← Systèmes intelligents ambiants

Seer : l’affirmation de la récupération personnalisée

Partie I — Le serveur · Chapitre 1 sur 9

Tout a commencé le 23 octobre 2025, avec un serveur appelé Seer.

Pas une application, pas un agent, pas une surcouche autour d’une complétion de chat — un serveur, parce que ce que je voulais construire ne pouvait pas vivre dans un prompt. Je voulais un assistant dont la récupération me connaissait : lesquels de mes documents comptent vraiment pour moi, quelles idées je reprends, quelles sources je crois — appris à partir du comportement, pas déclaré dans un panneau de réglages. Tout le reste de ce livre descend de cette décision ; ce chapitre porte donc sur ce qu’est Seer, et sur le premier regard honnête que j’ai posé dessus.

Un serveur qui raisonne

Seer est devenu la voie de raisonnement du système final : la voix, la récupération et l’autorité d’identité. Il possède chaque parole prononcée et tout l’ancrage par génération augmentée par la récupération ; un client envoie des messages de conversation et une portée de récupération, et reçoit de la prose en retour. Il médiatise l’authentification, et il renvoie ce que la plupart des systèmes ne renvoient pas : des spans d’attribution par propriétaire — quels caractères de la réponse ont été façonnés par le contexte de qui, avec des poids d’influence. Dès le début, je voulais que la provenance soit une sortie de première classe, pas une entrée de journal. Cette décision paraît mineure ici ; elle devient porteuse au chapitre 9.

L’intérieur comptait trois sous-systèmes nommés, dont les noms reviendront : Sinatra, le moteur de personnalisation ; Oracle, le maillage de récupération pair à pair ; Gita, la couche d’attribution.

Sinatra : la boucle de rétroaction

Sinatra est le mécanisme qui rend la récupération personnelle. Chaque récupération se gare — atterrit dans un tour. Les tours suivants de l’utilisateur portent une réaction, et cette réaction est notée comme un sentiment. Le sentiment entraîne un petit arbre à gradient boosting. L’arbre reclasse la récupération suivante. Garer, sentiment, entraîner, inférer — une boucle fermée qui court sur des tours consécutifs d’une conversation ordinaire, sans aucune interface de retour explicite.

Diagramme
Rendu du diagramme

Les features sont la partie inhabituelle. J’ai emprunté les indicateurs MACD et stochastique — des instruments de tendance et d’élan issus de l’analyse de marché — et je les ai calculés sur l’engagement plutôt que sur le prix. En mars 2026, j’ai soumis toute l’architecture à une revue aussi froide que j’ai pu la mener, et la moitié « points forts » de cette revue mérite d’être citée telle qu’elle a été écrite :

Note de terrain — 2026-03-06. « La boucle de rétroaction de Sinatra est la partie la plus intéressante. Garer → sentiment → entraîner → inférer sur des tours consécutifs est une conception propre. Utiliser MACD et les indicateurs stochastiques comme features d’un GBT est inhabituel mais défendable — ces signaux capturent la tendance et l’élan de l’engagement dans le temps, ce qui est exactement la bonne forme du problème. […] Le découplage d’Oracle est bien fait. OracleDelegate et OracleTransport comme protocoles séparés signifient que la logique P2P, la base de données et le format de transmission sont réellement indépendants. […] Le système de score de confiance sur les arêtes s’autocorrige. Les pairs peu fiables coulent organiquement sans aucune intervention manuelle. »

L’engagement avec votre propre savoir est une série temporelle. Il a une tendance, un élan, il revient vers la moyenne. Le traiter ainsi voulait dire que les features du modèle capturaient comment votre intérêt évolue, et pas seulement vers quoi il pointait la dernière fois.

Oracle, Gita, et les dettes

Oracle était l’ambitieux : un maillage pair à pair où des nœuds spécialisés répondent aux requêtes de récupération les uns des autres, avec des scores de confiance sur les arêtes qui décroissent quand un pair renvoie du déchet — de sorte que les pairs peu fiables coulent organiquement, sans modération. Son découplage était réellement bon ; sa valeur a été différée, et la revue le disait : avec un ou deux nœuds, un maillage ajoute de la latence et de la complexité pour un gain marginal. Le retour sur investissement exige beaucoup de nœuds aux connaissances qui ne se recouvrent pas.

Gita calculait des poids d’attribution sur ces spans — une couche construite avant son heure, et la revue a été franche sur ce point précis.

Et la revue a continué, dans les parties qu’il m’appartenait de corriger. Au moment de la revue : Sinatra avait besoin d’une série d’interactions avant même de générer des features et de plusieurs échantillons avant de s’entraîner, de sorte que les premières conversations de chaque nouvel utilisateur tournaient sur la récupération par défaut — un démarrage à froid documenté nulle part. Le seuil de pertinence était codé en dur à trois endroits, couplant silencieusement tout le comportement du fan-out à la distribution des distances d’un seul modèle d’embedding. Le GBT se réentraînait entièrement à chaque tour de chat — en moins d’une milliseconde à cette échelle, mais l’historique des interactions n’avait aucun plafond, si bien que la courbe de coût montait avec chaque utilisateur intensif. Et un backend managé servait à la fois d’authentification et de journalisation, un point de défaillance unique portant deux casquettes.

J’inclus les dettes à cause de ce que la revue était, pas seulement de ce qu’elle a trouvé. Les enseignements que j’ai notés ce jour-là — améliorer la recherche ; repenser le réentraînement et ce que l’historique des interactions signifie même ; rendre le seuil de pertinence dynamique selon le jeu de données ; différer le maillage mais en garder les motifs — sont devenus la vraie feuille de route. Les chapitres 2 et 3 sont deux de ces enseignements, poursuivis jusqu’à leurs conclusions.

L’affirmation, énoncée

La revue s’est terminée en nommant l’affirmation qui sous-tend tout, et ce qu’il faudrait pour la mesurer :

Note de terrain — 2026-03-06. « […] c’est la récupération personnalisée — et pas seulement une meilleure génération — qui fait qu’un assistant d’IA donne l’impression d’être le vôtre. […] Savoir si cela fonctionne bien en pratique dépend entièrement de la capacité des features du GBT à capturer quelque chose de réel sur les préférences de récupération de l’utilisateur, ce qui est une question empirique dont vous n’aurez la réponse que lorsque ce sera entre les mains de vrais utilisateurs. »

Lisez cela sur fond du paysage industriel du début 2026 : la qualité des modèles se banalisait vite, et la « personnalisation » de presque tout le monde était un fichier texte de faits mémorisés injecté dans un prompt. L’affirmation était que la différenciation vivrait sous la génération — dans une infrastructure qui apprend, personne par personne, ce qui mérite d’être récupéré.

Une dernière chose survit de ce chapitre, et c’est une méthode plutôt qu’un mécanisme. Cette revue de mars — adversariale, écrite, datée — était le système qui s’observait honnêtement et réinjectait l’observation dans la conception. Chaque partie ultérieure de cette pile a cette forme : des registres qui consignent ce que la récupération a réellement fait, des reçus qui consignent ce que l’exécution a réellement changé, des axes de provenance qui consignent comment un fait est connu. L’habitude a commencé ici.

La revue sans complaisance a été le premier instrument ambiant — le système se construisait en s’observant honnêtement.

Ce qui survit dans le paradigme : une récupération qui apprend la personne.