MisakaNet donne aux agents une mémoire des échecs vérifiés
Ikalus1988/MisakaNet offre une implémentation open source exploitable en conditions réelles avec une structure réutilisable.
En bref
- De quoi s’agit-il ?
- Une bibliothèque Python sans dépendance, basée sur Git, où des leçons de débogage expurgées sont recherchées hors ligne par mots-clés.
- À qui s’adresse-t-il ?
- MisakaNet convient à une équipe d'agents qui veut réutiliser des corrections de débogage documentées, pas à une mémoire privée ou à une base vectorielle générale. Les leçons viennent de la communauté et peuvent contenir des commandes dangereuses.
- 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 1 jour.
- En quel langage est-il écrit ?
- Principalement Python, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 14 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Une leçon n'est pas une compétence
MisakaNet conserve des micro-leçons de récupération après échec pour des agents de codage IA. Une leçon décrit le problème, la cause racine, la correction et la vérification. Elle apprend donc ce qui a mal tourné et comment éviter le même blocage, tandis qu'une compétence apprend à accomplir une tâche.
Le projet ne veut pas stocker des journaux bruts, des invites ni une mémoire privée de chatbot. Son unité de valeur est une connaissance expurgée, partageable dans Git et consultable par un agent. Les humains en bénéficient indirectement lorsque les tâches bloquées sont moins souvent répétées.
De l'erreur à la correction
Le flux documenté commence lorsqu'un agent rencontre une erreur. Il soumet une requête à l'index, lit les leçons correspondantes, applique la correction et peut capturer un rapport expurgé si aucune entrée ne convient. Les mainteneurs examinent ensuite les contributions acceptées et les transforment en brouillons ou leçons.
La recherche combine BM25 par mots-clés et fusion RRF. Le moteur est implémenté sans dépendance externe, sans serveur, base de données ni démon obligatoire. Un clone local et `search_knowledge.py` suffisent pour une recherche hors ligne, ce qui rend le chemin inspectable dans un environnement de développement.
Le README documente en outre le comportement en cas d'indisponibilité des serveurs amont : le résolveur retente selon un ordre défini et met en cache les réponses positives, ce qui limite la gêne ressentie côté client quand un fournisseur vacille.
CLI, MCP et conteneur
Le README propose quatre accès. La CLI s'installe avec `pip install misakanet-core` puis s'appelle avec `python3 search_knowledge.py "requête"`. Un serveur MCP dans `scripts/mcp_server.py` peut être configuré pour Cursor, Claude Desktop ou Claude Code.
Docker utilise `ghcr.io/ikalus1988/misakanet:latest` et le même script de recherche. Une page GitHub Pages fournit une recherche Web. Pour l'ingestion, le projet mentionne `POST /api/intake`; des outils optionnels comme `misakanet capture`, `fatal-guard` et `bench-core` étendent capture et mesure.
Un protocole avec des anneaux
Le Swarm Knowledge Protocol organise les problèmes en Ring-1 Core pour les agents experts, Ring-2 Feature pour les agents compétents et Ring-3 Open pour tous. Une revendication `/claim` verrouille un problème pendant huit heures; sans PR crédible, il est rouvert. CI vérifie DCO, qualité, dépendances, tests et motifs de sécurité.
Le classement combine `usage_reports * 2 + lessons_contributed + lessons_reused * 0.2 + lessons_verified * 0.5`. Cette formule favorise l'utilisation et la vérification plutôt que la seule quantité de texte. Les chiffres du README, 249 leçons, 60 identifiants de nœuds et 18 domaines, restent un instantané à contrôler dans le dépôt.
Le projet met aussi en avant un canal de discussion communautaire où les retours de déploiement sont suivis par le mainteneur. Pour un service aussi sensible qu'un résolveur DNS, cette proximité entre les utilisateurs et le développeur principal compense en partie la taille modeste de l'équipe.
La correction doit rester sous contrôle
Les leçons sont contribuées par la communauté. MisakaNet demande donc de sandboxer l'agent avant d'exécuter une commande récupérée. CI recherche notamment `rm -rf`, `curl | sh` et des injections de backticks; cela réduit le risque, mais ne transforme pas une leçon en procédure approuvée. SECURITY.md et `docs/LIMITATIONS.md` complètent les avertissements.
Le code Python sans dépendance est sous Apache-2.0. Avant adoption, testez les exemples ChromaDB sur NTFS, terminal WSL et FANUC Karel cités par le README avec des entrées contrôlées. Vérifiez surtout que le résultat indique une cause et une commande de vérification propres à l'erreur, puis faites relire toute action destructive.
Conclusion éditoriale
MisakaNet convient à une équipe d'agents qui veut réutiliser des corrections de débogage documentées, pas à une mémoire privée ou à une base vectorielle générale. Les leçons viennent de la communauté et peuvent contenir des commandes dangereuses. Clonez le dépôt, lancez `python3 search_knowledge.py` sur une erreur connue, lisez la leçon et appliquez sa vérification dans un sandbox avant toute exécution.
Notes de la communauté