Yevi Engine v1.0 · licence MIT · aucun composant propriétaire

Le code, l'avancement réel, et ce qui ne marche pas encore

Le projet démarre. L'ingestion, l'anonymisation, l'indexation et la réponse citée tournent de bout en bout sur un corpus de démonstration, dans ce dépôt. Pas de client pilote à ce jour — cette page dit où en est chaque brique, sans enjoliver.

modules fonctionnels de bout en bout

déploiement pilote — le projet démarre

dépendance propriétaire

MIT

licence, sans clause additionnelle

État des briques

Ce qui est en production chez au moins un utilisateur, ce qui est utilisable mais jeune, et ce qui n'existe pas encore.

JEUNEcore/ingest

Pipeline d’ingestion

Lecture de fichiers .txt/.md locaux, découpage en chunks avec chevauchement. Pas encore de PDF, d’OCR ni de connecteurs SMB/S3/IMAP.

JEUNEcore/index

Index vectoriel

ChromaDB en mode embarqué, embeddings multilingues légers, recherche vectorielle simple. Pas de recherche hybride ni de reranking pour l’instant.

JEUNEcore/privacy

Anonymisation

Regex (emails, téléphones, IBAN) + NER spaCy pour les entités FR, substitution réversible. Le taux de rappel sur les noms rares reste à améliorer.

JEUNEops/serve

Serveur d’inférence

Interface LLMProvider pluggable, implémentation par défaut via Ollama en local — sans route sortante, sans clé API. Pas encore de vLLM ni de quantification AWQ.

JEUNEcore/rag

Orchestration RAG

Retrieve → prompt → generate → extraction des citations dans la réponse. La qualité de la réponse dépend fortement du modèle branché derrière LLMProvider.

JEUNEcore/audit

Traces d’audit

Journal JSONL append-only (requête, passages récupérés, passages cités, réponse). Pas d’export CSV ni de format aligné sur une attente CNIL.

À ÉCRIREapps/web

Interface utilisateur

Il n’y a pas encore d’interface de consultation. Le seul point d’entrée aujourd’hui est un script en ligne de commande.

Ce que la démo montre aujourd’hui

Trois documents fictifs (contrat de confidentialité, note interne, extrait de jurisprudence) chargés, anonymisés, indexés puis interrogés de bout en bout par un script exécutable dans le dépôt. Testé avec le plus petit modèle Ollama disponible sur un poste sans GPU dédié : le pipeline entier fonctionne — anonymisation, recherche vectorielle, citation de la source exacte — mais un modèle de cette taille reste trop faible pour rédiger une réponse complète. Avec un modèle plus capable ou une API externe branchée sur la même interface LLMProvider, la même architecture produit une vraie réponse rédigée.

documents dans le corpus de démo

0.5B

paramètres du modèle testé

Voir le script de démo (yevi/scripts/demo_end_to_end.py)

Feuille de route

À venirInterface de consultationApplication web minimale avec citations cliquables et historique par utilisateur.

À venirRecherche hybride + rerankingPassage à Qdrant avec recherche hybride et reranking, en remplacement du store vectoriel simple actuel.

À venirServeur d’inférence dédiévLLM avec quantification AWQ pour les déploiements qui disposent de GPU dédiés, en complément d’Ollama.

À venirExport CNIL des tracesFormat d’export aligné sur les attentes d’un contrôle, à valider avec un DPO externe.

À venirConnecteurs métieriManage, Alfresco et messageries d’entreprise en lecture seule.

LIMITES CONNUES

Aucun déploiement réel à ce jour — seul environnement testé : le corpus de démonstration du dépôt (3 documents).

Un petit modèle local (0.5B paramètres) cite correctement ses sources mais ne rédige pas de réponse complète : la qualité de génération dépend du modèle branché derrière LLMProvider.

L’anonymisation atteint ses limites sur les noms propres rares et les identifiants internes non standard.

Contribuer

Les connecteurs et les jeux d'évaluation sectoriels sont les contributions les plus utiles aujourd'hui. Le guide de contribution décrit la procédure de revue.

Ouvrir le dépôt

Déployer avec nous

Si les limites ci-dessus bloquent votre cas d'usage, l'audit dira franchement si le projet est prêt pour vous ou s'il faut attendre.

Réserver un audit