Morpheus

Ce que je peux en dire

Morpheus est un moteur multi-agents autonome, le prédécesseur R&D à partir duquel j'ai fait décanter les patterns d'architecture réutilisés ensuite dans mes projets temps réel. Privé également : j'en partage l'approche et les défis d'ingénierie, pas les détails fonctionnels.

Mon rôle

Conception et développement intégral en solo, de bout en bout : shell desktop Rust (Tauri), backend Python (API, orchestration d'agents, inférence LLM, mémoire/RAG, sécurité), interface React/TypeScript, et le système d'ingénierie lui-même : pipeline multi-agents, boucle d'auto-amélioration, base de connaissances et outillage qualité.

Capacités techniques

• Inférence LLM locale sur Apple Silicon (MLX / vLLM-MLX), avec une couche multi-fournisseurs unifiée capable de router vers des modèles distants au besoin.
• Pipeline multi-agents : un interprète route la demande selon sa complexité, puis enchaîne architecte, codeur et auditeur ; un méta-auditeur observe les traces et améliore le système en continu.
• Assistant de codage agentique : édition de fichiers, exécution shell, git, analyse de dépendances, compactage de contexte, permissions et points de contrôle.
• Mémoire sémantique & RAG : embeddings, recherche hybride (vectoriel + BM25), extraction de faits, citations sourcées et indexation d'une base de connaissances.
• Streaming temps réel de la réflexion et des réponses via WebSockets.
• Automatisation : pilotage de navigateur, intégrations messagerie et agenda, génération de documents, recherche web.
• Daemon autonome d'arrière-plan : tâches planifiées, sauvegardes et routines d'auto-amélioration.
• Sécurité : coffre de secrets chiffré (AES-256-GCM), scanner de secrets, exécution local-first.
• Plateforme d'automatisation business multi-agents : agents spécialisés (stratège, créateur, prospecteur, ambassadeur, comptable, analyste growth), missions, prospects et devis, orchestrés et supervisés depuis un poste de commande unifié : le domaine et les données clients restent privés.

Défis d'ingénierie

• Faire cohabiter des bibliothèques ML lourdes dans un seul process macOS : MLX et scikit-learn embarquent chacun leur libomp, source d'un abort OpenMP au chargement conjoint : résolu proprement au démarrage, cause racine documentée plutôt que contournée en silence.
• Une couche LLM réellement agnostique du fournisseur : une dizaine de fournisseurs locaux et distants derrière une interface unique, avec cooldown, limitation de débit, suivi de coût, garde RAM et bascule gracieuse en cas d'échec.
• Piloter des modèles à fenêtre de contexte limitée : budget de contexte explicite et troncature intelligente dans l'orchestrateur, pour rester dans les limites des modèles locaux sans casser le fil de la tâche.
• Un pipeline multi-agents qui s'améliore tout seul : séparation nette entre exécution et méta-audit, les traces alimentant un méta-auditeur qui affine règles, prompts et routage.
• Empaqueter un poste de travail IA en application native : pont entre un shell Rust (Tauri), un backend Python local et une interface React, avec fenêtre transparente, API privée macOS, CSP stricte et gestion du cycle de vie des process.
• Sécuriser les secrets sans backend distant : coffre local chiffré AES-256-GCM avec dérivation de clé PBKDF2, cohérent avec la promesse local-first.

L'ampleur

Un produit d'envergure, mené en solo jusqu'à une première version stable.

• Un outil de travail substantiel, conçu et porté seul jusqu'à une première version stable.
• Plusieurs espaces de travail réunis dans une seule application, pensés pour un usage professionnel exigeant.
• Une intelligence artificielle exécutée localement, au service de la confidentialité et de la maîtrise des données.
• Un pipeline d'agents qui prend en charge une partie de son propre contrôle qualité, gage de robustesse.