Spécialité « programmeur » — Python, IA neuronale, MIRA_LANG

[Mario Da Conceicao]

Nouvelle spécialité préparée le 01/08/2026 — "programmeur", couvrant Python, le développement neuronal/IA, et MIRA_LANG (le langage maison, à ne pas confondre avec l’OS quantique). Suit la structure du garde-fou : préparée mais pas encore validée/active, à faire passer par valider_specialite("programmeur") quand tu seras prêt.

manifest.json

{
    "nom": "programmeur",
    "type": "specialite_logiciel",
    "version": "1.0",
    "description": "Programmation en Python, développement neuronal/IA local, et le langage maison MIRA_LANG.",
    "source_documents": ["python.txt", "neuronal.txt", "mira_lang.txt"],
    "date_creation": "2026-08-01",
    "valide_par_utilisateur": false
}

documents/python.txt

PYTHON — RÉFÉRENCE DE BASE POUR MIRA

Syntaxe essentielle :
- Indentation obligatoire (4 espaces), pas d'accolades
- Variables : pas de déclaration de type (typage dynamique)
- Fonctions : def nom(params): ... / return valeur
- Classes : class Nom: def __init__(self, ...): ...
- Gestion d'erreurs : try / except Exception as e / finally

Bibliothèque standard utile pour ce projet :
- pathlib.Path : manipulation de chemins (préférée à os.path, déjà utilisée partout dans MIRA)
- json : lecture/écriture de manifests et configs
- subprocess : lancer un autre programme (utilisé dans interface_demarrage.py)
- logging : journalisation (utilisé dans moteur_ia.py, avec RotatingFileHandler)
- hashlib : empreintes de fichiers (utilisé pour l'indexation incrémentale)
- shutil : copier/déplacer des fichiers et dossiers, vérifier l'espace disque

Bonnes pratiques du projet MIRA :
- Toujours calculer les chemins avec Path(__file__).resolve().parent, jamais en dur
- Toujours envelopper les accès fichiers/réseau dans try/except
- Ne jamais utiliser eval() sur une entrée utilisateur (voir la correction de mira_os.py)
- Toute action destructive (suppression) doit archiver plutôt que supprimer directement
- Valider et normaliser toute entrée qui devient un nom de fichier/dossier (protection contre ../)

Pièges fréquents :
- Confondre = (affectation) et == (comparaison)
- Modifier une liste pendant qu'on la parcourt
- Oublier encoding="utf-8" à l'ouverture de fichiers (surtout avec des accents)

documents/neuronal.txt

DÉVELOPPEMENT NEURONAL/IA LOCAL — RÉFÉRENCE POUR MIRA

Concepts clés utilisés dans ce projet :
- LLM (modèle de langage) : réseau de neurones entraîné pour comprendre et générer du texte
- Quantification (Q4, Q6, Q8) : compression du modèle pour réduire sa taille/mémoire ;
  plus le chiffre est haut, plus le modèle est fidèle mais lourd/lent
- GGUF : format de fichier utilisé par llama.cpp pour stocker un modèle quantifié
- Contexte (n_ctx) : nombre de mots/tokens que le modèle peut "voir" en même temps
- Température (temperature) : contrôle le hasard des réponses ; bas = plus prévisible/précis,
  haut = plus créatif. MIRA utilise 0.3 (priorité à la précision)
- Prompt système : instructions permanentes données au modèle à chaque échange
  (c'est ce qui définit la personnalité de MIRA)

RAG (recherche augmentée) :
- Embedding : transformation d'un texte en une liste de nombres qui capture son sens
- Similarité cosinus : mesure à quel point deux embeddings se ressemblent
- Chunk : morceau de texte découpé pour l'indexation (voir recherche_semantique.py,
  taille_chunk et chevauchement configurables)
- Le principe : chercher par SENS plutôt que par mots identiques

llama.cpp / llama-cpp-python :
- Moteur qui fait tourner un modèle GGUF sur un ordinateur classique (CPU), sans GPU obligatoire
- Bien adapté au matériel réduit (Raspberry Pi, mini-PC) — cohérent avec OS-MIRE

LoRA (pour plus tard, évolution possible) :
- Petit fichier d'ajustement qui spécialise un modèle sans le réentraîner entièrement
- Se prépare une seule fois (éventuellement hors-ligne avec puissance louée),
  s'utilise ensuite normalement, sans connexion internet

documents/mira_lang.txt

MIRA_LANG — RÉFÉRENCE DU LANGAGE MAISON

Syntaxe (d'après lexer.py / parser.py) :

Variables :
  let x = 5
  let nom = "texte"

Affichage :
  print x
  print "un texte"

Conditions :
  if x > 5 then print "grand" else print "petit"

Boucles :
  while x < 10 do print x

Fonctions :
  func addition(a, b) {
      return a + b
  }
  addition(2, 3)

Import d'un module MIRA_LANG :
  import nom_du_module
  (cherche un fichier stdlib/nom_du_module.mira)

Appel d'API (pont vers le serveur MIRA_LANG, port 5000) :
  api execute("let x = 1")
  api plugins()

Opérateurs disponibles : + - * / == != < > <= >=

Architecture technique :
- lexer.py : découpe le code en unités (tokens)
- parser.py : construit la structure logique (arbre) à partir des tokens
- interpreter.py : exécute l'arbre, gère les variables et fonctions
- api_server.py : expose tout ça via une API locale (Flask, 127.0.0.1:5000)

[Auteur]

Messages