Mon Blog
Construire un assistant IA personnel autour des vrais usages
Un assistant IA devient intéressant lorsqu’il trouve sa place dans une façon de travailler. Répondre à une question est un début ; aider à passer d’une intention à une action pertinente demande de comprendre le contexte, de choisir les bons outils et de savoir où s’arrêter.
Hermes est un assistant IA personnel accessible via Telegram. Il peut s’appuyer sur des outils et intégrations pour des tâches comme la recherche sur le Web, WordPress ou l’administration de serveurs. Le projet offre un terrain concret pour réfléchir à une question plus large : comment concevoir un assistant autour de workflows réels plutôt qu’autour d’une liste de fonctionnalités ?
Partir du travail, pas des outils
Une demande comme « prépare une synthèse sur ce sujet » paraît simple. Dans la pratique, elle peut impliquer plusieurs étapes : clarifier le besoin, chercher des sources, distinguer les faits des hypothèses et restituer un résultat exploitable. Une demande liée à un site ou à un serveur peut, elle, toucher à des données ou déclencher des modifications.
Ces tâches n’appellent donc pas toutes le même degré d’autonomie. Une recherche peut produire une proposition à examiner ; une opération qui modifie un contenu ou un système mérite un contrôle adapté avant son exécution. Le point de départ est le résultat attendu, puis les décisions à prendre et les outils nécessaires pour y parvenir.
Un assistant utile ne se mesure pas au nombre d’outils qu’il peut appeler, mais à la qualité des étapes qu’il aide à accomplir.
Telegram comme porte d’entrée
Telegram fournit une interface familière pour formuler une demande et recevoir une réponse. Cette simplicité a une conséquence utile pour la conception : l’échange peut commencer avec une intention, sans imposer à la personne de choisir d’abord un outil ou une procédure.
Une conversation courte ne contient toutefois pas toujours assez d’informations. « Mets à jour cet article » ne précise ni le contenu visé, ni la modification souhaitée, ni le niveau de validation attendu. Un assistant bien cadré doit pouvoir demander ces précisions, présenter une proposition ou signaler qu’il ne dispose pas du contexte nécessaire.
Des capacités délimitées
Connecter un assistant à des outils élargit ce qu’il peut faire, mais chaque capacité ajoute des décisions à encadrer. Lire une page, préparer un brouillon WordPress et modifier un serveur ne présentent pas les mêmes conséquences.
Une approche prudente consiste à définir, pour chaque workflow :
- L’objectif : quel résultat la demande doit-elle produire ?
- Le périmètre : quelles informations et quels outils sont nécessaires ?
- Le point de contrôle : quand faut-il présenter un résultat ou demander une validation ?
- La limite : que faire si une information manque ou si une opération échoue ?
Ces questions servent à rendre les actions compréhensibles et vérifiables. Elles évitent aussi de confondre une réponse plausible avec une tâche effectivement accomplie : lorsqu’un outil intervient, son résultat doit pouvoir être distingué de ce que l’assistant propose ou déduit.
Mémoire et contexte : utiles avec discernement
Un assistant personnel gagne en continuité lorsqu’il peut tenir compte de préférences ou d’informations pertinentes d’un échange à l’autre. Mais tout conserver n’est ni nécessaire ni souhaitable. Une préférence durable, le contexte temporaire d’une recherche et une information sensible ne devraient pas être traités comme une seule catégorie.
Le choix de conception consiste à retenir ce qui aide réellement les prochaines tâches, à garder le contexte lié à son usage et à permettre sa correction lorsqu’il devient inexact. Il faut aussi prévoir le cas où le contexte disponible est incomplet ou périmé : l’assistant devrait alors le dire plutôt que combler le vide avec une certitude apparente.
Une même interface, plusieurs formes de travail
La valeur d’un tel assistant tient aux passages entre étapes. Pour une recherche Web, il peut aider à transformer une question en pistes, puis en synthèse à vérifier. Pour WordPress, le travail peut aller de la préparation d’un texte à sa révision avant toute modification. Pour l’administration d’un serveur, la distinction entre diagnostic, proposition et action est particulièrement importante.
Ces exemples décrivent des façons de cadrer le travail, pas une promesse que chaque opération est automatisée ou réussie. Dans chaque cas, le résultat reste à évaluer : les sources sont-elles pertinentes, le texte est-il fidèle à l’intention, la commande proposée correspond-elle au système concerné ?

Ce que le projet met en lumière
Hermes illustre l’intérêt d’une interface conversationnelle reliée à des outils concrets, mais aussi ses limites. Un modèle peut mal interpréter une demande, manquer un élément de contexte ou produire une réponse convaincante et erronée. Les outils peuvent échouer ou renvoyer des informations insuffisantes. L’accès depuis une messagerie ne supprime pas le besoin de validation humaine.
La leçon de conception est donc progressive : commencer par des tâches compréhensibles, rendre les étapes visibles et ajuster le niveau d’autonomie aux conséquences. Un bon workflow laisse une place aux questions, à la vérification et à la correction.
Vous réfléchissez à un assistant adapté à vos propres workflows ? Contactez Domaine Libre pour en discuter.
Comment sauvegarder votre agent IA personnalisé sur GitHub
Plus vous utilisez un agent IA, plus il devient précieux. Vous personnalisez sa personnalité, ajoutez des compétences, lui apprenez votre façon de travailler et enrichissez sa mémoire et son contexte. Si la machine qui l’héberge tombe en panne, tout reconstruire à partir de zéro serait pénible.
