Entreprises avec lesquelles j'ai travaillé

L'idée

Les données perso vivent d'habitude dans des applis séparées qui ne communiquent pas : une appli bancaire, une pour les notes, une liste de tâches, chacune avec son compte. Everyday réunit tout dans un seul compte auto-hébergé, chiffré au repos, que j'héberge et gère moi-même.

Ce que ça fait

L'app couvre plusieurs pans du quotidien. Chacun fonctionne seul, et l'assistant peut agir sur l'ensemble.

• Finances : suivi du patrimoine, budgets, objectifs d'épargne, rééquilibrage de portefeuille et analyse des dépenses à partir de relevés importés.
• Repas : un carnet de recettes en Markdown, avec des couvertures générées par IA et un journal de ce que j'ai cuisiné.
• Wiki : une base de connaissances perso avec des liens entre les notes.
• Tâches : des todos reliés à un planning Gantt et Kanban, à côté d'un journal daté.
• Garde-robe : un inventaire de vêtements avec un assistant de style IA et de la génération d'images.
• Assistant : un compagnon de chat qui touche à tout ce qui précède.

Pourquoi c'est agentique

L'assistant agit directement sur l'app via un jeu d'outils, basé sur le Model Context Protocol, ce qui lui permet de lire et de modifier les données réelles : finances, notes, tâches et le reste. Il se souvient des conversations précédentes, envoie une relance quand ça vaut le coup, et fonctionne depuis l'app web comme depuis Telegram.

Sous le capot

Toute la base de code est en TypeScript, au front comme au back. Chaque partie tourne dans son conteneur, et les livraisons passent par une CI.

• React 19 et Vite au front, Fastify et MongoDB au back.
• Les champs personnels sont chiffrés un par un au repos, en AES-256-GCM.
• Redis fait tourner les traitements de fond, et les fichiers sont stockés sur Cloudflare R2.
• L'IA fonctionne avec la clé de chacun : chaque utilisateur configure son fournisseur, et les clés sont conservées chiffrées.
• Tout est livré via Docker, avec releases et déploiements pilotés par GitLab CI/CD.

Statut

C'est un projet perso que j'utilise et maintiens activement, auto-hébergé et déjà en production pour mon propre usage. J'ajoute des fonctionnalités petit à petit, je corrige les bugs et je tiens le logiciel à jour.

L'idée

Sur la plupart des plateformes, créer un personnage revient à remplir un long formulaire : description physique, histoire, phrase d'accueil, tags, et un avatar à trouver ou à dessiner. C'est fastidieux, et beaucoup abandonnent avant que le personnage soit vraiment réussi. Amadeus part d'un nom et de quelques traits de personnalité, rédige le reste, et génère un portrait assorti. Tout ce qu'il produit est un premier jet, et l'ensemble reste modifiable ensuite.

Ce que ça fait

L'app a deux parties : créer des personnages, et discuter avec eux.

• Création guidée : à partir d'un nom et de quelques traits, elle rédige une description, une histoire, des phrases d'accueil et des tags.
• Génération du portrait, recadré automatiquement autour du visage en avatar, vignette et grand format.
• Un studio d'images pour retoucher un portrait à partir d'une consigne écrite, prévisualiser le résultat, puis le garder ou l'annuler.
• Un chat de roleplay qui conserve tout son historique, avec un prompt système construit à partir du profil du personnage.
• Recherche sur les personnages et les tags, plus des suggestions de personnages sémantiquement proches.
• Personnages publics et privés, likes, favoris, signalements, et export en carte de personnage PNG.

La part agentique

Créer un personnage passe par une série d'appels au modèle. Le premier gère l'apparence, un autre l'histoire, puis la phrase d'accueil, puis les tags. Chaque étape a ses propres instructions et son nettoyage, et chacune alimente la suivante. Le texte obtenu sert ensuite de prompt pour le modèle d'image. Le pipeline appelle aussi plusieurs services de lui-même : génération d'images, détection du visage, calcul d'embeddings, recherche vectorielle, stockage objet et indexation. Les fournisseurs de modèles sont chaînés : si l'un tombe, le suivant prend le relais sans interrompre la conversation. Un mot sur le terme « agentique », facile à survendre : il s'agit d'orchestration avec repli et workers en arrière-plan. Le modèle ne choisit pas ses objectifs ; l'ordre des étapes et les appels d'outils sont entièrement écrits dans le code.

Approche technique

React et TypeScript au front, FastAPI au back. Chaque responsabilité tourne dans son propre conteneur, pour qu'une brique lente ou en panne n'entraîne pas le reste.

• Front : React, TypeScript, Vite, Tailwind, React Query et Zustand.
• API : FastAPI, entièrement asynchrone, découpée en endpoints, services et repositories.
• Stockage : PostgreSQL avec pgvector, MongoDB pour les conversations, Redis pour le cache et la file de tâches.
• Traitements de fond : des workers Celery pour les embeddings, les compteurs et la reconstruction d'index.
• Recherche : Meilisearch pour le texte, et un service FAISS séparé en gRPC pour les vecteurs.
• Infra : un Docker Compose par environnement, Loki et Promtail pour les logs, et S3 avec URLs CDN signées pour les images.

Statut actuel

Développement arrêté. Je ne me retrouve pas dans les valeurs de ce marché, et je ne crois pas qu'on puisse garantir une IA conversationnelle sûre pour tout le monde, une limite intrinsèque à cette technologie.