RustSensei

RustSensei est un assistant IA pédagogique conçu pour enseigner le langage Rust en français. L'objectif : démocratiser l'apprentissage de Rust avec un outil 100% local et gratuit. Pourquoi ce projet : - Rust est réputé difficile à apprendre (ownership, borrowing, lifetimes) - Peu de ressources pédagogiques en français - Les LLM généralistes manquent de précision sur les concepts Rust avancés - Besoin d'un outil fonctionnant hors-ligne pour la confidentialité Approche Local-First : - Aucune dépendance à une API externe - Fonctionne entièrement hors-ligne une fois installé - Optimisé pour Apple Silicon (Metal/MPS) - Données utilisateur jamais transmises Version actuelle : v1.0 en CLI Une interface web React + TypeScript + Tailwind est en cours de développement pour la v2.

Stack technique optimisée pour l'inférence locale rapide avec fine-tuning personnalisé. Modèle de base : - Qwen2.5-Coder-1.5B-Instruct comme fondation - Modèle compact (1.5B paramètres) pour une inférence rapide - Spécialisé dans la génération de code Fine-tuning LoRA : - Rank 8 pour un bon compromis qualité/taille - Dataset de 49 exemples Rust en français - Focus sur les concepts fondamentaux (structs, enums, ownership, borrowing) - Adapter léger (~10MB) au lieu de retrainer tout le modèle Inférence : - llama.cpp pour l'exécution optimisée - Support Metal/MPS pour GPU Apple Silicon - Format GGUF pour les modèles quantifiés - Latence réduite grâce à l'accélération GPU RAG (Retrieval-Augmented Generation) : - Indexation de la documentation Rust officielle - Enrichissement des réponses avec des sources fiables - Amélioration de +10% sur les benchmarks

Protocole d'évaluation rigoureux sur 20 prompts de test couvrant les concepts clés de Rust. Métriques globales : - Score global : 3.07/5 - Précision française : 95% - Blocs de code valides : 70% - Taux de compilation : 87% Performance par catégorie : - Enums : 4.24/5 (meilleur) - Structs : 4.02/5 - Borrowing : 3.39/5 - Basics : 3.02/5 - Ownership : 2.54/5 - Lifetimes : 1.25/5 (à améliorer) Impact du RAG : - Sans RAG : 3.05/5 - Avec RAG : 3.35/5 - Gain : +10% de performance Limitations identifiées : - Concepts avancés (lifetimes, unsafe, async) moins maîtrisés - Dataset d'entraînement orienté débutant/intermédiaire - Macros et patterns complexes hors scope actuel

La version 2.0 est en cours de développement avec une refonte majeure de l'expérience utilisateur. Interface Web (en cours) : - Frontend : React + TypeScript + Tailwind CSS - Backend : FastAPI pour l'API REST - UI moderne avec thème sombre - Historique des conversations persistant Améliorations prévues : - Dataset étendu avec plus d'exemples avancés - Reranking pour améliorer la pertinence du RAG - Support Docker pour un déploiement simplifié - Évaluation humaine pour affiner les métriques Objectifs qualité v2 : - Score global > 3.5/5 - Amélioration des lifetimes (objectif > 2.5/5) - Couverture des concepts async/await - Documentation utilisateur complète