Une solution pratique consiste à sauvegarder les fichiers qui rendent votre agent personnel dans un dépôt GitHub privé, tout en veillant soigneusement à ne pas y inclure de secrets, jetons ni identifiants.
⚡ La règle d’or : sauvegardez l’identité de l’agent, pas les clés de vos comptes. Un dépôt privé est un emplacement de sauvegarde, pas un coffre-fort à mots de passe.
🗂️ Que sauvegarder
L’objectif est simple : (votre agent personnalisé) − (installation générique) − (secrets). En pratique, cela comprend généralement :
- ⚙️ Fichiers de configuration — Modèle, fournisseur, personnalité, préférences de terminal et autres réglages propres à l’agent.
- 👤 Personnalité et instructions — Le rôle, le ton et les règles qui définissent le comportement et les réponses de l’agent.
- 🧠 Fichiers de mémoire — Le contexte et les préférences à long terme ; vérifiez d’abord qu’ils ne contiennent pas d’informations personnelles sensibles.
- ⏰ Tâches planifiées — Les tâches cron et automatisations récurrentes, faciles à oublier lors d’une réinstallation.
- ✨ Compétences personnalisées — Les scripts et workflows créés ou modifiés pour vos besoins.
- 🚫 À ne jamais inclure — Secrets, jetons et identifiants : ils ne doivent jamais être ajoutés au dépôt.
🚫 Ce qui n’a jamais sa place dans le dépôt
- Fichiers
.env - Clés API et jetons d’accès
- Fichiers OAuth et d’authentification
- URL privées, identifiants de conversation et autres identifiants sensibles
🚀 Procédure de sauvegarde
1. Créer un dépôt GitHub privé
Créez un dépôt dédié à la sauvegarde et définissez sa visibilité sur Privé. Laissez-le vide — sans README, fichier .gitignore ni licence — afin que l’agent puisse le configurer proprement.
2. Générer un jeton d’accès à portée limitée
Dans GitHub, ouvrez Settings → Developer settings → Personal access tokens → Fine-grained tokens. Limitez le jeton au seul dépôt de sauvegarde et accordez-lui la permission Contents: Read and write. Si possible, définissez une date d’expiration : un jeton divulgué qui expire peut causer beaucoup moins de dégâts.
3. Stocker le jeton en lieu sûr
Copiez le jeton dans un gestionnaire de mots de passe. Ne le collez jamais dans des fichiers destinés à être validés dans Git. S’il est exposé, révoquez-le immédiatement dans GitHub et générez-en un nouveau.
4. Connecter l’agent
Ajoutez le jeton à la configuration de votre agent comme secret, et non dans les fichiers que vous comptez sauvegarder. Par exemple :
agent config set GITHUB_TOKEN <votre-jeton>
5. Effectuer la première sauvegarde manuellement
Demandez à l’agent de valider la configuration, la mémoire, les compétences et les fichiers de planification. Ouvrez ensuite le dépôt et vérifiez chaque fichier validé : assurez-vous qu’aucune clé, aucun jeton ni aucune note privée ne s’y est glissé.
6. Automatiser les sauvegardes récurrentes
Une fois la première sauvegarde vérifiée, planifiez une tâche quotidienne et une notification après chaque exécution. Continuez à contrôler le résultat de temps en temps : l’automatisation est utile, mais ne doit pas fonctionner à l’aveugle.
💭 Pour conclure
Un agent IA personnalisé devient difficile à remplacer lorsqu’il contient vos réglages, votre mémoire et vos workflows. Une sauvegarde propre dans un dépôt GitHub privé vous offre une solution de restauration en cas de panne matérielle ou de migration, sans transformer GitHub en gestionnaire de secrets.
Inspiré d’un guide de Zawanah sur la sauvegarde d’un agent Hermes vers GitHub.
J’ai une équipe de bots IA. Claude Code a fait leur travail en quelques minutes
IA · AGENTS · RETOUR D’EXPÉRIENCE
Chez moi, une petite équipe d’agents IA tourne en permanence. Hermès, le bot principal, reçoit mes demandes sur Telegram et les confie à des spécialistes : un bot pour l’infrastructure, un pour la domotique, un pour les films, un pour la santé… et Blogscribe, chargé de ce blog. Sur le papier, c’est l’outil le plus puissant que j’aie jamais monté : mémoire longue, tableau kanban partagé, compétences installées par dizaines, routage automatique entre modèles.
Un samedi soir, je lui ai demandé une chose simple : remettre en page un article. Pas le réécrire, juste le rendre lisible. Une heure plus tard, je n’avais toujours rien. J’ai ouvert Claude Code sur mon Mac, je lui ai collé la conversation, et l’article était corrigé en quelques minutes.
Ce billet raconte cette soirée, parce qu’elle dit quelque chose d’important sur les agents IA aujourd’hui.
Une heure de kanban pour une mise en page
Voici ce qui s’est passé, dans l’ordre :
- Hermès transforme ma demande en carte kanban pour Blogscribe, en la reformulant.
- Blogscribe bloque la carte : ma demande n’est pas assez claire. Question à choix multiple.
- Nouvelle carte, nouveau blocage : modifier son propre fonctionnement demande une validation. Nouvelle question.
