Rocketnotes : un éditeur Markdown qui branche des LLM sur vos notes
✨ AI-powered markdown editor - leverage LLMs with your documents - 100% local or in the cloud
En bref
- De quoi s’agit-il ?
- Rocketnotes combine un éditeur Markdown hiérarchique, une recherche sémantique et des fonctions d'IA (chat, complétion, transcription vocale, archivage Zettelkasten) dans une application web ou Electron, avec un mode entièrement local via Docker et Ollama.
- À qui s’adresse-t-il ?
- Rocketnotes convient à celles et ceux qui veulent un espace Markdown unique où l'IA lit et écrit dans leurs propres documents, et qui acceptent d'installer Docker ou de passer par le service hébergé. À éviter si vous cherchez un éditeur Markdown minimal sans dépendance à un modèle, ou si vous refusez de faire transiter vos notes par un fournisseur cloud.
- Puis-je l’utiliser commercialement ?
- Oui. Apache-2.0 est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Les derniers commits datent d’il y a 146 jours.
- En quel langage est-il écrit ?
- Principalement TypeScript, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Le problème : des notes éparpillées que l'IA ne peut pas lire
La plupart des éditeurs Markdown traitent le texte comme une donnée passive. Vous écrivez, vous cherchez par mot-clé, et l'IA reste dans un onglet séparé où vous recopiez des extraits à la main. Rocketnotes prend le parti inverse : les documents sont la source d'alimentation du modèle. Le README annonce du chat sur les documents, de la complétion de texte de type Copilot, de la dictée vocale et un archivage agentique des notes. La cible est donc l'utilisateur qui accumule déjà des notes et veut les interroger, pas celui qui cherche un simple bloc-notes. Le projet vise aussi les développeurs : coloration syntaxique, support Katex et Mermaid, plugin Neovim, et un serveur MCP pour exposer la base de connaissances à d'autres applications LLM.
Deux piles distinctes selon que vous restez en local ou non
Le README décrit deux chemins techniques qui ne partagent pas la même infrastructure. En mode hébergé, la pile repose sur AWS : DynamoDB pour la base, S3 pour le stockage, S3 Vectors pour la recherche sémantique, Cognito pour l'authentification, avec des workflows GitHub Actions de build et de déploiement. En mode local, ChromaDB remplace S3 Vectors et Ollama fournit l'inférence. La couche IA s'appuie sur Langchain et Langgraph, et sentence-transformers produit les embeddings. Le backend mélange Go et Python, le frontend est en Angular et TypeScript, avec un emballage Electron pour la version bureau. Cette séparation a une conséquence pratique : le choix du mode détermine quels composants vous devez maintenir, et le comportement de la recherche sémantique ne sera pas identique d'un mode à l'autre puisque le magasin vectoriel change.
L'inbox Zettelkasten et l'archivage par agent
La fonction la plus intéressante du projet est aussi la plus difficile à évaluer sans l'installer. Le README décrit un flux en deux temps : vous déposez des fragments dans une inbox Zettelkasten, par saisie ou par enregistrement vocal, puis un agent analyse ces fragments et les insère dans le document existant le plus pertinent. C'est un choix de conception fort : l'IA ne se contente pas de répondre, elle modifie votre arborescence. Le README ne précise pas comment l'agent gère les cas ambigus, ni s'il existe un journal des insertions permettant de revenir en arrière. Pour un système qui écrit dans vos notes, l'absence de ces détails dans la documentation publique est un point à vérifier avant de confier une base de connaissances réelle à l'agent.
