale YAML et les règles d'ignorance de style « .gitignore » avec une limite de taille de fichier de 1 Mo.
• Ensemble d'outils MCP : expose 9 outils MCP standard (voir la liste ouverte des outils ci-dessous pour plus de détails). Les clients IA peuvent appeler ces outils via le protocole MCP standard pour effectuer des ajouts, des suppressions, des modifications et la surveillance de l'état de la mémoire.

Evolution du modèle et de la version

L'itération de la version de Covalence s'accélérera à partir d'avril 2026 et connaît actuellement une évolution rapide de la vérification CI à la fourniture de fonctionnalités :

Période de validation anticipée du pipeline (v1.3.2 - v1.3.5)

Ces quatre versions se concentrent sur la stabilité du pipeline CI/CD. La v1.3.2 est la première série de vérifications automatisées des versions de bout en bout ; v1.3.3-v1.3.4 corrige des problèmes de pipeline tels que des modèles intégrés manquants, des chemins de téléchargement DMG incorrects et des notes de version non synchronisées ; La v1.3.5 corrige de toute urgence un bug de niveau P0 qui faisait planter l'application au démarrage sans Xcode.

Version des fonctionnalités principales (v1.4.0)

La v1.4.0, publiée le 27 avril 2026, est la première version majeure des fonctionnalités, apportant trois fonctionnalités principales : la synchronisation des fichiers (Anchor Memories) permet à Covalence d'indexer automatiquement le contenu des dossiers locaux ; La réécriture des instructions de l'IA rend le guidage comportemental plus précis ; Space Switcher (Space Switcher) fournit une prise en charge de l'interface utilisateur pour la gestion multi-projets. L'outil de ligne de commande « cov-benchmark » est également publié pour récupérer des tests de qualité (score actuel de 30/30).

Avantages techniques

L'architecture technique de Covalence est conçue autour des trois principes de « priorité locale, confidentialité et sécurité, et faible latence ». Ce qui suit explique son mécanisme et ses effets du point de vue de la chaîne causale.

Intégration native + troncature Matryoshka : le modèle d'intégration nomic-embed-text-v1.5, exécuté via MLTensor sur Apple Silicon, génère un vecteur à 768 dimensions qui est immédiatement tronqué aux 256 premières dimensions. Cette conception est basée sur la découverte de Matryoshka Representation Learning selon laquelle les N premières dimensions sont elles-mêmes un sous-ensemble d'intégration valide, ne perdant qu'environ 2 % de la précision de récupération, mais réduisant l'espace de stockage de 3 Ko à 1 Ko par mémoire. Pour les banques de mémoire qui s'agrandissent avec les conversations, une efficacité de stockage trois fois supérieure signifie que les utilisateurs peuvent conserver des cycles de mémoire plus longtemps sur un matériel équivalent.

Codage de recherche asymétrique : la requête et le document sont codés à l'aide de différents préfixes de texte (search_query: vs search_document:) afin que la requête et le document tombent dans différentes régions de l'espace vectoriel. La similarité cosinus mesure « le document peut-il répondre à cette question » plutôt que « si les deux morceaux de texte sont similaires ». Ceci est crucial dans les scénarios de mémoire d'IA : l'intention de recherche de l'utilisateur est généralement une question plutôt qu'un copier-coller, et le codage asymétrique est mieux adapté à la récupération de questions et réponses que le codage symétrique.

Hybrid Retrieval Fusion (RRF) : la recherche de similarité vectorielle et la recherche par mot-clé BM25 sont exécutées en parallèle, chacune prenant des candidats « max(limit×4, 20) » (×6 lorsqu'il existe des conditions de filtre pour compenser la perte du filtrage de couche post-Swift), filtrées par seuil de cosinus (par défaut 0,3), puis fusionnées et triées par Reciprocal Rank Fusion (k=60). Ce paramètre standard (identique à Microsoft Azure AI Search et Elastic) assure la stabilité de la fusion. Une pondération de vieillissement de 10 % garantit que les nouveaux souvenirs l'emportent s'ils sont tout aussi pertinents, mais que les souvenirs plus anciens qui sont vraiment pertinents ne sont pas écrasés par le vieillissement.

