Projets
Ce que Datooine construit en dehors des missions clients : un outil open source publié, un produit en construction, des talks et des articles.
Open source · Licence MIT
recto
Apprendre par cœur avec des flashcards, dans le terminal, dans l’esprit d’Anki.
Un deck ne contient que des paires question / réponse. À l’import, un modèle écrit des variantes de chaque carte : la question posée à l’envers quand ça a du sens, et quelques reformulations. Chaque révision en pose une au hasard, si bien que vous apprenez la connaissance, pas une formulation.
Vous tapez la réponse, le modèle la note et dit ce qui manquait, et FSRS décide quand la carte revient.
# Python 3.12+ et une clé OpenAI$ uv tool install recto$ export OPENAI_API_KEY=...$ recto # Le modèle est configurable$ export RECTO_MODEL=gpt-5.4-miniComment ça marche
Le LLM fait ce qu’il fait bien, l’algorithme fait le reste.
- 1
Import d’un deck
Un fichier TOML de questions et de réponses, ou l’un des cinq decks d’exemple.
- 2
Génération des variantes
Le modèle écrit, pour chaque carte, la question inversée et quelques reformulations.
- 3
Révision
Chaque révision pose une variante tirée au hasard. Vous tapez votre réponse.
- 4
Correction
Le modèle note la réponse et explique ce qui manquait, en suivant les consignes du deck.
- 5
Planification
FSRS, un algorithme de répétition espacée, décide quand la carte revient.
Ce que ce projet montre
Un petit projet, construit comme un projet client.
Reformuler et corriger, c’est du langage : un modèle le fait bien. Planifier des révisions est un problème déjà résolu : FSRS le fait mieux, de façon déterministe et testable.
Le générateur de variantes et le correcteur sont des ports. PydanticAI n’est qu’un adaptateur : changer de modèle ou de fournisseur ne touche pas au métier.
Les cas d’usage tournent sur un dépôt en mémoire, un faux générateur, un faux correcteur et une horloge fixe. L’interface est testée en headless avec le Pilot de Textual, SQLite contre un vrai fichier.
La CI construit le paquet à chaque push. Chaque tag de version publie sur PyPI par trusted publishing et crée une release GitHub.
Sous le capot
Un deck est un simple fichier TOML. Les consignes optionnelles sont transmises au modèle quand il écrit les variantes et corrige les réponses.
[deck]name = "Vins"description = "Cépages, appellations et régions viticoles françaises"instructions = "Sois exigeant sur les appellations, tolérant sur l'orthographe des cépages." [[cards]]id = "chablis-cepage"question = "Quel cépage domine les vins blancs de Chablis ?"answer = "Chardonnay"src/recto/ domain/ cartes, variantes, notes, mémoire FSRS ports/ dépôt de decks, générateur, correcteur, horloge use_cases/ une classe par action adapters/ SQLite, PydanticAI, fichiers TOML, horloge tui/ écrans Textual, qui n’appellent que les cas d’usage container.py le seul endroit où les adaptateurs rejoignent les portsEn construction · Accès sur invitation
FactUp Live
Du fact-checking en direct : les affirmations sont vérifiées pendant qu’elles sont prononcées.
FactUp Live écoute une conversation et la transcrit en direct, en français ou en anglais. Les affirmations vérifiables (chiffres, dates, déclarations) sont repérées automatiquement, puis confrontées au web : chacune reçoit un verdict, une explication et ses sources.
Le point de départ, c’est la loi de Brandolini : réfuter une affirmation fausse demande bien plus d’énergie que de la lancer. L’idée est de ramener la vérification à la vitesse de la parole.
Le produit est en cours de construction, et l’accès se fait sur invitation pour le moment.
Échelle de verdicts
- Vrai
- Plutôt vrai
- Plutôt faux
- Faux
- Invérifiable
Loi de Brandolini
« La quantité d’énergie nécessaire pour réfuter du baratin est d’un ordre de grandeur supérieure à celle nécessaire pour le produire. »
01
Enregistrer
Un débat, une interview, un conseil municipal : la transcription s’affiche en direct.
02
Repérer
Seules les affirmations vérifiables sont retenues. Les opinions restent hors du périmètre.
03
Vérifier
Chaque affirmation est confrontée au web : verdict, explication et sources citées.
04
Publier
La transcription vérifiée devient une page publique, à partager en un lien.
Les principes
Les mêmes exigences que pour un projet IA client, sur un problème où la moindre erreur se voit tout de suite.
Chaque verdict s’appuie sur des sources récupérées et citées. Jamais de « fais-moi confiance ».
Chiffres, dates, déclarations : seules les affirmations qui méritent une vérification sont retenues, les opinions sont laissées de côté.
Transcription et vérification se font en direct, pendant que la discussion continue. Un verdict qui arrive trois heures plus tard ne sert plus à rien.
Talks et articles
Retours d’expérience publiés sur le blog.
Un projet IA à construire avec la même rigueur ?
Parlons de votre contexte, de vos données et de ce qui doit arriver en production.