Si vous me suivez, vous savez que je suis un grand fan des assistants de codage IA. Je les utilise quotidiennement, GitHub Copilot, Cursor, Claude, et ils ont vraiment transformé ma façon d’écrire du code. Mais il y a une chose qui me frustre depuis des mois : ces assistants n’ont pas de mémoire.
Chaque fois que je démarre une nouvelle session, mon assistant IA doit ré-apprendre ma base de code. Il scanne les fichiers, me pose les mêmes questions, et brûle des tokens juste pour comprendre un contexte qu’il connaissait déjà hier. C’est comme travailler avec un collègue brillant qui souffre d’amnésie chaque nuit.
Alors j’ai construit Nexus-Dev, un système RAG local open source qui donne aux agents de codage IA une mémoire persistante.
Qu’est-ce que RAG ? (Pour ceux qui découvrent l’IA)#
Avant de nous plonger, clarifions quelques termes :
RAG (Retrieval-Augmented Generation) est une technique où, au lieu de nourrir l’IA avec un document entier, vous stockez l’information dans une base de données consultable et récupérez uniquement les morceaux pertinents quand nécessaire. Pensez-y comme donner à l’IA un index intelligent de votre base de code plutôt que de la forcer à tout lire.
MCP (Model Context Protocol) est un standard ouvert introduit par Anthropic qui permet aux agents IA de se connecter à des outils et sources de données externes. Si vous avez utilisé GitHub Copilot, Cursor ou Claude avec des plugins, vous utilisez déjà MCP.
Les embeddings sont des représentations numériques du texte qui capturent le sens. Les textes similaires ont des embeddings similaires, ce qui permet la recherche sémantique, trouver du contenu par le sens, pas juste par mots-clés.
Le problème : Les agents IA souffrent d’amnésie#
Pas de mémoire entre les sessions#
Quand vous fermez votre IDE et le rouvrez le lendemain, votre assistant IA oublie tout. Il ne se souvient pas des décisions d’architecture que vous avez prises, des bugs que vous avez corrigés ensemble, ou des patterns que votre base de code utilise.
La consommation de tokens s’accumule#
Chaque session, l’IA a besoin de “chauffer” en relisant votre base de code. Cela consomme des tokens, et les tokens coûtent de l’argent. Des recherches montrent que donner aux agents IA plus de contexte peut en fait les rendre pires. La précision peut chuter significativement (de 87% à 54%) à cause de la surcharge de contexte.
Les solutions existantes sont basées sur le cloud#
Plusieurs solutions abordent ce problème :
Qodo : Intelligence de code basée sur RAG (propriétaire)
Zep et Pieces : Plateformes de mémoire d’agent (basées sur le cloud)
Mais je voulais quelque chose local-first (mon code ne quitte jamais ma machine), open-source (je contrôle la stack), et cross-project (les connaissances acquises dans un projet aident les autres).
La solution : Comment fonctionne Nexus-Dev#
Le diagramme montre les deux flux principaux :
Indexation (flux supérieur) : Code source → Chunker → Embeddings → LanceDB Recherche (flux inférieur) : Requête → Embeddings → LanceDB → Résultats pertinents
Étape 1 : Chunking conscient du langage#
La première révélation est que le fractionnement de texte naïf ne fonctionne pas pour le code. Couper une fonction en deux détruit son sens.
Au lieu de cela, Nexus-Dev utilise tree-sitter pour parser le code en Abstract Syntax Tree (AST) et extraire les unités sémantiques : fonctions, classes et méthodes.
# Chaque chunk contient des métadonnées riches pour une meilleure recherche
@dataclass
class CodeChunk:
content: str # Le code actuel
chunk_type: ChunkType # function, class, method
name: str # ex., "authenticate_user"
docstring: str | None # La documentation aide la recherche !
signature: str | None # Signature de fonction
start_line: int # Emplacement précis
end_line: intLangages supportés : Python, JavaScript/TypeScript, Java et Markdown/RST pour la documentation.
Étape 2 : Embeddings multi-providers#
Les embeddings convertissent les chunks de code en vecteurs qui capturent le sens. Nexus-Dev supporte plusieurs providers :
| Provider | Idéal pour |
|---|---|
| OpenAI | Configuration facile, usage général |
| Ollama | Confidentialité, hors ligne, gratuit |
| Google/AWS | Environnements d’entreprise |
| Voyage AI | Meilleure qualité RAG |
⚠️ Important : Les embeddings ne sont pas portables entre providers. Changer nécessite de ré-indexer.
Pour les équipes axées sur la confidentialité, Ollama s’exécute entièrement en local :
{
"embedding_provider": "ollama",
"embedding_model": "nomic-embed-text"
}Étape 3 : Stockage vectoriel LanceDB#
LanceDB est une base de données vectorielle locale, pas de serveur à exécuter, juste un fichier sur le disque.
# La recherche sémantique trouve le code par le sens, pas par mots-clés
results = database.search(
query="authentication middleware",
doc_type=DocumentType.CODE,
limit=5
)
# Retourne les fonctions/classes les plus pertinentesÉtape 4 : L’arme secrète : Leçons apprises#
Après avoir corrigé un bug tricky, enregistrez-le :
record_lesson(
problem="JWT validation fails with special characters",
solution="Use base64url decode instead of base64",
code_snippet="claims = base64url.decode(token.split('.')[1])"
)La prochaine fois que vous rencontrerez un problème similaire, l’IA le trouvera automatiquement. Cela crée une mémoire institutionnelle qui survit aux changements d’équipe.
Commencer#
# Installer
pip install nexus-dev
# Initialiser
cd your-project
nexus-init --project-name "my-project" --embedding-provider openai
# Définir la clé API
export OPENAI_API_KEY="sk-..."
# Indexer votre code
nexus-index src/ docs/ -r
# Vérifier
nexus-statusAjoutez à la configuration MCP de votre IDE :
Pour Cursor (.cursor/mcp.json) :
{
"mcpServers": {
"nexus-dev": { "command": "nexus-dev" }
}
}Pour VS Code (.vscode/mcp.json) :
{
"mcpServers": {
"nexus-dev": { "command": "nexus-dev" }
}
}Les 7 outils que votre IA obtient#
| Outil | Ce qu’il fait |
|---|---|
search_code | Trouver fonctions, classes par le sens |
search_docs | Rechercher dans la documentation |
search_lessons | Trouver des solutions passées |
search_knowledge | Tout rechercher |
index_file | Ajouter des fichiers à la base de connaissances |
record_lesson | Sauvegarder les insights de debugging |
get_project_context | Voir les stats du projet |
Exemple concret#
Vous: "J'ai besoin d'ajouter l'authentification à l'API"
IA: Laissez-moi chercher dans la base de code...
[Appelle search_code("authentication middleware")]
Trouvé 3 résultats pertinents :
1. auth_middleware.py:15-45 - Classe JWTAuthMiddleware
2. user_service.py:23-67 - Fonction authenticate_userPlus besoin de lire des fichiers entiers. L’IA trouve exactement ce qui est pertinent.
Résultats#
Depuis le déploiement de Nexus-Dev :
Démarrages de session plus rapides : L’IA a immédiatement le contexte
Utilisation réduite des tokens : On récupère seulement ce qui est nécessaire
Apprentissage cross-project : Les leçons d’un projet aident les autres
Tout en local : Pas de cloud, pas de coûts API pour le stockage
Nexus-Dev est open source : github.com/mmornati/nexus-dev