Installation : le service hébergé ou Docker avec Ollama
Le README donne deux voies. La première consiste à créer un compte sur le service hébergé et à utiliser Rocketnotes comme application web ou Electron. La seconde consiste à tout exécuter en local avec Docker, la procédure étant renvoyée vers INSTALLATION.md, section Run with Docker. Le README ne reproduit pas les commandes exactes de cette procédure, et je ne les inventerai pas ici : il faut ouvrir INSTALLATION.md pour connaître les variables d'environnement et les ports. Pour un environnement de développement, le README renvoie à CONTRIBUTING.md et à sa section Contributing Guide. Le mode local s'appuie sur Ollama, ce qui suppose de disposer des modèles correspondants sur la machine. À noter dans le README : l'URL de connexion Cognito du service hébergé contient un client_id et une redirect_uri en clair. C'est normal pour un client public OAuth, mais cela rappelle que le mode hébergé dépend d'une infrastructure AWS que vous ne contrôlez pas.
Ce que le projet ne promet pas
Le README ne contient aucune indication de performance, aucune mesure de latence pour la recherche sémantique, et aucune estimation de la taille de base au-delà de laquelle l'archivage agentique devient lent ou coûteux. Les modèles pris en charge sont annoncés pour OpenAI, Anthropic et Together AI, mais le README ne détaille pas quelles fonctions (complétion, chat, archivage) sont disponibles avec chacun. Le support multi-LLM est présenté comme un interrupteur, sans tableau de compatibilité. Enfin, le projet est publié sous Apache-2.0, ce qui autorise l'usage commercial et la modification, avec les obligations habituelles de conservation des mentions de licence et d'avis. Je ne donne pas de conseil juridique : si vous redistribuez Rocketnotes ou une version modifiée, faites relire les termes par une personne compétente. Le README mentionne également un plugin Neovim et une intégration MCP, sans détailler leur installation, ce qui suggère des surfaces moins documentées que le cœur de l'application.
Face à Obsidian, la différence n'est pas l'éditeur
Obsidian est l'alternative évidente pour quiconque veut du Markdown hiérarchique et des liens entre notes. La différence porte sur l'architecture : Obsidian est un logiciel local dont les fonctions IA passent par des greffons communautaires, tandis que Rocketnotes intègre l'IA dans le produit et propose un mode hébergé multi-utilisateur avec partage de documents et authentification Cognito. Autrement dit, Rocketnotes est pensé comme un service, pas comme un dossier de fichiers que vous synchronisez vous-même. Si votre priorité est de garder vos notes comme de simples fichiers sur disque, contrôlables par git, l'approche de Rocketnotes en mode hébergé va à l'encontre de cette attente, puisque les documents vivent dans DynamoDB et S3. Le mode Docker corrige en partie ce point, mais ajoute la maintenance d'Ollama et de ChromaDB.
Coût de maintenance et rythme des versions
Les releases visibles dans les métadonnées sont v1.0.5 en février 2025, v1.0.6 en juillet 2025 et v1.0.7 le 26 juillet 2025. Le dépôt n'est pas archivé et le dernier push indiqué est le 23 avril 2026. Pour un projet qui dépend de fournisseurs de modèles, ce rythme implique de suivre les changements d'API côté OpenAI, Anthropic et Together AI, ainsi que les évolutions de Langchain et Langgraph, qui sont des dépendances à surface large. En mode local, la charge se déplace vers Ollama et les modèles que vous téléchargez. Le coût réel d'adoption n'est donc pas l'installation, mais la surveillance des ruptures d'API des fournisseurs et la mise à jour des images Docker.
Conclusion éditoriale
Rocketnotes convient à celles et ceux qui veulent un espace Markdown unique où l'IA lit et écrit dans leurs propres documents, et qui acceptent d'installer Docker ou de passer par le service hébergé. À éviter si vous cherchez un éditeur Markdown minimal sans dépendance à un modèle, ou si vous refusez de faire transiter vos notes par un fournisseur cloud. Avant d'adopter, vérifiez deux points : que le mode local décrit dans INSTALLATION.md correspond bien à votre matériel, et que les clés d'API et les identifiants Cognito du mode hébergé sont gérés comme des secrets d'infrastructure, pas comme des constantes.
Notes de la communauté