Le Terraform de la configuration IA. Un fichier neutre, tous les runtimes.
Vous configurez un assistant pour ChatGPT. Puis votre client veut la même chose sur son serveur avec Ollama. Tout est à refaire.
Votre prompt system est écrit pour un modèle. Passer à un autre = tout réécrire. Chaque migration est un projet.
Température, contexte, tools, guardrails — chaque outil a sa propre syntaxe. XML, YAML, JSON, Markdown… impossible de rester cohérent.
Un bon prompt vététaire est bloqué dans ChatGPT. Le même métier sur Dify ? Reconstruire de zéro.
AI Config Forge génère un canonical.yaml — une modélisation indépendante de tout outil. Ce fichier décrit le comportement de l'assistant : identité, savoir-faire, outils, garde-fous, mémoire.
Puis un compilateur traduit ce fichier vers le format natif de chaque runtime : Pi.dev, Ollama, Dify, OpenAI, ou un package auto-installable.
Même principe que Terraform : un code source déclaratif → multi-cloud.
Un wizard conversationnel guide la création pas à pas. L'IA interroge, modélise, valide et génère.
Un chat IA pose les bonnes questions : métier du client, niveau de confidentialité, budget, plateforme cible. Aucune connaissance technique requise.
L'IA génère un canonical.yaml neutre : identité de l'assistant, connaissances métier, outils disponibles, garde-fous, stratégie de mémoire.
Un moteur de recommandation compare les stacks runtime x plateforme selon le budget, les contraintes de confidentialité, le hardware disponible. Avec scoring pondéré.
10 contrats automatiques vérifient que la config est cohérente : pas de function calling sans modèle compatible, pas de RAG sans base vectorielle, budget aligné avec la stack…
Un ZIP auto-installable est généré : Docker Compose, Kubernetes manifests, scripts d'install, documentation. Déployable en 3 commandes chez le client.
179 fichiers PHP, 391 tests, Symfony 8 — le même niveau d'exigence qu'un projet enterprise.
Modèle neutre avec 30+ champs : identité, comportement, connaissances, outils, garde-fous, mémoire, routing, déploiement. Immutable une fois validé.
Trois moteurs de rendu : XML (Pi.dev, GLM), Markdown (OpenAI, Claude), Plain (Ollama). Plus un tuner de paramètres adapté à chaque famille de modèle.
Machine à états conversationnelle pilotée par GLM. Interrogatoire → canonique → recommandation → cohérence → génération. SSE natif, pas de Mercure.
Pipeline filter → score → rank. 6 filtres (budget, function calling, privacy, RAG, plateforme, compatibilité). ScoreCard pondéré + diversité.
10 contrats automatiques : C01 (secrets) → C10 (sémantique). Détecte les incohérences avant le déploiement. 4 stratégies de retry automatique.
Kubernetes, Docker on-prem, Tauri desktop, Heroku, Vercel. Chaque adapter génère un package complet : manifests, scripts, README, MANIFEST.
Vous déployez des assistants métier pour vos clients. AI Config Forge vous permet de modéliser une fois, déployer partout. Gain de temps x3 sur chaque projet.
Vos données ne doivent pas quitter vos serveurs. Le package auto-installable déploie un assistant IA complet en local — Docker, Kubernetes ou desktop.
Vous avez plusieurs runtimes en production. Le format canonique unifie vos configs. Changez de modèle ou d'outil sans réécrire vos prompts.
Vous créez des assistants spécialisés (vétérinaire, avocat, plombier…). Générez un package prêt à l'emploi pour chaque outil cible.
AI Config Forge est en développement actif. Discutons de votre besoin — je peux vous montrer une démo.