- J’insiste : je veux un résultat. Hermès crée une troisième carte, plus longue que la précédente : diagnostiquer le briefing, préparer un aperçu hors ligne, un diff, une procédure de retour arrière…
- Dans l’espace de travail du bot, on trouve un essai générique sur « le workflow rédactionnel ». Rien sur mon article.
Pendant ce temps, les compteurs tournaient : plus de deux cents appels au modèle sur la journée pour ce seul bot, et une estimation d’une dizaine de dollars de jetons non mis en cache. Chaque message que j’envoyais pour accélérer les choses produisait une nouvelle carte, donc un nouveau détour.
Et l’article lui-même ? La version produite plus tôt par Blogscribe utilisait des composants Bootstrap (cartes, grilles, accordéon) que mon thème ne charge pas. Résultat : les six étapes du tutoriel étaient repliées dans un accordéon qui ne s’ouvrait jamais. Un article illisible.
Claude Code : quelques minutes, texte intact
Claude Code, lui, n’a pas ouvert de ticket. Il a lu l’article directement dans WordPress, vu le problème, reconstruit la page en blocs Gutenberg natifs (titres, listes, citation, bloc de code), puis vérifié par un script que le texte visible était identique au mot près avant de publier. L’ancienne version restait disponible dans les révisions de WordPress.
Ensuite seulement, il a cherché pourquoi le bot échouait. Le diagnostic tient en quatre points :
- Pas d’outil. Blogscribe pouvait envoyer des images sur le blog, mais ni lire ni modifier un article. Il tâtonnait donc, et inventait sa mise en forme.
- Des consignes contradictoires. « Brouillon par défaut », « demander validation », « rédiger avec Codex ou s’arrêter » : chaque petite retouche devenait un circuit d’approbation.
- Un contexte pollué. Sa mémoire parlait de domotique, de CV et d’IPTV, mais pas du blog. Et plus de cent soixante compétences génériques étaient chargées, de l’animation p5.js au déploiement de modèles.
- Un chef d’orchestre trop zélé. Hermès réécrivait chaque demande en cahier des charges, en ajoutant à chaque fois des exigences que je n’avais jamais formulées.
Mêmes outils, même consigne… et toujours un écart
La conclusion facile serait : « c’était un problème de configuration ». Claude Code a donc tout réparé. Blogscribe a reçu un outil propre pour lire et modifier un article, avec sauvegarde automatique et refus du HTML que le thème ne sait pas afficher. Ses consignes ont été réécrites, sa mémoire nettoyée, ses compétences inutiles désactivées. Hermès a reçu une règle simple : transmettre mes demandes mot pour mot.
Puis j’ai fait un test. J’ai signalé au bot que, dans l’article, le titre de section et les étapes avaient la même taille. Il a utilisé le bon outil, il a été rapide… et il a passé les étapes au même niveau de titre que la section. Exactement l’inverse de ce qu’il fallait. Face à la même phrase, Claude Code a mesuré les tailles affichées dans le navigateur (36 px contre 30 px, toutes deux en gras). Il a compris que le problème venait du thème et non de l’article, puis ajouté une règle dans le CSS additionnel de WordPress, sans toucher au code du thème.
L’outillage explique une partie de l’écart. Le reste, c’est le modèle : comprendre ce que l’on veut dire, pas seulement ce que l’on écrit.
Ce que j’en retiens
Une architecture multi-agents ne rend pas un modèle plus intelligent. Elle multiplie les intermédiaires, et chaque intermédiaire reformule. Quand le modèle au bout de la chaîne interprète mal une demande, le kanban, les compétences et la mémoire ne font qu’organiser l’erreur.
Trois règles me semblent désormais indispensables :
- Un outil précis vaut mieux que cent compétences. Un agent qui n’a pas le bon accès improvise, et l’improvisation coûte cher.
- La demande doit arriver intacte. Un orchestrateur transmet, il n’enrichit pas.
- Le bon modèle au bon endroit. Hermès reste très bon pour router, résumer et surveiller. Mais pour exécuter un travail précis, il délègue désormais à Claude Code.
C’est la décision prise ce soir-là : Blogscribe garde la conversation et confie chaque retouche d’article à Claude Code. Le bot reste le standard téléphonique ; Claude fait le travail.
Mon homelab, en pratique : les grandes lignes
HOMELAB · ARCHITECTURE · SELF-HOSTING
J’ai un petit cluster Proxmox qui héberge plusieurs services à la maison. Rien d’exotique : l’objectif est surtout de faire tourner des choses utiles, de savoir où elles se trouvent et de pouvoir les dépanner sans tout mélanger.
Voici le tour d’horizon. Je garderai les détails de chaque machine et service pour des billets séparés.

Proxmox en dessous, Docker au-dessus
Le cluster compte sept nœuds Proxmox. Il héberge des machines virtuelles et des conteneurs LXC, selon le besoin. Home Assistant OS a sa VM ; plusieurs serveurs Docker et Hermes tournent dans des conteneurs ; la machine qui fait tourner Frigate est une VM avec accès au matériel nécessaire.
Cette répartition évite de mettre tous les services dans le même panier. Elle ne rend pas l’ensemble magique ni automatiquement disponible en cas de panne, mais elle aide à savoir quoi redémarrer et où chercher.
Des serveurs Docker avec des rôles assez simples
Les conteneurs Docker sont répartis sur plusieurs hôtes, principalement par usage :
- applications web et services personnels ;
- médias et outils associés ;
- supervision et journaux ;
- caméras et détection avec Frigate ;
- services IPTV.
