AI Novel Engine

AI Novel Engine est un moteur de rédaction de romans assisté par IA.

Il ne génère pas de romans. Il fournit une méthode, une architecture et des outils pour permettre aux écrivains de tenir des projets narratifs longs sans perte de cohérence, de mémoire ou de contrôle.

Principes clés

• l’auteur reste décisionnaire
• aucune génération sans intention
• l’IA est découpée en rôles
• la mémoire est externe
• la simplicité est une contrainte

Statut

v2 — développement en cours (open-source)

Suivi

• backlog actif: TODO_ACTIVE.md
• etat livre: TODO_IMPLEMENTE.md
• contexte courant: docs/CONTEXTE_PROJET_2026-03-14.md
• memoire de reprise: docs/MEMOIRE_REPRISE_2026-03-14.md
• ordre d'execution recommande: docs/EXECUTION_PLAN_2026-03-14.md
• runbook local: docs/runbooks/LOCAL_GENERATION.md
• comparatif modeles local: docs/MODEL_COMPARISON_2026-03-08.md

Automation des lots utiles

Le driver principal des prochains lots utiles est maintenant:

python3 scripts/run_next_lots.py --lot full

Points clés:

• le manifeste versionné est automation/next_lots.toml
• paths.ollama_runtime = "native" garde le preflight Ollama natif avant smoke
• paths.ollama_runtime = "openai_compatible" saute ce preflight et envoie ollama:* vers paths.ollama_openai_base_url
• le driver réutilise les smokes existants au lieu de dupliquer le pipeline
• tracking_sync consolide maintenant les derniers verdicts connus par modele a partir de automation/reports/*/run.json
• les opérations sensibles restent semi-autos: en cas de switch Apple ou de restart runtime, le cycle prépare les commandes exactes puis s'arrête avec un état de reprise
• reprise:

python3 scripts/run_next_lots.py --resume automation/state/next_lots_state.json

• synchronisation seule des plans/TODOs/readmes à partir du dernier état:

python3 scripts/run_next_lots.py --lot tracking_sync --report-only

Generation locale via Mascarade

ai-novel-engine parle un provider OpenAI-compatible. Pour utiliser la generation locale via mascarade, pointer simplement le moteur narratif vers le core Python sur :8100.

export ANE_PROVIDER=openai_compatible
export ANE_BASE_URL=http://127.0.0.1:8100
export ANE_MODEL=<provider:model>
export ANE_MAX_TOKENS=512
export ANE_MAX_TOKENS_STRUCTURE=256
export ANE_MAX_TOKENS_DRAFT=512
export ANE_MAX_TOKENS_CRITIQUE=384
export ANE_MAX_TOKENS_REWRITE=512
export ANE_MAX_TOKENS_GATE=320
export ANE_MAX_TOKENS_REPAIR=384
export ANE_MAX_TOKENS_MEMORY=256
export ANE_REPAIR_MAX_PASSES=2
# optionnel si tu veux forcer un fallback explicite pour la reparation
# export ANE_REPAIR_FALLBACK_MODEL=ollama:qwen2.5:7b

# seulement si MASCARADE_API_KEY est active
export ANE_API_KEY=ton-token-mascarade

python3 -m cli.main generate chapter --chapter 01

Notes :