Architecture sans dépendance externe : L'ensemble du système - base de données, modèle intégré, moteur de recherche - fonctionne sur le matériel de l'utilisateur. Pas d'appels réseau, pas de clés API et pas de dépendances cloud tierces. Les fichiers mémoire sont des fichiers SQLite qui appartiennent entièrement à l'utilisateur et peuvent être exportés vers Markdown ou JSON à tout moment.

Comment utiliser

Démarrez rapidement en 3 minutes

L'utilisation de Covalence se décompose en deux étapes : installation de l'application + configuration de la connexion MCP.

1. Installez l'application

Téléchargez le dernier DMG depuis covalence.app, faites glisser Covalence.app dans le répertoire /Applications et lancez-le. Nécessite macOS 15+ et Apple Silicon.

2. Configurer la connexion MCP

En prenant Claude Desktop comme exemple, ajoutez : dans ~/Library/Application Support/Claude/claude_desktop_config.json :

{
  "mcpServeurs": {
    "covalence": {
      "command": "/Applications/Covalence.app/Contents/MacOS/cov-mcp"
    }
  }
}

Les utilisateurs de Claude Code ajoutent via la ligne de commande :

claude mcp ajoute une covalence /Applications/Covalence.app/Contents/MacOS/cov-mcp

Les utilisateurs de curseur ajoutent la même configuration JSON dans Paramètres > Serveurs MCP.

3. Ajouter des commandes AI (recommandé)

Ajoutez les directives d'orientation comportementale de Covalence aux invites système du client IA pour indiquer à l'IA quand utiliser memory_search et memory_store. Le contenu des instructions est disponible sur covalence.app/docs/ai-instruction/.

Liste ouverte des outils (outils MCP)

Covalence expose les 9 outils suivants via le protocole MCP, que le client IA peut appeler directement :

Nom de l'outil	Fonction	Paramètres clés
memory_store	Stocker une nouvelle mémoire	contenu (obligatoire), titre, balises, métadonnées, noyau
memory_search	Mémoire de recherche sémantique	requête (obligatoire), limite, seuil, balises, source, noyau
liste_mémoire	Parcourir la mémoire récente	limite, décalage, source, balises, noyau
memory_retrieve	Obtenez une mémoire complète par ID	identifiant (obligatoire)
memory_delete	Supprimer définitivement la mémoire	identifiant (obligatoire)
memory_update	Mettre à jour le contenu de la mémoire	identifiant (obligatoire), contenu, titre, balises, métadonnées
memory_promote	Mise à niveau vers la mémoire principale	identifiant (obligatoire)
memory_demote	Rétrograder vers la mémoire normale	identifiant (obligatoire)
statut_mémoire	Obtenez les statistiques spatiales actuelles	Aucun paramètre

Lien architectural

Client IA (Claude Desktop / Claude Code / Curseur / OpenCode)
    ↓ Protocole MCP (stdin/stdout)
cov-mcp (serveur Covalence MCP, binaire natif macOS)
    ↓
Base de données SQLite (fichier local)
    ├── table virtuelle vec0 (index vectoriel, similarité cosinus à 256 dimensions)
    └── Table virtuelle FTS5 (index de mots clés, BM25)

Guide des pièges d'ingénierie

1. Contrôle des jetons et du contexte : memory_search de Covalence renvoie 5 résultats par défaut (maximum 20). Le jeton consommé par le client AI pour chaque recherche est déterminé par la longueur du contenu de la mémoire renvoyé. Il est recommandé de définir une valeur limite raisonnable dans l'instruction AI pour éviter qu'une seule recherche n'introduise trop de contextes et remplisse la fenêtre. La limite de memory_list est par défaut de 10 et le maximum est de 50. Lorsque vous parcourez les pages, faites attention au décalage croissant.

2. Filtrage des balises et performances : lors de l'utilisation des conditions de filtre balises/source/noyau, la recherche vectorielle de Covalence effectuera une récupération excessive (en prenant limit×6 candidats) car le filtrage est effectué au niveau de la couche Swift plutôt que de la couche SQL. Cela signifie qu'une recherche filtrée consomme plus de ressources informatiques locales qu'une recherche non filtrée. Dans les scénarios de filtrage haute fréquence, il est recommandé de contrôler la valeur limite pour éviter une perte inutile de performances.

