Parser
Brainlet scanne le codebase, parse les fichiers et extrait définitions, imports, appels, configuration et relations à travers 25 langages de programmation.
Fonctionnement
Du code brut à l'intelligence projet
Brainlet transforme un codebase en couche de compréhension calculée que tout LLM peut interroger.
- 1 Étape
Parser
Graphe de code
- 2 Étape
Analyser
Relations
- 3 Étape
Apprendre
Signaux projet
- 4 Étape
Construire
Intelligence
- 5 Étape
Interroger
8 outils
- 6 Étape
Comprendre
Prêt pour LLM
Analyser
Le moteur normalise ces signaux dans un graphe projet : modules, dépendances, frontières, conventions, flux de données et chemins d'impact.
Apprendre
Des modèles d'analyse spécialisés apprennent localement les signaux structurels et représentations propres au projet. Ce n'est pas du fine-tuning LLM : c'est de l'intelligence projet construite depuis le codebase lui-même.
Construire
Brainlet combine le graphe, les embeddings et les représentations apprises dans une couche d'intelligence qui sait comment le projet est structuré et comment les changements se propagent.
Interroger
Tout LLM peut interroger cette intelligence via 8 outils spécialisés. Chaque outil répond à une classe différente de question projet sous un angle différent.
Comprendre
Le LLM reçoit une connaissance projet calculée au lieu de chunks de fichiers bruts, afin de répondre, relire ou générer du code avec le contexte projet déjà préparé.
Ce qui change
La récupération demande au LLM de faire le travail difficile. Brainlet fait ce travail avant même que le prompt soit construit.
Approche traditionnelle
- -Découper le code en chunks
- -Créer des embeddings et index génériques
- -Chercher les fichiers pertinents
- -Coller les fichiers dans le contexte du LLM
- -Demander au modèle d'inférer le système
- -La précision dépend du coût du modèle
- -Dépend souvent d'une infrastructure cloud
Approche Brainlet
- -Parser tout le projet
- -Apprendre la structure du projet avec des modèles d'analyse
- -Combiner signaux de graphe, embeddings et représentations apprises
- -Construire une compréhension calculée
- -Servir l'intelligence à la demande
- -Le LLM reçoit ce dont il a besoin et fait son travail
- -La précision dépend de la qualité du contexte
- -Fonctionne avec des modèles open-source, intermédiaires ou frontier
- -S'exécute localement
Du RAG au CAG : une nouvelle architecture pour l'intelligence de code
Retrieval Augmented Generation (RAG) récupère des informations externes et les ajoute au contexte. Pour le code, cela signifie chercher des fichiers pertinents et les coller à côté de la question.
Le problème : récupérer n'est pas comprendre. Trouver les bons fichiers ne signifie pas que le modèle comprend le projet. Il doit encore déduire comment les composants se connectent, quelles conventions existent et comment les changements se propagent — à partir de contenus de fichiers bruts.
Cognitive Augmented Generation (CAG) résout cela à la source. Au lieu de récupérer des fichiers et de demander au modèle de reconstruire le système, Brainlet apprend la structure du projet via des modèles d'analyse spécialisés et sert directement une intelligence calculée au LLM.
Le LLM ne reçoit pas des fichiers à interpréter. Il reçoit une connaissance sur laquelle agir.
| Aspect | RAG | CAG (Brainlet) |
|---|---|---|
| Entrée du LLM | Contenus de fichiers récupérés | Intelligence projet calculée |
| Comment le contexte est trouvé | Recherche et récupération | Compréhension projet apprise |
| La précision dépend de | Raisonnement du modèle sur le contexte récupéré | Qualité du contexte et connaissance du moteur |
| Structure de coût | Le coût modèle augmente avec les retries et la taille du prompt | L'intelligence locale améliore le contexte avant le prompt |
| Compréhension du projet | Le modèle reconstruit depuis le contexte récupéré | Le moteur maintient un modèle projet appris |
| Ce qui fait passer à l'échelle | Coût du modèle et largeur de récupération | Meilleur contexte |
Le CAG ne remplace pas le LLM. Il peut rendre un LLM plus efficace en résolvant une partie du problème de contexte avant que le modèle commence à travailler.
Meilleur contexte en entrée, meilleurs résultats en sortie.