Connected Guidance
Le Labo
Le Labo

Éprouver la théorie par la pratique !

La promesse du no-code est-elle réaliste ? Peut-on développer des applications de niveau professionnel sans coder ? Des solutions 'Design to Delivery' sécurisées et maintenables ? 

Le no-code augmenté par IA, pratiqué comme une discipline — rôles explicites, garde-fous, audits, calibration — avec une validation humaine à chaque étape procure des résultats probants. Découvrez nos projets ci-dessous. 

Repère Encadrer l'IA pour un résultat maîtrisé

La valeur d'une stratégie IA réside peu dans le choix d'un LLM en particulier mais plutôt l'intégration de celui-ci dans un framework de travail adapté à vos enjeux business. Le terme "harness" circule assez abondamment pour décrire le set d'instructions, skills, agents, qui viennent véritablement exploiter le LLM sous l'impulsion du product builder. Nous proposons deux "harness" prêts à l'emploi pour les product builder solo OU pour l'ajout d'un coéquipier virtuel dans votre équipe Scrum. Découvrez "VibeForge" et "ScrumCoderAgent" ! 

Entretiens avec

Karl Marx & C.G. Jung

en productionAccès authentifiéChatRAG

Et si on pouvait dialoguer avec une oeuvre classique ? Interroger un corpus documentaire strictement borné et obtenir des réponses précises à travers un chat conversationnel.  

Demander un accès

Accès authentifié, ouvert après un premier échange. Le lien mène au profil LinkedIn de Connected Guidance.

ArchitectureRAG — génération augmentée par la recherche : les œuvres sont découpées en extraits, vectorisées, puis interrogées à chaque question ; la réponse ne quitte pas le texte source.
RechercheBase vectorielle ChromaDB · embeddings multilingues, français et anglais dans le même espace · recherche bilingue, diversité des sources imposée (v2).
GénérationModèle Claude via l'API Anthropic — réponse dans la voix du personnage, citations attribuées à l'ouvrage (et à la page pour Marx).
Corpus8 œuvres de Jung, plus de 7 000 extraits.
BackendPython · FastAPI · Uvicorn
FrontendHTML, CSS et JavaScript natifs — aucun framework, aucune étape de build.
AccèsAuthentification par jeton (JWT), mots de passe chiffrés, limitation de débit par route.
ExploitationVPS durci · Nginx · systemd · HTTPS Let's Encrypt · déploiement continu à chaque publication · audit de sécurité avant mise en production.
01

L'idée initiale

Lire Marx & Jung dans le texte suppose de traverser plusieurs milliers de pages, en plusieurs langues, dispersées entre recueils de conférences, études et volumes d'œuvres classiques. L'interface conversationnelle que nous proposons permet d'interagir avec l'oeuvre sous la forme d'une discussion sourcée, via l'entremise d'un persona qui loin de "singer" l'auteur nous accompagne dans les échanges comme un guide bienveillant. 

02

Le geste

Poser une question en français. Lire une réponse à la première personne, dans la voix de l'auteur, composée uniquement à partir de passages présents dans les oeuvres de la base de donnée du projet  — chaque citation traduite et rattachée à son titre. En complément, on peut générer un quiz (5 à 15 questions) sur un thème libre, et exporter l'entretien en PDF.

03

Une interface web immersive

La réponse cite, et rattache la citation à son ouvrage.
Les sources sont listées, et vérifiables.
Le quiz, corrigé — chaque réponse ramenée à son extrait.
L'accès est authentifié, ouvert après un premier échange.
La première version du même projet, consacrée à Marx.
04

Comment le projet a été conduit

Neuf rôles (persona) explicites — cadrage produit, backend, frontend, design d'interface, ingénierie du RAG, recette, audit de sécurité, exploitation, et un historien de la pensée jungienne garant du personnage.
Chaque phase livre un document (spécifications, rapport de recette, rapport d'audit, guide de déploiement) qui sert de référence contractuelle à la phase suivante.

Audit de sécurité formalisé avant la mise en production.
Persona de l'auteur écrite : ancrée avant 1961, distinguant l'observé du postulé, honnête sur les lacunes du corpus. Recherche bilingue pour compenser l'écart de vocabulaire entre le français et les termes originaux.

05

Ce qu'un Product Manager en retient

Un projet auditable : à chaque étape, quel rôle a décidé quoi, sur quelle base, et quels arbitrages ont été écartés. Une persona traitée comme un livrable à part entière, revu par un expert du domaine, au même rang que le pipeline technique.