3. Impuissance et sécurité de la synchronisation des fichiers : Les mémoires de fichiers (File Memories) sont en lecture seule, et Covalence ne modifie pas le fichier source. Cependant, après la suppression ou le déplacement d'un fichier, la mémoire correspondante ne sera pas automatiquement nettoyée - elle doit être gérée manuellement dans les paramètres de l'application (option "Conserver ou supprimer"). De plus, cov-mcp ne communique actuellement que via stdin/stdout local et n'expose pas les ports réseau (la transmission MCP à distance est dans la feuille de route), il n'y a donc aucun risque d'accès non autorisé au réseau, mais vous devez faire attention aux autorisations d'accès aux fichiers SQLite lorsque plusieurs utilisateurs partagent le même compte macOS.

Prix des produits

Le modèle de tarification est soumis à la page officielle en temps réel. Habituellement, un système freemium ou d'abonnement est utilisé et les fonctions de base peuvent être utilisées gratuitement. Les fonctions avancées ou l'utilisation à haute fréquence nécessitent des abonnements payants, et il est conseillé aux utilisateurs d'évaluer la solution optimale en fonction de l'utilisation réelle.

Scénarios d'application

• Conservation du contexte entre sessions : lorsque les développeurs utilisent Claude Code ou Cursor pour le développement d'un projet sur plusieurs jours, Covalence peut mémoriser les décisions techniques, les spécifications du code et les contraintes clés de l'étape précédente, évitant ainsi d'avoir à expliquer le contexte à partir de zéro pour chaque nouvelle conversation. Points clés à vérifier : Si l'IA appelle automatiquement memory_search au début d'une nouvelle session et si la mémoire récupérée contient les informations de prise de décision requises pour la tâche en cours.
• Transformation IA de la base de connaissances personnelle : ajoutez les dossiers contenant des notes personnelles, des documents techniques et des fichiers de configuration à la liste de surveillance de Covalence, et le client IA peut rechercher directement ces contenus locaux dans la conversation sans copier-coller manuel. Objectif de vérification : délai de réindexation automatique après les modifications de fichiers et prise en charge de l'analyse frontale YAML pour les métadonnées structurées.
• Isolement de la mémoire multi-éléments : créez un espace mémoire indépendant pour chaque élément via le paramètre --space, afin que l'IA ne « rappelle pas par erreur » le contexte de l'élément B lors du traitement de l'élément A. Convient aux développeurs qui gèrent plusieurs projets clients ou piles technologiques en même temps. Points clés de vérification : si l'IA peut identifier avec précision l'espace actuel après le changement d'espace et si l'isolation des données entre les espaces est complète.

Ne correspond pas à la limite

• Covalence n'est actuellement disponible que pour macOS et n'est pas disponible pour les utilisateurs Windows/Linux.
• Le transport réseau MCP (transport distant/réseau) n'est pas pris en charge et les clients tels que ChatGPT qui prennent uniquement en charge les connexions MCP distantes sont temporairement indisponibles.
• L'architecture à machine unique détermine qu'elle n'est pas adaptée aux scénarios de mémoire partagée en équipe ou de collaboration multi-utilisateurs.
• Les recherches basées sur nomic-embed-text-v1.5 ont une précision limitée dans des domaines hautement spécialisés (tels que les termes juridiques, la littérature médicale) et le modèle d'intégration ne peut pas être personnalisé.

Personnes concernées

• Développeurs IA sur plateforme macOS : Les développeurs qui utilisent des outils de programmation IA tels que Claude Code et Cursor sont les principaux utilisateurs de Covalence. Ils nécessitent que le contexte du projet soit maintenu au fil des sessions et ont des exigences élevées en matière de confidentialité et de contrôle local. Prérequis : macOS 15+, Apple Silicon.
• Claude Desktop Heavy Users : les utilisateurs qui utilisent Claude comme assistant de connaissances quotidien peuvent utiliser Covalence pour permettre à Claude de se souvenir de ses préférences personnelles, de l'historique du projet et des décisions importantes sans avoir à fournir manuellement le contexte à chaque fois. Condition préalable : accepter une perte de précision de rappel d'environ 2 % causée par l'intégration locale.
• Utilisateurs d'IA sensibles à la confidentialité : utilisateurs qui hésitent à télécharger leur historique de conversations sur le cloud en raison de problèmes de conformité des données ou de confidentialité. L'architecture zéro appel à distance de Covalence garantit que « les données ne quittent pas la machine locale ». Prérequis : Volonté de gérer votre propre sauvegarde et exportation de fichiers SQLite.