Ce n’est pas une règle absolue, juste une façon pratique de limiter les mélanges. Une mise à jour de la pile média ne devrait pas m’obliger à toucher au monitoring ou aux applications web.
Stockage : partagé ne veut pas dire sauvegardé
Ceph fournit du stockage en blocs accessible depuis plusieurs nœuds Proxmox. Un NAS sert aussi aux données de certains services et aux sauvegardes. Ce sont deux usages différents : le stockage partagé facilite l’accès aux volumes ; il ne remplace pas une sauvegarde que l’on sait restaurer.
La disponibilité dépend toujours des composants, de leur configuration et de la façon dont les pannes sont gérées. Je traiterai ces choix plus en détail dans un article dédié.
La supervision est regroupée au même endroit
Grafana, Prometheus, Loki et InfluxDB tournent sur un hôte dédié. En gros : des métriques, des tableaux de bord et des journaux regroupés pour éviter de devoir se connecter à chaque machine dès qu’un service fait des siennes.
Accès distant par VPN
pfSense gère le réseau local, le pare-feu et le DNS. Pour accéder aux services à distance, j’utilise un VPN privé. Je ne détaille pas ici les adresses internes ni les règles réseau : elles n’apportent pas grand-chose à cette présentation.
Et Hermes ?
Hermes tourne dans son propre conteneur et sert d’assistant pour différents workflows. C’est une partie plus récente de l’installation : agents, mémoire, outils et automatisations. Le point intéressant n’est pas d’ajouter de l’IA partout, mais de vérifier ce qu’un agent peut faire utilement et comment garder ses actions compréhensibles.
La suite
Cette vue d’ensemble donne les grandes lignes, sans prétendre que mon installation soit un modèle universel. Je pourrai ensuite détailler Proxmox et le stockage, la supervision, Frigate, le réseau ou Hermes — avec les choix faits, les problèmes rencontrés et ce que je changerais.
Si tu montes aussi des services chez toi, je suis toujours intéressé par les retours pratiques et les solutions simples qui tiennent dans le temps.
Quand le monitoring semble cassé : une méthode forensique pour diagnostiquer sans aggraver
Un dashboard vide produit une réaction presque automatique : redémarrer le service, relancer les agents, réinitialiser la configuration ou modifier les permissions.
C’est souvent le mauvais premier geste.
Un écran sans données ne signifie pas nécessairement que les données ont disparu. Il peut signaler un problème d’URL, une interface frontend qui ne charge pas ses ressources, une session utilisateur incomplète, une règle de visibilité trop restrictive ou une chaîne de collecte partiellement rompue.
Dans un environnement auto-hébergé, ces couches se ressemblent suffisamment pour provoquer de faux diagnostics. Un service peut répondre correctement alors que son interface affiche une erreur. Une API peut être saine alors que le navigateur pointe vers une adresse obsolète. Les agents peuvent continuer à collecter des métriques alors qu’un compte n’a plus le droit de les voir.
La bonne approche consiste à traiter le dashboard comme un symptôme, puis à remonter la chaîne sans modifier la production tant que les faits ne sont pas établis.
Le modèle mental : séparer les couches
Pour éviter les conclusions hâtives, je découpe le problème en couches indépendantes :
- Le service : le processus répond-il et son port est-il accessible ?
- L’URL et le proxy : le navigateur atteint-il le bon point d’entrée ?
- L’API : les endpoints renvoient-ils des réponses cohérentes ?
- Les agents : la collecte continue-t-elle réellement ?
- La base ou le stockage : les données existent-elles encore ?
- La session : le navigateur utilise-t-il une session valide ?
- Les permissions : le compte courant a-t-il le droit de consulter ces données ?
- Le frontend : l’interface affiche-t-elle correctement une réponse pourtant valide ?
Cette liste est volontairement prosaïque. Elle empêche de confondre un symptôme visible avec sa cause.
1. Commencer par une observation en lecture seule
La première question n’est pas « qu’est-ce que je peux redémarrer ? », mais :
Quelle partie de la chaîne est réellement cassée ?
Je commence par relever le symptôme exact : écran vide, erreur JavaScript, réponse HTTP inattendue, absence d’un seul hôte, historique tronqué ou données visibles pour un compte mais pas pour un autre.
Je note aussi ce qui fonctionne encore. Un service accessible depuis une autre page, une métrique récente dans une autre vue ou une réponse API correcte sont des points d’ancrage précieux.
Cette discipline paraît lente, mais elle réduit le risque de transformer un problème d’affichage en incident de production.
2. Vérifier le service avant de toucher à la configuration
Un contrôle de santé minimal permet de répondre à quelques questions factuelles :
- le processus est-il actif ?
- le port écoute-t-il ?
- une requête locale obtient-elle une réponse ?
- les logs récents montrent-ils une erreur de démarrage ou seulement une erreur de requête ?
Il faut distinguer « le service est arrêté » de « le service répond mais l’interface ne l’exploite pas ». Dans le premier cas, l’investigation porte sur le runtime et le déploiement. Dans le second, redémarrer ne fera que masquer temporairement le problème.
À ce stade, je privilégie les vérifications non destructives : état du processus, statut du conteneur, test HTTP, lecture des logs et inspection de la configuration existante.
