Vos fichiers, votre terrain,
une IA qui retient.

Le problème

Votre agent ne se trompe pas bruyamment. Il oublie. Vous réexpliquez les mêmes contraintes à chaque session — vos conventions, l'approche déjà écartée et pourquoi, ce que « terminé » veut dire chez vous. Ce savoir n'existe que dans votre tête, et vous le repayez chaque jour.

Une correction appliquée est dépensée ; une correction écrite devient du capital. C'est toute la différence entre un agent qui obéit et un agent qui apprend.

La boucle

1. Donnez accès à vos fichiersVos notes, vos projets, vos décisions. Là où ils sont déjà.
2. EncodezUn fait par fichier, une description qui sert de hameçon et de mots-clés.
3. RappelezLa recherche sémantique remonte les bonnes notes au début de la tâche. En n'importe quelle langue.
4. CorrigezChaque correction devient une règle permanente, avec sa raison. C'est là que la mémoire se met à composer.

Le moteur, open source

Un dossier de notes markdown, indexé en continu, servi par MCP — plus un garde-fou qui vérifie que la mémoire est encore là. Parce qu'elle tombe en silence : une session démarre normalement et se contente d'en savoir moins, et vous l'attribuez au modèle.

git clone https://github.com/ninabot-ch/corthexis
python -m corthexis.index
claude mcp add -s user corthexis …

Le dépôt sur GitHub →  Apache-2.0, sans service à créer.

Le corpus qui a produit la méthode

Produit en pilotant réellement une entreprise, pas en remplissant un dossier de démonstration. Ce corpus est privé et ne sera pas publié : il est plein d'infrastructure et de clients. Le moteur, lui, est entièrement ouvert — et la preuve qui compte n'est pas notre mémoire, c'est ce qui se passe quand vous lancez le moteur sur la vôtre.

La cohorte

Six sessions en direct, à Genève et à distance, pour encoder vos fichiers — pas des données d'exemple. Petit groupe, première session en octobre 2026.

Aucune place n'est vendue depuis cette page. Vous recevez les dates et le tarif quand ils sont fixés.