Ne s'applique pas à la foule

• Utilisateurs utilisant principalement ChatGPT (client MCP distant) - Covalence ne prend actuellement pas en charge les modes de transport réseau requis par ChatGPT.
• Utilisateurs ayant besoin d'une synchronisation de mémoire multiplateforme (Windows/Linux) ou multi-appareils.
• Les équipes qui ont besoin d'une mémoire de collaboration d'équipe ou d'une plateforme de gestion des connaissances au niveau de l'entreprise.

Résumé et Outlook

Covalence entre sur le marché des couches mémoire IA avec le positionnement différencié « local first + protocole MCP ». Sa valeur fondamentale est la suivante : Ne dépend d'aucun service cloud, n'engendre aucun coût permanent et fournit uniquement une mémoire sémantique persistante aux clients IA via l'intégration locale et la récupération hybride exécutée sur le matériel de l'utilisateur. En termes d'architecture technique, les trois conceptions de troncature Matryoshka, de codage de recherche asymétrique et de fusion RRF constituent ensemble une solution d'ingénierie avec un support théorique et des compromis quantitatifs - une précision d'environ 2 % en échange d'une efficacité de stockage 3 fois supérieure, ce qui est un compromis raisonnable dans le contexte des appareils personnels.

La version actuelle (v1.4.0) a une couverture fonctionnelle complète : recherche sémantique, mémoire centrale, isolation spatiale, ensemble d'outils MCP de synchronisation de fichiers, qui répond essentiellement aux besoins de mémoire des utilisateurs individuels. Cependant, les principales contraintes du projet sont tout aussi évidentes : exclusivité macOS, architecture autonome, aucune capacité de collaboration en équipe et maintenance du projet reposant sur la contribution de développeurs individuels. Dans le contexte des changements rapides dans l'écosystème des outils d'IA, la prise en charge de la transmission MCP à distance et la prise en charge multiplateforme seront des nœuds clés qui détermineront si elle peut évoluer d'un « projet personnel intéressant » à une « norme de couche mémoire largement adoptée ».

Évaluation des risques d'acquisition/adoption : Covalence a un coût d'adoption presque nul pour les développeurs individuels (gratuit + pas d'inscription + 5 minutes de configuration) et peut être essayé en tant qu'amélioration « plug-and-play » des flux de travail Claude Code/Curseur. Il est recommandé que la période d'essai soit de 1 à 2 semaines, en se concentrant sur l'évaluation : si l'IA peut appeler automatiquement l'outil de mémoire comme prévu, si les résultats de la récupération couvrent le contexte clé du développement quotidien et si l'exclusivité macOS entre en conflit avec le flux de travail actuel. Les entreprises doivent vérifier avant d'acheter : la solution de sauvegarde sécurisée pour les fichiers SQLite, les risques à long terme liés à l'absence actuelle de prise en charge de la version entreprise et la durabilité commerciale du responsable du projet. Pour les scénarios nécessitant de la mémoire multiplateforme ou de collaboration en équipe, il est recommandé de prêter également attention à la progression de solutions telles que LangSmith et Mem0.

Outils associés : github-copilot, cursor

Informations de version

• Synchronisation de fichiers, réécriture des instructions AI et commutateur d'espace ：Ajout d'une nouvelle fonction de synchronisation de fichiers (Anchor Memories), qui peut automatiquement indexer le contenu des dossiers locaux ; instructions d'IA entièrement réécrites ; ajout d'un nouveau sélecteur d'espace ; et a publié l'outil de référence de qualité de récupération cov-benchmark. （2026-04-27）
• Correctif P0 ：Correction du grave problème de plantage du démarrage de l'application sans Xcode et correction de la logique d'intégration de la bibliothèque d'exécution Swift du pipeline de construction CI. （2026-04-20）
• Version de correctif de pipeline ：Trois bogues du pipeline CI dans la version 1.3.3 ont été corrigés (erreur d'URL DMG manquante dans le modèle intégré, notes de version non téléchargées) et il n'y a aucun changement fonctionnel côté utilisateur. （2026-04-19）
• Aller-retour à porte de phase ：La première version de vérification de pipeline CI/CD entièrement automatique, vérifiant le processus de bout en bout de déploiement automatique dispatch→workflow→commit→CF. Il n’y a pas encore de date officielle précise, veuillez vous référer au label de sortie actuel. （2026-04-16）