• ANE_MODEL est requis; le repo n'impose pas de modele par défaut
• ANE_MODEL selectionne le backend local par prefixe apple-coreml: ou ollama:
• ANE_MAX_TOKENS reste le plafond global par défaut
• les overrides ANE_MAX_TOKENS_STRUCTURE, ..._DRAFT, ..._CRITIQUE, ..._REWRITE, ..._GATE, ..._REPAIR, ..._MEMORY permettent d'ajuster chaque étape
• ANE_REPAIR_MAX_PASSES borne la boucle repair
• ANE_REPAIR_FALLBACK_MODEL permet de forcer le modele du second passage repair
• le pipeline narratif reste entierement dans ai-novel-engine
• mascarade sert uniquement de runtime local et de couche OpenAI-compatible
• au 13 mars 2026 au soir, :8100 et :8201 sont remontes, et http://127.0.0.1:11434/api/tags repond de nouveau
• le vrai blocage restant n'est plus un service eteint mais ollama natif 0.17.7, qui echoue encore en generation sur qwen2.5:7b et qwen2.5:1.5b avec une erreur Metal
• le rerun Apple comparable automation/reports/apple_rerun_7oY51o reste utile comme incident historique: il a ete bloque a gate sur too_short + truncated_ending, puis a casse sur l'ancien fallback repair vers Ollama
• le rerun comparable automation/reports/apple_rerun_preset_20260313T223555Z est accepted le 13 mars 2026 avec 323 mots et repair_attempts=0; la reference Apple locale est donc reconfirmee
• dernier cycle complet termine au 9 mars 2026 :
  • apple-coreml:qwen3.5-4b-onnx-q4f16 est accepted de bout en bout sous garde-fou
  • ollama:qwen2.5:7b atteint gate, exerce repair en live, puis finit quality_blocked sur outline_like
• apple-coreml:stateful-mistral7b-instruct-int4-coreml est sorti du chemin critique; il reste archive comme piste experimentale
• les baselines apple-coreml:qwen2.5-0.5b-instruct-onnx et ollama:qwen2.5:1.5b ont ete rejouees et finissent actuellement quality_blocked sur truncated_ending
• le smoke et status exposent maintenant gate_v1.json, quality_blockers, failed_stage, repair_attempts et repair_models
• le runtime Apple local ne sert qu'un model_id a la fois; un fallback repair vers un autre modele Apple exige donc un switch de service entre runs
• par defaut, le second passage repair reste maintenant sur le meme provider; ANE_REPAIR_FALLBACK_MODEL sert seulement a forcer un switch explicite

Smoke test local rapide :

./scripts/smoke_local_generation.sh \
  --base-url http://127.0.0.1:8100 \
  --model "ollama:qwen2.5:1.5b" \
  --approve

Le script cree un workspace temporaire, ecrit une intention de test, lance la vraie CLI publique, fait un warm-up automatique pour apple-coreml, puis affiche un resume humain des artefacts et du meta.json. En mode apple-coreml, il applique par defaut un timeout plus large (ANE_TIMEOUT=900) et des budgets de smoke plus courts pour eviter de faire exploser la latence locale. Pour les reruns qualitatifs de reference, fixer explicitement --timeout 300 et des budgets ANE_MAX_TOKENS_* communs. Utiliser --workspace, --chapter, --intention, --timeout, --approve ou --reject si besoin.

Etat auto-synchronise

• dernier cycle automatise: 2026-03-14T14:03:06+00:00
• reference locale actuelle: apple-coreml:qwen3.5-4b-onnx-q4f16
• prochain lot utile: Reference locale reconfirmee; retablir le runtime des modeles provider_failed puis reprendre rewrite/repair sur les modeles bloques a gate.
• lancer un cycle: python3 scripts/run_next_lots.py --lot full

Audit & Execution Plan (2026-03-10)

Snapshot

• Priority: P2
• Tech profile: other
• Workflows: yes
• Tests: yes
• Debt markers: 23
• Source files: 18

Corrections Prioritaires

• Optimisation ciblée perf/maintenabilité
• Ajouter/fiabiliser les commandes de vérification automatiques.
• Clore les points bloquants avant optimisation avancée.

Optimisation

• Identifier le hotspot principal et mesurer avant/après.
• Réduire la complexité des modules les plus touchés.

Mémoire chantier

• Control plane: /Users/electron/.codex/memories/electron_rare_chantier
• Repo card: /Users/electron/.codex/memories/electron_rare_chantier/REPOS/ai-novel-engine.md