Ce qui m’a fait gagner le plus de temps ces six derniers mois, c’est le Brain.
Depuis, j’en ai fait une obsession : avoir le Brain le plus performant possible.
Je vous raconte comment j’ai explosé ma productivité, et où va le Brain de demain.
Au départ, le Brain tenait dans Obsidian, quelques fichiers Markdown et Git. Puis j’ai ajouté les claims atomiques, les embeddings, le graph, plusieurs mémoires et les workflows d’ingestion.
Il me permet déjà de retrouver une information en quelques secondes et de produire des livrables sans réexpliquer mon entreprise à chaque conversation.
Tout ça m’a fait gagner un temps fou. Puis j’ai buté sur une limite que ni le search, ni les embeddings, ni le graph ne réglaient.
Un agent peut retrouver le bon passage en quelques secondes et quand même ne pas savoir ce qui s’est réellement passé.
Il a des traces. Il n’a pas encore de monde sur lequel calculer.
C’est là qu’une simple mémoire d’entreprise ne suffit plus.
Le Brain doit reconstruire les situations derrière les documents, distinguer les sources de leurs affirmations et conserver leurs désaccords.
C’est de là que sort le papier théorique complet sur MRFS que je publie aujourd’hui, en anglais, sur GitHub.
Le problème arrive avant la recherche
Prenons un exemple simple. Un mail affirme qu’un paiement a eu lieu le 3 mai. Un deuxième document conteste ce paiement. Une troisième source corrige le montant.
Un moteur de recherche peut retrouver les trois passages. Un RAG peut les remettre dans le contexte du modèle. Un graph plat peut en faire trois claims reliés à quelques entités.
Mais de quoi parlent exactement ces documents ?
Est-ce le même paiement décrit trois fois ? Deux paiements différents ? Qui affirme quoi ? La deuxième source nie-t-elle le paiement, sa date ou son montant ?
La correction remplace-t-elle une information ou rapporte-t-elle une autre version ? Quelle phrase vient de quelle source ? Sur quelle preuve s’appuie-t-elle ?
Tant que ces questions ne sont pas traitées, la donnée n’est pas réellement structurée. Elle est rangée.
Pour mon agent de facturation en production, c’est très concret. Il ne doit pas seulement résumer un dossier.
Il doit savoir qui a dit quoi, ce qui est contesté et sur quelle pièce il peut s’appuyer avant de préparer une facture ou de me signaler un problème.
La recherche vient ensuite. Avant de rechercher dans le monde de l’agent, il faut lui donner une méthode pour le reconstruire.
MRFS
On a fini par appeler cette méthode MRFS : Modèle de reconstitution factuelle sourcée.
Le mot « factuelle » peut prêter à confusion. MRFS n’établit pas la vérité. Il reconstruit des situations candidates avec les désaccords, les incertitudes et l’histoire de leurs sources.
Tu pars d’une trace : un document, une conversation, une image, un signal. Tu en tires une observation qui conserve la représentation concrète, la mention et le passage précis dont elle vient.
La proposition est le contenu interprétable. Dans notre exemple : un paiement, un payeur, un bénéficiaire, un montant, peut-être une date.
Si la date est absente, elle reste absente. Une valeur probable n’est pas une valeur connue.
L’assertion relie ce contenu à une source et à une perspective. Une source affirme, une autre nie, une troisième rapporte ou corrige.
C’est ici que vivent les statuts comme « allégué », « contesté », « corroboré » ou « révisé ».
Ces assertions semblent viser quelque chose dans le monde : une situation candidate. Son existence dans le graph ne dit jamais qu’elle est vraie.
Elle donne à l’agent un objet pour comparer les versions, raisonner dessus et conserver leur provenance. La qualification cognitive vient seulement après.
Une contestation ne vient plus écraser une allégation. Une correction ne détruit pas l’historique. Deux sources peuvent parler de la même situation sans être artificiellement fusionnées.
Deux événements proches peuvent aussi rester distincts tant qu’on n’a pas de quoi les réunir.
Pas besoin de choisir trop tôt la phrase qui « gagne ». Il faut d’abord représenter proprement le dossier.
Le graph comme circuit
J’utilise souvent l’image des rails.
Le LLM est une machine à calculer gargantuesque. Il avale ce qu’on lui donne, combine, infère et produit.
Le graph ajoute des routes explicites et rejouables au-dessus de cette machine. Il conserve les identités, les compositions, les dépendances, la provenance et les chemins que le calcul peut emprunter. C’est en tout cas le pari.
Le graph est une projection calculable de ce que le Brain a reconstruit jusqu’ici. La vérité ne vient pas avec.
Chaque nœud ou relation importante doit pouvoir revenir à une trace ou à une opération identifiable.
Sinon le graph se fabrique sa propre autorité, et on retombe dans le piège : une machine qui te sort une inférence comme un fait parce qu’elle l’a écrite quelque part.