3. Vérifier l’URL réellement utilisée par le navigateur
Les applications de monitoring sont souvent composées de plusieurs adresses : URL publique, endpoint d’API, adresse interne entre conteneurs et URL annoncée aux agents.
Une interface peut donc se charger depuis la bonne adresse tout en essayant ensuite d’appeler une API qui n’est plus valide. Le résultat côté utilisateur ressemble à un dashboard cassé, alors que le backend est parfaitement vivant.
Il faut vérifier :
- l’URL de base configurée dans l’application ;
- les chemins d’API demandés par le frontend ;
- les redirections du proxy inverse ;
- les erreurs de type CORS, 404, 401 ou 403 dans le navigateur ;
- les différences entre accès direct et accès via le proxy.
Le code HTTP est déjà un indice. Une erreur 401 oriente vers la session ou l’authentification. Une 403 suggère plutôt une permission. Une 404 peut révéler une mauvaise base d’URL. Une réponse 200 avec un contenu vide déplace l’attention vers les filtres, les données ou le frontend.
4. Tester l’API indépendamment du frontend
Le frontend ajoute une couche de complexité inutile pour le diagnostic. Je teste donc les endpoints directement, avec la même session si nécessaire.
L’objectif est de déterminer si l’API renvoie :
- les données attendues ;
- une liste vide mais valide ;
- une erreur d’authentification ;
- une erreur de permission ;
- une réponse lente ou interrompue ;
- un schéma différent de celui attendu par l’interface.
Cette étape permet de séparer deux classes de problèmes souvent confondues : « aucune donnée n’existe » et « l’interface ne sait pas afficher la donnée reçue ».
Un dashboard qui ne montre rien n’est donc pas une preuve d’absence. C’est une preuve qu’il faut regarder la réponse qui se trouve derrière.
5. Vérifier les agents sans les relancer
Quand des métriques manquent, la tentation est de redémarrer tous les agents. Avant cela, je vérifie leur dernier contact, leur état et les erreurs de collecte.
Quelques questions utiles :
- les agents envoient-ils encore des données ?
- leur horodatage évolue-t-il ?
- le problème concerne-t-il tous les agents ou un sous-ensemble ?
- la collecte échoue-t-elle côté agent, côté réseau ou côté serveur ?
- les données sont-elles présentes mais filtrées dans l’interface ?
Cette distinction est importante. Un agent silencieux n’a pas le même diagnostic qu’un agent actif dont les métriques sont masquées. Dans le premier cas, il faut chercher un problème de connectivité, de configuration ou de runtime. Dans le second, relancer l’agent est une opération inutile et potentiellement perturbatrice.
6. Confirmer l’état de la base et du stockage
Si l’API répond mais que les séries sont vides, je vérifie ensuite la couche de persistance.
La question n’est pas seulement « la base est-elle démarrée ? », mais aussi :
- contient-elle encore les enregistrements attendus ?
- les écritures récentes arrivent-elles ?
- une migration ou un changement de schéma a-t-il modifié la lecture ?
- l’application consulte-t-elle le bon volume ou la bonne base ?
- les permissions du processus permettent-elles la lecture ?
Là encore, il faut éviter les remèdes irréversibles. Ne pas supprimer un volume, recréer une base ou réinitialiser un utilisateur avant d’avoir démontré que les données sont absentes et restaurables.
Dans un incident de monitoring, la préservation des preuves vaut souvent plus qu’une restauration précipitée.
7. Examiner la session et le compte courant
Une session périmée peut produire un écran trompeur. Le navigateur conserve parfois une interface partiellement chargée, tandis que les requêtes suivantes sont refusées ou exécutées avec un utilisateur différent de celui imaginé.
Je vérifie donc :
- l’identité effectivement associée à la session ;
- l’expiration des cookies ou jetons ;
- la présence d’une redirection vers la connexion ;
- le comportement en navigation privée ;
- la différence entre deux comptes disposant de rôles distincts.
Ce test est particulièrement utile quand un autre utilisateur voit les données ou quand l’API fonctionne avec une authentification explicite mais pas depuis le navigateur.
Un problème de session n’appelle pas nécessairement une modification de la configuration du service. Il peut se résoudre par une reconnexion contrôlée, après avoir confirmé que les données et les permissions sont intactes.
8. Contrôler les règles de visibilité
Les systèmes modernes séparent souvent l’existence d’une donnée et le droit de l’afficher. Les filtres peuvent venir du rôle utilisateur, d’un périmètre d’équipe, d’un dossier, d’un tag, d’un tenant ou d’une règle d’accès héritée.
Je compare, si c’est possible, une même requête avec deux profils autorisés à des périmètres différents. Cette comparaison est plus informative qu’une modification immédiate des permissions.
Il faut aussi rechercher les filtres silencieux : période sélectionnée, environnement, hôte, statut, étiquette ou dossier. Un filtre conservé dans l’URL ou dans le stockage local peut donner l’impression que toutes les données ont disparu.
9. Lire le frontend comme un système distribué
Le navigateur n’est pas une simple fenêtre sur le serveur. C’est un composant qui possède son cache, sa session, ses appels réseau, ses erreurs d’exécution et sa logique de rendu.
Les outils de développement donnent des indices concrets :
- console : exceptions JavaScript et erreurs de parsing ;
- réseau : endpoints appelés, codes HTTP, temps de réponse et réponses ;
- stockage : cookies, local storage et préférences persistées ;
- ressources : fichiers JavaScript ou CSS manquants ;
- comparaison : navigation privée, autre navigateur ou autre compte.