Analyse de playlist

Robotseek

en productionAPIOAuth SpotifyScoring

Les artistes IA pullulent sur les plateformes de streaming et cette application permet de scanner vos playlist pour identifier les potentiels intrus. 

Réserver une démo

Le produit tourne sur un accès personnel Spotify ; la démo se fait en visio, sur rendez-vous.

ArchitecturePipeline cloisonné en trois couches étanches — lecture des sources, analyse, rendu. Le contenu web externe est transporté comme donnée à analyser, jamais comme instruction ; la frontière de confiance est tenue par des schémas typés, pas par une consigne.
AnalyseDeux critères : volume de publication (code déterministe) et empreinte d'existence sur trois registres publics indépendants (jugée par le modèle). Le niveau de suspicion sort d'un arbre de décision déterministe — jamais du modèle.
ModèleClaude via l'API Anthropic, sortie structurée forcée par appel d'outil sur schéma JSON et validée.
SourcesSpotify · MusicBrainz · Discogs · Wikidata — acquisition asynchrone plafonnée par le registre le plus contraint ; tout échec d'API est signalé, aucune dégradation silencieuse.
BackendPython · FastAPI (asynchrone) · validation Pydantic
FrontendRendu serveur (Jinja2) et JavaScript léger — progression en temps réel par flux serveur (SSE).
AccèsAutorisation OAuth 2.0 Spotify en lecture seule ; jeton utilisateur chiffré au repos.
CalibrationAppels externes capturés une fois, décision rejouée hors ligne à coût nul ; ancres de référence (dont un cas d'IA publiquement confirmé) ; non-régression sur dérive de seuil.
ExploitationVPS durci · HTTPS · déploiement automatisé par push · séparation code / secrets par utilisateur système.
01

Le problème

Les catalogues de streaming accueillent un nombre croissant d'artistes générés par IA, indiscernables d'artistes émergents réels. Vérifier à la main suppose de recouper, artiste par artiste, discographie, registres publics et empreinte éditoriale — et les plateformes ne publient aucun signal exploitable.

02

Le geste

Connecter un compte Spotify en lecture seule, puis coller le lien d'une playlist — ou saisir un seul nom d'artiste. L'analyse d'une trentaine de morceaux prend une à deux minutes, avec une progression affichée en temps réel ; les résultats apparaissent ensuite d'un seul coup, jamais au fil de l'eau. Chaque artiste porte deux indications séparées — un niveau de suspicion gradué et le niveau de confiance dans cette appréciation — et le faisceau de preuves qui les fonde, dépliable source par source.

03

Une suspicion graduée, la confirmation est à la main de l'utilisateur. 

Deux modes d'entrée : une playlist, ou un artiste seul.
L'attestation est un résultat aussi opérationnel que la suspicion.
Suspicion et confiance, affichées séparément.
04

Comment le projet a été conduit

Le produit ingère du contenu web que des tiers peuvent écrire — biographies, tags, titres. La réponse est architecturale, pas rédactionnelle : le pipeline est cloisonné en trois couches étanches, et le texte web libre n'atteint jamais la couche qui décide. Le modèle qualifie l'existence d'un artiste ; il n'attribue jamais le niveau de suspicion, qui sort d'un arbre de décision écrit en clair. La partie qui engage la responsabilité est donc auditable ligne à ligne.

Les appels aux sources externes sont capturés une fois, puis la décision se rejoue hors ligne, à coût nul, contre un jeu d'ancres de référence — un cas d'IA publiquement confirmé et plusieurs artistes reconnus. Un seuil qui dérive casse le rejeu. C'est ce harnais qui a montré que la bande de suspicion était stable et le niveau de confiance plus bruité : les deux sont affichés séparément pour cette raison.

05

Ce qu'un Product Manager en retient

Quatre savoir-faire qui sortent du domaine musical. Un patron d'architecture contre l'injection de prompt, valable pour tout produit qui fait juger du contenu web ouvert par un modèle. Un harnais de calibration capture / rejeu, réutilisable pour toute classification. Une résolution d'entité qui s'ancre sur un identifiant stable plutôt que sur un nom — problème générique dès qu'il s'agit de personnes, de marques ou de sociétés. Et un cadre de conception maîtrisé pour un outil qui porte un jugement sur des personnes : gradation plutôt que binaire, axes dissociés, auditabilité, vocabulaire contrôlé, voie de contestation, et le faux positif traité comme l'erreur la plus coûteuse.