C’est ça, le substrat cognitif gouverné : le Brain ne stocke pas seulement des trucs. Il gouverne les objets sur lesquels l’agent a le droit de calculer et ce qu’il peut leur faire.
Au niveau matériel, il y a des structures de données et des tokens. Je pense que, pour l’agent, une situation, une règle, une procédure ou une stratégie peut devenir un vrai objet de travail.
Plus une phrase flottante dans le contexte.
L’unité, l’acte et le binding
Pour l’instant, le noyau que je propose tient en deux objets et une façon de les relier.
Une unité cognitive (CognitiveUnit), c’est un objet que le Brain peut prendre d’un bloc : le rappeler, le comparer, le qualifier ou le transformer.
Une proposition, une situation, une règle ou une procédure peuvent devenir des unités.
Un acte cognitif (CognitiveAct), c’est l’opération concrète et traçable. Comparer deux versions, ouvrir une unité ou en produire une nouvelle, ce sont des actes.
Le binding (CognitiveBinding) relie des unités ou associe un rôle à ce qui le remplit.
Dans le paiement, coller le rôle payeur à Alice, c’est le binding. Créer ce lien, le vérifier ou le retirer : ce sont des actes.
Je préfère garder ce noyau aussi petit que possible. On n’a donc pas ajouté un nouvel atome pour chaque relation imaginable.
Si le lien lui-même doit être sourcé, contesté, daté ou révisé, le Brain le traite comme une unité relationnelle à part entière.
Ça conduit à une idée qui me paraît importante : il n’existe probablement pas d’atome cognitif universel.
Le paiement du 3 mai peut être atomique pour un acte qui le place dans une chronologie. Il devient composite lorsque l’agent doit vérifier son montant.
Une unité est atomique quand l’acte qui la traite n’a pas besoin de l’ouvrir. L’atome dépend de l’acte, de la granularité, du périmètre et du contexte.
Et ensuite, qu’est-ce qu’on met en mémoire ?
Une autre question est arrivée assez vite : une fois la situation reconstruite, qu’est-ce qu’elle devient dans la mémoire ?
Un événement particulier et situé dans le temps peut devenir un épisode. Une régularité indépendante de son contexte peut devenir une connaissance sémantique.
Une suite d’actions reproductible peut devenir une procédure. Une stratégie, une identité durable ou un modèle causal demandent encore d’autres qualifications.
On ne peut pas décider correctement de cette nature au moment où l’on découpe le document. Il faut avoir reconstruit le contenu avant.
Tu reconstruis d’abord. Ensuite tu qualifies. Ensuite seulement tu consolides.
« Contesté » et « épisode », c’est pas la même question. L’un dit quel rapport les sources entretiennent avec le contenu. L’autre dit ce que l’objet est pour le système.
Le Brain comme harness
J’ai une intuition depuis quelque temps : le Brain finira par être le harness.
Un harness donne aujourd’hui au modèle une boucle d’exécution, des outils, un contexte et des règles.
Le Brain ajoute les objets persistants sur lesquels l’agent travaille, la façon dont ils ont été reconstruits et les opérations qu’il est autorisé à leur appliquer.
La fusion logique arrivera avec le runtime. C’est lui qui devra choisir un acte, sa granularité, les unités à mobiliser, les outils nécessaires et les effets permis.
Ce runtime n’est pas encore intégré au Brain. C’est la trajectoire.
On retrouve alors trois couches assez nettes.
MRFS travaille sur les situations que l’agent reconstruit à partir des traces. SvL dit quel agent a le droit de faire quoi, sur quel livrable, sous quelle responsabilité et comment on l’audite.
L’ontologie fait le travail propre au métier. Elle définit ce qu’un avocat, une entreprise de biodéchets, un hôtel ou un comptable reconnaissent comme entités, rôles, relations et situations.
MRFS fournit une grammaire générale. Chaque métier lui donne son monde.
Pourquoi publier maintenant
Cette v1.0 est un papier de position théorique, écrit avant l’expérience. Pas de peer review, zéro résultat à montrer.
On sort les distinctions et les hypothèses avant d’avoir des résultats. Comme ça, le projet est attaquable : les mots sont posés, les paris aussi.
On regardera surtout si MRFS garde mieux les conflits entre sources, qui a dit quoi, les mentions d’une même situation sans tout fusionner et un vrai chemin de provenance.
Si les annotateurs n’arrivent pas à distinguer de façon stable une proposition, une assertion et une situation, j’ai un problème.
Si MRFS n’apporte rien face à un graph plat à budget comparable, j’en ai un autre. Et si les résultats ne tiennent que sur nos exemples, ils ne vaudront pas grand-chose.
C’est la partie qui m’intéresse maintenant : construire assez précisément cette intuition pour pouvoir essayer de la casser.
Le programme de recherche Ambactos publiera le protocole et les résultats séparément. Le papier actuel reste accessible dans sa version théorique complète.
Si vous voyez une confusion conceptuelle ou une distinction qui ne tient pas, je veux la connaître. À ce stade, une objection précise vaut plus qu’un compliment.