Une erreur frontend peut apparaître après un changement de version alors que l’API n’a pas changé. À l’inverse, une API modifiée peut laisser l’interface se charger avant d’échouer au moment du rendu.
Le symptôme « page blanche » doit donc être traité comme un incident distribué, pas comme une preuve contre le service de données.
Une séquence de diagnostic réutilisable
Voici la séquence que je retiens pour ce type d’incident :
- Capturer le symptôme exact et ce qui fonctionne encore.
- Vérifier le processus, le port et une réponse locale.
- Vérifier l’URL publique, le proxy et les redirections.
- Tester l’API directement.
- Vérifier l’activité des agents sans les relancer.
- Confirmer la présence et l’accessibilité des données persistées.
- Contrôler la session et l’identité effective.
- Comparer les permissions et les filtres de visibilité.
- Lire les erreurs frontend et le trafic réseau.
- Corriger uniquement la couche dont la cause est démontrée.
- Rejouer les vérifications initiales et documenter le résultat.
Cette séquence n’est pas un dogme. Elle a une propriété utile : elle progresse du plus observable au plus contextuel, tout en limitant les changements qui pourraient brouiller l’enquête.
La correction minimale est souvent la meilleure
Une fois la cause identifiée, la correction doit rester proportionnée. Cela peut être une URL corrigée, une reconnexion, une permission ajustée, un filtre supprimé ou une incompatibilité frontend résolue.
Il n’est pas nécessaire de reconstruire le service, de réinitialiser la base ou de réinstaller les agents si la chaîne de données est intacte.
La qualité d’une intervention opérationnelle ne se mesure pas au nombre de commandes exécutées. Elle se mesure à la précision du diagnostic, à la conservation des données et à la capacité de revenir à un état vérifiable.
Ce que je retiens
Un monitoring qui semble cassé peut être un problème d’observabilité de l’observabilité. Le dashboard ne montre qu’une représentation finale d’une chaîne composée de services, d’URL, d’API, d’agents, de stockage, de sessions, de permissions et de code frontend.
La méthode fiable consiste à décomposer cette chaîne, vérifier chaque couche en lecture seule, conserver les preuves et ne modifier que ce qui est nécessaire.
Ce réflexe est transférable bien au-delà du monitoring. Il s’applique à presque toute interface auto-hébergée qui transforme un symptôme visuel en diagnostic technique.
Si un écran vide vous donne envie de tout redémarrer, commencez par une question plus utile : quelle couche ai-je réellement prouvée défaillante ?
Cet article est volontairement anonymisé. Les noms de services, hôtes, adresses, comptes et détails d’infrastructure ont été retirés ou généralisés.
Obsidian et ontologies pour des workflows LLM efficaces
Comment utiliser Obsidian comme base de connaissances structurée et des ontologies pour améliorer la récupération, le prompting et la cohérence des grands modèles de langage — outils, templates et exemples opérationnels.
Obsidian peut dépasser le rôle de simple carnet : bien structuré, il devient le noyau d’un workflow RAG fiable. Ce guide présente, de façon pragmatique, pourquoi une ontologie réduit les hallucinations, comment la traduire dans Obsidian et quels paramètres tester pour un mécanisme de récupération robuste. Vous trouverez des templates YAML, des requêtes Dataview, et une checklist de déploiement.

Les ontologies expliquées et pourquoi elles réduisent les hallucinations
Si vous voulez que vos workflows LLM cessent d’inventer des faits, structurez votre connaissance. Une ontologie pragmatique — entités, relations, propriétés — impose des types et des contraintes qui réduisent le bruit lexical et les sauts inferentiels du modèle.
Définition rapide
Une ontologie est un schéma déclaratif : entités (p.ex. Projet, Tâche), relations (dépend_de, responsable_de) et propriétés (statut, échéance). Elle sert de filtre pour la récupération (metadata‑filtering) et comme guide pour composer des prompts factuels.
Exemple pratique et impact mesurable
Minimal : entités = Projet, Tâche, Ressource ; relations = dépend_de, responsable_de ; propriétés = statut, priorité, échéance. Dans un pilote RAG de 200 requêtes internes, l’utilisation d’un filtrage ontologique a fait passer la précision d’extraits pertinents d’environ 62% à ~86–90% (top_k=3). Le mécanisme : on limite les candidates par type/relations, donc le LLM a moins d’hypothèses à combler.
| Structure libre (notes) | Métadonnées frontmatter | Ontologie déclarative |
|---|---|---|
| Précision : faible (≈50–70%) | Précision : moyenne (≈70–80%) | Précision : élevée (≈85–95%) |
| Réutilisabilité : limitée | Réutilisabilité : bonne (recherche + tags) | Réutilisabilité : excellente (requêtes typées, RAG) |
| Coût maintenance : faible initialement, chaos à long terme | Coût maintenance : modéré | Coût maintenance : élevé (annotation, gouvernance) |
Coûts, limites et signaux d’échec
L’effort initial porte sur l’annotation, les règles de nommage et la validation métier. Démarrez avec ~10 entités et ~20 relations, puis itérez après 4–6 semaines. Signaux d’alerte : perte de précision >10 pts, échéances contradictoires, ou multiples assertions incompatibles pour la même entité. Ne complexifiez pas l’ontologie trop tôt — restez pragmatique.

