Epitech · 3e année · Projet de groupe
Sensai
Un copilote IA hors ligne pour journalistes d’investigation, qui source chaque affirmation.
- Python
- Ollama
- RAG
- SQLite
- MCP
- Période
- Oct. – nov. 2026
- Équipe
- Projet d’équipe, avec Manmohit509 et Alexandre Rousselle
- Code
- Voir le code
Le projet
Un journaliste reçoit une fuite de 5 000 documents internes. Il ne peut rien envoyer dans le cloud sans mettre sa source en danger.
Sensai tourne entièrement sur une machine coupée du réseau. Il indexe les documents, répond aux questions et relie chaque affirmation au document et au passage exacts dont elle provient.
Ma part
- Boucles de raisonnement ReAct, relisibles pas à pas
- Cache sémantique
- Versioning et optimisation des prompts
- Évaluation automatique et détection d’hallucinations
- Logging et monitoring
- Outils du modèle
Ce qui a été difficile
- Tout tourne hors ligne, donc sur de petits modèles locaux, qui citent moins bien leurs sources et inventent plus facilement.
- Vérifier chaque phrase d’une réponse contre les documents, sans retarder la réponse elle-même.
- Avancer à trois sur la même base de code, chacun sur ses branches, sans casser le travail des autres.
Ce que j’ai appris
- Un raisonnement d’agent doit pouvoir se relire : chaque étape dit ce qu’elle sait, ce qui lui manque et ce qu’elle va consulter.
- Mesurer avant d’optimiser un prompt : chaque version est datée et évaluée sur les mêmes questions.
- Contrôler d’abord par du code ce qui peut l’être, comme les montants, les dates et les noms, avant de demander l’avis d’un modèle.
Essayer.
Mes fonctionnalités, en vidéo
Les six fonctionnalités que j’ai développées, filmées pour la soutenance.
Ce que j’ai développé
Raisonnement ReActMa fonctionnalité
Sensai raisonne pas à pas : ce qu’il sait, ce qui manque, quel document ou outil consulter. Chaque étape se relit.
Cache sémantiqueMa fonctionnalité
Une question proche d’une question déjà posée reçoit la même réponse, sans rappeler le modèle.
Optimisation des promptsMa fonctionnalité
Les meilleures réponses servent d’exemples au modèle pour les questions suivantes.
Versions du promptMa fonctionnalité
Chaque changement du prompt système est une version datée, comparable, mesurable et réversible.
Détection d’hallucinationsMa fonctionnalité
Chaque affirmation générée est vérifiée contre les documents sources. Ce qui n’est pas étayé est signalé.
Logs et monitoringMa fonctionnalité
Chaque message est journalisé avec son prompt, ses outils, son temps et ses tokens. /stats résume le tout.
Comment Sensai retrouve le bon passage
La recherche documentaire, de l’indexation à la réponse sourcée.
Étape 1SQLite
Indexation
PDF, e-mails, tableurs : le texte est découpé en passages d’environ 1 200 caractères, vectorisés avec Ollama.
Étape 2cosinus + BM25
Recherche hybride
Les 30 passages les plus proches par le sens et les 30 meilleurs par mots-clés, fusionnés par leurs rangs.
Étape 3cross-encoder
Reranking
Un second modèle lit la question et chaque passage ensemble, et note sa pertinence de 0 à 1.
Étape 4
Seuil
Sous le seuil, un passage n’atteint jamais le modèle. Si rien ne passe, Sensai dit que les documents ne répondent pas.
Étape 5
Réponse sourcée
Chaque affirmation renvoie au document et au passage exacts dont elle provient.
Le reste de Sensai
Les fonctionnalités développées par mes coéquipiers, pour voir le produit entier.
Agents
Orchestration multi-agents
Validation humaine
Personas
Recherche documentaire
Recherche dans les documents
RAG avancé
Mémoire
Sessions et profil
Budget de tokens et compression
Mémoire structurée
Document de travail
Outils
Serveurs MCP
Exécution de code
Recherche web
Accès aux fichiers
Sorties structurées
Évaluation et sécurité
Garde-fous
Tests adverses
Expérience
Interface web
Branches et interruption
Export et lien public
Questions à l’utilisateur
Tâches planifiées