Doolta

Mnemos

Mémoire locale et vérifiable pour agents IA : chaque réponse cite sa source exacte, sans base vectorielle ni infrastructure lourde.

Détails du projet

Problème réelUn agent IA (Claude Code par exemple) oublie le contexte du projet d’une session à l’autre : il ignore vos ADR, invente des réponses au lieu de lire la documentation existante, et ne peut pas citer sa source de façon fiable.
ContraintesRester strictement local-first : aucune donnée ne doit sortir du poste, pas de base vectorielle à opérer, pas d’Ollama, pas de service Python ou Node à maintenir. Produire des réponses vérifiables plutôt que plausibles. Permettre l’écriture par l’agent sans risque : lecture seule par défaut, écritures confinées à un chemin, contenu scanné pour les secrets.
Choix structurantsBinaire Go unique, sans cgo, auto-suffisant, qui embarque un serveur MCP, un pipeline d’indexation, un stockage SQLite et une recherche plein texte. Format de connaissance en markdown brut : n’importe quel dossier de fichiers Markdown fonctionne tel quel. Chaque résultat cite précisément le fichier, la section et la plage de lignes exacte. Recherche lexicale SQLite FTS5/bm25 par défaut, recherche sémantique et hybride optionnelle derrière un flag de build.
Preuve aujourd'huiOutil publié, testé en continu, versionné, sous licence MIT. La qualité de récupération est mesurée et non simplement affirmée : une commande d’évaluation dérive automatiquement des paires question/source à partir d’une base de connaissances et rapporte des métriques de précision (recherche lexicale par défaut à 0,83, mode hybride à 1,00 sur le jeu d’exemple fourni).
Offre associéePreuve de capacité en systèmes de connaissance IA vérifiables et local-first : conception sur mesure sur demande. Nous contacter.

Une mémoire que l’agent peut citer, pas inventer

Un agent IA bien outillé reste amnésique d’une session à l’autre : il ne sait pas pourquoi une architecture a été choisie, ignore les décisions déjà actées, et comble les trous par des réponses plausibles mais non sourcées. Mnemos ferme cet écart en donnant à l’agent une mémoire locale, indexée, et citable : chaque réponse pointe vers le fichier, la section et les lignes exactes d’où elle vient.

Zéro infrastructure, une seule dépendance : vos fichiers

Pas de base vectorielle à opérer, pas de service Python ou Node à maintenir, pas de télémétrie. Un seul binaire Go auto-suffisant embarque le serveur MCP, l’indexation, le stockage et la recherche. N’importe quel dossier de documentation Markdown devient une base de connaissances exploitable telle quelle.

La qualité de recherche, mesurée plutôt que promise

Plutôt que d’affirmer que la recherche fonctionne, le projet embarque sa propre évaluation : des paires question/source sont dérivées automatiquement d’une base de connaissances existante, puis utilisées pour mesurer la précision réelle de la récupération. C’est la même exigence de vérifiabilité que celle appliquée aux réponses de l’agent, appliquée cette fois au moteur de recherche lui-même.

Ce projet démontre une capacité directement mobilisable en mission : concevoir des systèmes IA dont chaque affirmation reste traçable jusqu’à sa source, sans dépendre d’une infrastructure lourde ni d’un fournisseur externe.