Felix · Renaud — Développeur Python

Felix│Assistant de continuité IA pour scénaristes qui bossent sur des récits complexes, multi-époques.
 
PourquoiUn pote écrit des scénarios — des thrillers tordus avec des timelines entrelacées,
des dizaines de personnages, et des pièges de continuité à chaque page. Il gérait tout
dans des tableurs. Je me suis dit qu'un graphe de connaissances + LLM pouvait
faire le taf : parser le texte brut des scènes, construire le graphe,
et laisser le scénariste poser ses questions en langage naturel.
Ce que ça faitTu déposes du texte, Felix s'occupe du reste :
▸Extraction — Des agents LLM extraient entités, relations et
événements du texte brut
▸Graphe — Fusion floue dans Neo4j. Le schéma n'est pas figé :
un « profil » définit les types d'entités et le vocabulaire de
relations du domaine
▸Vérification — Bilocalisation, contradictions temporelles
(« il agit deux scènes après sa mort ») détectées en raisonnant
sur la chronologie d'événements de chaque entité
▸Interrogation — Questions en langage naturel, fiches d'entités
générées depuis le graphe
Du 100 % local à l'API (le pivot)Le projet est parti d'une contrainte dure : tout devait tourner en local
sur un Mac M4, avec Qwen2.5-7B via LM Studio. L'extraction d'entités
tenait à coups de garde-fous, mais le raisonnement narratif d'un 7B,
non. Plutôt que de m'acharner contre le hardware, j'ai pivoté vers
l'API Mistral (mistral-small) — en gardant la philosophie petit
modèle + outils ciblés. Les garde-fous, eux, ont survécu au pivot :
c'est eux le vrai produit.
Le vrai défi : cadrer le LLMUn LLM qui écrit dans un graphe invente des entités, des relations,
des rebondissements. Tout le travail consiste à l'en empêcher :
▸Relations typées, vocabulaire dur — appliqué à l'écriture dans le
graphe : un type de relation hors vocabulaire est refusé, pas stocké
▸Les états bornés dans le temps sont des événements — la mort, la
prison, un poste : des événements ordonnés, pas des propriétés. Le
checker de cohérence raisonne dessus de façon déterministe
▸Eval-first — chaque comportement du moteur a son éval rejouable
avec apte : unitaires,
sondes d'intégration, scénarios complets de bout en bout
Stack▸FastAPI + Neo4j 5 (async) + ChromaDB
▸Agents Pydantic AI + API Mistral (LM Studio reste branchable pour le local)
▸Nuxt 3 + Nuxt UI (front « papier »)
▸apte pour la suite d'évals
▸Python 3.12, mypy strict, Ruff
Ce que j'ai apprisModéliser un graphe pour des données narratives, c'est étonnamment tordu —
à partir de quand une mention de personnage devient un nœud plutôt qu'une
propriété ? Comment fusionner des entités entre des scènes écrites à des
mois d'intervalle ?
Un vocabulaire de relations laissé libre dérive toujours — le valider
durement à l'écriture a éliminé une classe entière de bugs d'un coup.
Et on ne pilote pas un agent LLM sans harnais d'évals : ici, chaque
correction commence par une éval qui échoue.
Le murJ'ai touché un mur assez net entre ce que je voulais faire et ce que
les petits modèles que j'utilisais pouvaient faire. L'extraction tient.
Le raisonnement narratif, la fusion d'entités entre des scènes écrites
à des mois d'intervalle, la retenue (ne rien écrire sur un simple
« salut »), non : un 7B invente, et mistral-small invente encore. Les
garde-fous limitent les dégâts, ils ne remplacent pas un modèle qui
comprend le récit.
StatutEn pause depuis juin 2026, point de reprise documenté dans le
journal. Le moteur tourne sur un vrai scénario et « scénario »
n'est qu'un profil parmi d'autres (un profil « chantier » existe).