Un 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.

Tu déposes du texte, Felix s'occupe du reste :

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.

Un LLM qui écrit dans un graphe invente des entités, des relations, des rebondissements. Tout le travail consiste à l'en empêcher :

Modéliser 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.

En développement actif, utilisé sur un vrai scénario. Le moteur se généralise : « scénario » n'est qu'un profil parmi d'autres (un profil « chantier » existe déjà) — Felix devient un copilote de modélisation en graphe dont le domaine se branche par configuration.