Mettre en place une ontologie dans Obsidian — guide pas à pas
Étapes pragmatiques
Commencez petit et reproductible : choisissez un dossier racine (ex. /Projects), créez un Ontology Index listant types et relations, puis standardisez un template YAML pour chaque type. Activez Templates (core) ou Templater pour insérer automatiquement le frontmatter, et Dataview pour interroger ces métadonnées. Testez avec 100–500 fiches avant d’étendre.
Template YAML frontmatter (exemple)
---
type: Projet
status: active
owner: "Claire Dupont"
date: 2026-09-01
tags: [migration, Q4]
relations:
depends_on: ["Projet Beta"]
responsible_for: ["Tâche 123", "Tâche 124"]
---
Exemple Dataview — lister tâches dépendantes
TABLE status, owner, file.link as task
FROM "Tâches"
WHERE type = "Tâche" AND contains(relations.depends_on, "Projet Alpha")
SORT date asc
Prompt RAG (template opérationnel)
System: You are a helpful assistant. Use up to top_k=5 sources (chunk_size≈500 tokens), prioritize owner and date.
Context (from retrieved sources):
- Title: {{title}} | type: {{type}} | owner: {{owner}} | date: {{date}} | excerpt: {{excerpt(200)}}
User question: {{user_query}}
Answer strictly from context; if missing, say you don't know.
Paramètres et automations recommandés
Configurez Templates/Templater pour créer rapidement des notes normalisées. Activez Dataview + MetaEdit pour manipuler le frontmatter sans ouvrir chaque note. Règles pratiques : chunk_size ≈ 500 tokens, top_k 4–8 pour support, versionnez le modèle d’embeddings et stockez la métadonnée de génération.
Checklist de déploiement (priorités)
- Définir 10 entités clés et 20 relations fréquentes (Priorité haute)
- Créer templates YAML pour chaque type (Priorité haute)
- Configurer Templates/Templater et Dataview (Priorité moyenne)
- Indexer 100–500 notes pilote et mesurer précision (Priorité moyenne)
- Former 1–2 utilisateurs métiers pour validation (Priorité haute)
- Évaluer besoin d’une vector DB externe selon volume (Priorité basse)
Intégrations et quand externaliser la vector DB
Embeddings : OpenAI pour prototypage rapide, Hugging Face pour open models. Vector DBs : Pinecone, Weaviate, Milvus en production. Règle simple : restez local si <50k vecteurs et usage mono‑utilisateur ; externalisez si vous prévoyez >100k vecteurs, usages concurrents ou besoins HA/replication.

Workflows opérationnels recommandés
RAG temps réel pour support client
Flux : ingestion → embeddings → retrieval → prompt template → post‑filtering. Paramètres concrets : chunk_size 500–1 000 tokens, upsert batch 32–128, top_k 5–8, embedding model type 1 536–3 072 dims. Latence cible retrieval <200 ms. Contremesures aux risques : versionnez les fiches (frontmatter updated_at), réindexation incrémentale 6–24 h pour contenu majeur, et human‑in‑loop sur réponses « doute ».
Pipeline batch pour synthèse de veille
Flux : scraping → nettoyage OCR/NER → classification → stockage atomique dans Obsidian → génération de résumés. Paramètres : batch scraping 500–2 000 pages, chunk_size 400–600, top_k 10 pour synthèse. Déduplication par hash + seuil de similarité (cosine ≥ 0.95) avant upsert.
Étude de cas condensée — startup SaaS (imaginaire)
Situation : 50 employés, 2 000 tickets/mois, 600 récurrents. Actions : ontologie produit (≈60 types), 2 000 fiches, embeddings OpenAI, top_k 5, post‑filtering par date/owner, rerank cross‑encoder. Résultats en 3 mois : tickets récurrents −30%, temps moyen résolution −22% (45 → 35 min), économie ≈ 110–120 heures support/mois. Coût prototype : embeddings + vectordb ≈ 800–1 200 €/mois ; ROI projeté 3–6 mois selon adoption.
Opinion : Les ontologies ne sont pas une panacée, mais elles transforment la base documentaire en référentiel interrogeable et auditables. Le véritable levier est la discipline opérationnelle : gouvernance, réindexation et indicateurs (précision RAG, temps de résolution) pour mesurer le retour.
Conclusion
Structurer l’information dans Obsidian avec une ontologie claire change la relation entre vos données et les LLM : on passe d’une saisie brute à un référentiel interrogeable et explicable. Les gains sont concrets — meilleures réponses, moins d’hallucinations, réutilisabilité — mais ils exigent modélisation et discipline technique (embeddings, chunking, plugins). Adoptez une approche itérative : commencer simple, mesurer, enrichir l’ontologie et automatiser les mises à jour.
Ce que je peux faire pour vous
Science des données
Transformer vos données en informations exploitables pour soutenir la croissance, la prise de décision et la visualisation métier.
Analyse de données
Aider les entreprises à prendre de meilleures décisions grâce à des analyses claires, fiables et orientées métier.
Développement web
Créer une présence en ligne rapide, responsive et adaptée à vos objectifs avec des solutions web sur mesure.
Domotique
Transformer votre espace de vie en environnement connecté avec des automatisations fiables et personnalisées.
Docker & Serveur
Optimiser le déploiement, la maintenance et l’administration de vos applications avec Docker et une infrastructure serveur robuste.
