Ce que j'ai construit
Chaque projet est parti d'un vrai problème — et s'est transformé en un système que j'utilise réellement.
task-board.md Task Router Agent — une couche d'orchestration à machine à états, dans un fichier Markdown
Tourne en continu sur ma machine · sans dépendre d'une session · auto-réparation intégrée
Un runtime de tâches piloté par LLM, où un simple fichier Markdown sert de plan de contrôle. Machine à états typée + protocole single-writer + auto-réparation. L’insight qui fait la différence : ce qui transforme un agent d’un simple bot d’exécution en un vrai partenaire de raisonnement, ce n’est pas un meilleur prompt — c’est un état structuré que le modèle peut interroger.
Pipeline d'automatisation de contenu IA
Tourne quotidiennement sur mon propre pipeline de contenu · fichier méthodologie qui s'actualise tout seul via boucle de feedback
7 agents qui se passent le relais : choix du sujet → script → accroche → titre → contrôle qualité → analyse des données. Chaque agent a un contrat d'entrée/sortie typé. L’agent Data Review réécrit les règles validées dans un fichier méthodologie partagé, que le Topic Filter relit au cycle suivant — le filtre devient plus strict sans que je touche aux prompts, juste en accumulant des données.
Rooted (根) — Design produit pour l'apprentissage du chinois, centré sur l'interaction
Démo en ligne · validation d'une hypothèse produit · miser sur l'interaction plutôt que sur une liste de features
Une seule interaction bien travaillée par version, et chacune porte une seule hypothèse produit. V1 : on fait glisser un slider, et on voit 马 (cheval) évoluer sur 3 000 ans, des inscriptions oraculaires au caractère moderne. V2 : on tape sur 妈 (mère), et le caractère se décompose en 女 (femme) + 马 (indice phonétique). Une interaction, une idée, pas de liste de fonctionnalités.
Function Calling Demo — une boucle tool-use Anthropic minimaliste
Repo GitHub public · ~350 lignes de Python · 13 tests pytest (incluant le test de frontière sécuritaire)
Un agent tool-use écrit sans aucun framework — appel direct à l'API Anthropic. 5 outils typés (chacun avec un JSON Schema), un dispatcher, une garde contre le path traversal appliquée au niveau du handler, et un plafond MAX_TOOL_ITERATIONS avec un commentaire expliquant quand il devrait se déclencher. Construit pour comprendre la primitive, pas le framework.
Prévision de la demande énergétique & optimisation de l'offre
Étude de cas encadrée par des mentors Deloitte — projet de groupe universitaire, Paris
Analyse quantitative de bout en bout du système électrique sud-africain : comparaison de 6 modèles de prévision (de l’ARIMA classique jusqu’au TFT en deep learning), puis optimisation du dispatch avec Pyomo sous contraintes carbone / capacité / contractuelles, l’objectif étant de minimiser le coût système total.
Indice d'exposition à la robotique pour les marchés du travail européens
Big Data pour le développement — Recherche de groupe, Panthéon-Sorbonne
Un indice d’exposition à la robotique pour les professions européennes, construit par LSA sur un corpus de brevets + descriptions de postes. Conclusion : ce sont les professions à salaires moyens, essentiellement composées de tâches routinières, qui portent le risque d’automatisation le plus élevé (cohérent avec la théorie de la polarisation du marché du travail).