J'ai annulé mon cours de français et construit un outil LLM plus efficace

L'expérience rapportée par ce développeur illustre une tendance croissante : substituer un prestataire humain par un pipeline LLM articulé autour de contraintes pédagogiques précises, non par simple curiosité technique, mais pour résoudre des problèmes structurels documentés en sciences cognitives.

Le point de départ est la courbe de l'oubli, théorisée depuis les travaux d'Ebbinghaus et opérationnalisée depuis quarante ans dans les systèmes de répétition espacée. L'algorithme SM-2, que l'on retrouve dans Anki, ajuste dynamiquement l'intervalle entre deux révisions d'un même élément selon la qualité du rappel. L'auteur l'applique ici non à des flashcards isolées, mais à des constructions grammaticales entières, tracées avec un niveau de granularité inhabituel : non pas "difficultés avec le passé composé", mais "utilise avoir comme auxiliaire pour les verbes de mouvement en phrase négative depuis le 12 avril 2026". Ce niveau de précision dans le tracking d'erreurs est présenté comme la différence déterminante par rapport à un tuteur humain dont la mémoire reste approximative.

L'outil repose sur deux composants distincts. Le premier est un workflow textuel sur Claude, maintenant un fichier JSON qui enregistre l'état de connaissance de l'utilisateur, les dates de révision dues, les scores de rappel et les erreurs spécifiques. Les exercices progressent en difficulté : QCM, texte à trous, traduction, production libre. Le second composant, appelé Causons, est une application navigateur de pratique orale. Elle lit le même fichier JSON en début de session, oriente la conversation vers les points faibles identifiés, et ne corrige que les erreurs grammaticales objectives — pas les artefacts de transcription, pas le registre, pas les expressions familières. Ce choix de ne pas sur-corriger est explicitement justifié : une fausse correction est jugée plus nuisible qu'une correction manquée.

L'architecture technique du pipeline vocal mérite attention. La transcription passe par Whisper-large-v3 hébergé sur les LPU de Groq, pour une latence de 200 à 500 ms contre 800 à 1 500 ms sur l'infrastructure OpenAI pour le même modèle. Le chat utilise gpt-4o-mini, après abandon de Llama 3.3 70B de Groq : ce modèle produisait des corrections erronées sur des expressions familières parfaitement correctes, et aucun ajustement de prompt n'a suffi à corriger le problème — l'auteur conclut qu'il s'agissait d'une lacune dans les données d'entraînement sur le français courant, non d'un problème d'instruction. La synthèse vocale utilise OpenAI TTS-1. Le coût total se situe autour de 0,04 dollar par session de quinze minutes.

La gestion de la latence audio a nécessité plusieurs itérations. La version initiale attendait la génération complète du fichier audio MP3 avant de lancer la lecture, produisant des délais de deux à six secondes. L'implémentation des MediaSource Extensions — qui permet de commencer la lecture dès réception des premiers octets du flux — combinée à l'envoi anticipé du premier segment TTS dès un fragment de 25 caractères, a ramené le délai à 0,8-2,5 secondes sur une connexion stable.

Un aspect architectural notable concerne la gestion du system prompt. L'auteur distingue deux catégories de contenu : les instructions pédagogiques stables (comportement du correcteur, registre, politique de correction), conservées en IndexedDB et placées en tête du prompt pour bénéficier du préfixe-caching des fournisseurs LLM ; et les données contextuelles volatiles (topics dus ce jour, erreurs en cours, langue cible), reconstruites à chaque session depuis leur source de vérité et jamais persistées. Cette séparation évite la dérive silencieuse des données périmées dans le prompt.

Plusieurs questions restent ouvertes. L'approche repose entièrement sur l'auto-évaluation du rappel (note de 1 à 4 après chaque exercice), sans mécanisme de vérification externe : la précision du modèle de forgetting curve dépend donc de la fiabilité de cette notation subjective. Par ailleurs, le stockage des clés API en localStorage est explicitement reconnu comme insuffisant pour tout usage au-delà d'un appareil personnel. Enfin, la généralisation à d'autres langues que le français reste théoriquement possible — les voix TTS choisies gèrent plusieurs langues sans configuration spécifique — mais n'a pas encore été testée en pratique selon l'auteur. Le code source et l'application Causons sont disponibles publiquement sur GitHub.