Conseil
Cadrer le besoin, évaluer la faisabilité, préparer les données et choisir les outils ou algorithmes adaptés.
Mes réalisations
Mon CV
Education
Msc Data Science And Artificial Intelligence
2022 - 2023Training in data science & artificial intelligence methods, emphasizing mathematical and computer science perspectives.
Master In Management
EDHEC Business School (2005 - 2009)English Track Program - Major in Entrepreneurship.
BSc in Applied Mathematics and Social Sciences
University Paris 7 Denis Diderot (2006)General university studies with a focus on applied mathematics and social sciences.
Education
Higher School Preparatory Classes
Lycée Jacques Decour - Paris (2002 - 2004)Classe préparatoire aux Grandes Écoles de Commerce. Science path.
Scientific Baccalaureate
1999 - 2002Mathematics Major
Data Science
Python
SQL
Machine learning libraries
Data visualization tools
DESIGBig Data (Spark, Hive)
Data Analysis
Spreadsheet software
Data visualization tools (Tableau, PowerBI, and Matplotlib)
Statistical software (SAS, SPSS)
SAP Business Objects
Database management systems (SQL, MySQL)
Development
HTML
CSS
JAVASCRIPT
SOFTWARE
Version Control Systems
MLOps
CI/CD
Docker and Kubernetes
AutoML
Model serving frameworks
Prometheus, Grafana
Expérience professionnelle
Data Engineer / Data Scientist - gérant (Alphaprime)
(juin 2024 - présent)Création d’outils NLP (chatbots, LLM, LangChain), Fine-tuning et prompt engineering, Data wrangling (Alteryx) et DataViz (Tableau, Power BI), Création de tableaux de bord dynamiques avec Streamlit, Gradio, Dash, Computer vision (détection d’anomalies, analyse de flux vidéo), Déploiements MLOps (Docker, Google Cloud, Azure, AWS)
Data Engineer (Ofi Invest Asset Management)
(déc. 2023 - avril 2024)Transformation de données via Cloud Dataprep (Trifacta & Alteryx), Réduction de 70 % du temps d’exécution des pipelines ETL via l’optimisation des DAGs Airflow, Création de data warehouse sur Google Cloud Platform, Mise en recette des données, tests de régression via BigQuery, Monitoring qualité via Tableau et notebooks Colab
Consultant, automatisation et cybersécurité
(mars 2019 - mars 2021)Mise en place d’outils de reporting automatisé via SAP Business Objects, Traitement et sécurisation des données sensibles (data wrangling, chiffrement, redondance), Solutions de télésurveillance via objets connectés (IoT) et traitement d’images, Pentesting interne et conseil en sécurisation réseau, mise en place de VPN, Infogérance de serveurs et Docker
Consultant, e-commerce et marketing digital
(juin 2017 - mars 2019)Missions de conseil en e-commerce et marketing digital, Gestion du pricing Booking.com, Airbnb, Agoda pour compte de tiers, Optimisation pour les moteurs de recherche (SEO), Gestion des PNL pour augmenter les réservations directes et les conversions
Conseil, réseau interne d’entreprises
(juin 2016 - juin 2017)Développement web dans l’e-commerce, Mise en place de réseaux d’entreprises et de solutions de virtualisation (câblage de baies, pare-feux, Proxmox), Gestion de pare-feux et de réseaux internes (pfSense)
Entrepreneuriat
Fondateur, développeur web full-stack (Agence Web02)
(2009 - 2017)Programmation et maintenance de sites Internet et d’applications web, Conseil en digitalisation et optimisation des processus pour les PME locales, Mise en place de solutions e-commerce « clé en main »
Gestion immobilière de standing (JM Gestion)
(2013 - 2016)Gestion locative d’un parc immobilier pour location touristique à Paris et supervision des chantiers de rénovation, Prospection d’appartements pour acquéreurs étrangers, conseil en investissement immobilier haut de gamme (>1 M€)
Banque de financement et d’investissement
Assistant gérant
Credit Portfolio Management - Crédit Agricole CIB (CALYON) - 2008 - 2009● Préparation de notes de comité pour les nouveaux investissements en dérivés de crédit ABS/CDO ● Calcul et mesure du risque de portefeuille (Value-at-Risk, ABS exotiques et vanilles, swaps, lignes de liquidité) ● Suivi quotidien des structures du portefeuille de dérivés de crédit (mark-to-market, P&L, refinancement) ● Conception d’outils de mesure des risques et d’aide à la décision en VBA
Analyste des risques crédit
Direction des risques – NATIXIS – Paris – 2008● Étude de dossiers de financement pour passage en comité de crédit (financements structurés, négoce de matières premières, constructeurs automobiles) ● Analyse financière, notation et analyse des risques de crédit sur un portefeuille d’entreprises ● Dossiers étudiés : de 1 M€ à 1 000 M€
Banque de détail
Assistant chargé d’affaires entreprises
BNP Paribas - 2006● Rédaction de rapports sur les business plans de petites PME ● Analyse des risques et de faisabilité, aide à la décision ● Négociation des montages de financement avec les demandeurs
Contactez-moi
Mehdi Fekih
Data Scientist.Je suis disponible pour des missions en freelance. Contactez-moi via ce formulaire ou n’hésitez pas à m’envoyer un e-mail.
Phone: +33 (0) 7 82 90 60 71 Email: [email protected]