À propos & méthodo.

Lantern est ce que j'aurais voulu lire à la place. Une seule page, déjà filtrée. Un agent qui a lu la semaine de veille pour moi, viré les annonces et les pitchs déguisés, scoré le reste sur ce qui compte — pertinence, rigueur de la preuve, actionnabilité — et m'en sort une sélection courte avec des résumés honnêtes. Pas de marketing, pas de teaser reformaté.

Je le construis seul, le soir et les weekends, en marge de l'atelier où je mets ces systèmes en service pour des équipes. C'est un projet d'auteur, pas une startup. Ça veut dire trois choses :

• Pas de pubs, pas de tracker. Lantern ne te suit pas, ne vend pas tes données, et n'a aucun script tiers chargé.
• Pas de growth hacking. Pas de notif push, pas de gamification, pas de « streak ». Tu lis quand tu veux.
• Curation explicite. Les sources sont publiques, le scoring est documenté ci-dessous, et l'IA ne réordonne jamais ta lecture : le feed est chronologique par défaut, le tri par score est opt-in.

Chaque article qui apparaît dans ton feed a traversé cinq étapes. La plupart prennent quelques secondes ; le scoring LLM est le goulot d'étranglement. Le pipeline tourne une fois par jour — un rythme choisi, pas une limite technique : la dizaine de sources actives ne publie pas en continu, un passage quotidien suffit largement.

+-- 01 -----+    +-- 02 ------+    +-- 03 ------+    +-- 04 -----+    +-- 05 -----+
|  FETCH    | -> |  EXTRACT   | -> |  DEDUPE    | -> |  SCORE    | -> |  PUBLISH  |
+-----------+    +------------+    +------------+    +-----------+    +-----------+
rss-parser       readability       simhash 64b       gpt-5-nano     ranking + feed

Ce qui suit détaille chaque étape — ce qu'elle reçoit, ce qu'elle produit, et ce qu'elle peut rater.

Le scoring est le seul endroit où l'IA décide quelque chose à ta place. Pour que ce soit honnête, voici le prompt système exact, et la grille qu'il applique. Et tu peux toujours ignorer le score : le feed est chronologique par défaut — le tri par score et le filtre de score minimum sont opt-in.

La grille

• 5 ★ — Cœur de cible. L'auteur montre ce qu'il a construit, ce qui a cassé, ou comment le reproduire — directement transférable à un système en service.
• 4 ★ — Très bon. Système effectivement déployé, chiffres d'exploitation (coût par run, latence, taux d'échec) ou méthodo d'eval explicite.
• 3 ★ — Solide mais adjacent. Release, protocole ou bibliothèque décrit avec assez de matière technique pour être évalué.
• 2 ★ — Marginal ou promotionnel. Annonce ou benchmark de modèle, listicle de prompts, feature vendor maquillée en guide — même excellents.
• 1 ★ — Bruit. Aucune IA en jeu, claim sans preuve, prose AI-generated.

Seuil de publication : le score final est le composé pondéré des trois axes (0.4·pertinence + 0.3·rigueur + 0.3·actionnabilité, échelle 1.0–5.0). Un article passe la barre quand ce composé est ≥ 3.5 / 5. En dessous, il reste en base (audit, calibration) mais n'apparaît pas dans le feed public.

Le prompt système (extrait)

# rôle : évaluateur de veille systèmes IA
Tu es un évaluateur de veille pour un praticien technique qui met
des systèmes IA en production et doit les exploiter ensuite (agents,
automatisation de workflows, mémoire et contexte, permissions et
garde-fous, evals, intégrations). Tu produis un score structuré,
pas un résumé marketing.

# 3 axes, entiers 1-5
- PERTINENCE      Aide à CONSTRUIRE ou EXPLOITER un système IA qui
                tourne ? 1 = hors-sujet · 5 = cœur de cible ET
                directement transférable à un système réel.
                GATE 1 — PRÉREQUIS IA : un contenu purement
                technique SANS IA (base de données, infra, réseau,
                front-end, perf serveur) est hors-sujet → 1, quelle
                que soit sa qualité technique.
                GATE 2 — CONSTRUIRE OU EXPLOITER : même avec de
                l'IA, annonce/review/benchmark de modèle, listicle
                de prompts, feature vendor, usage grand public
                → 1-2, MÊME excellents, MÊME d'une source de
                référence. En cas de doute, si le lecteur ne repart
                avec rien à mettre en œuvre → 2 max.
- RIGUEUR         Thèse adossée à une mise en œuvre réelle (code,
                mesures, retour d'exploitation, cas limites) ou
                assénée ? Un teaser purement promo OU un billet où
                un vendor promeut son propre produit avec des
                chiffres internes invérifiables plafonne à 2, même
                d'une source réputée.
- ACTIONNABILITE  Applicable sur un système réel cette semaine ?
                1 = théorique · 5 = code/config/procédure clé
                en main.

# ajustements (le LLM les applique lui-même)
- anti-patterns (-1) : listicle creux, vendor content déguisé,
démo jouet présentée comme un système en production, gain annoncé
sans mesure, prose AI boilerplate.
- bonus (+1) : retour d'exploitation réel (ce qui a cassé, sur
quelle durée), chiffres d'exploitation, code/architecture montrés,
traitement des permissions ou du comportement en panne.

Sortie JSON stricte : { depth, novelty, applicability, type,
tags, summary, reasons }

Les trois axes sont pondérés côté code (0.4 pertinence · 0.3 rigueur · 0.3 actionnabilité) pour donner le score final — ils sont stockés sous leurs clés JSON historiques depth / novelty / applicability, d'où les noms dans la sortie du prompt ci-dessus. Le prompt est versionné et figé pour rester comparable d'une semaine à l'autre ; quand on bump (rare), c'est noté dans le changelog.

Ce que je ne fais pas

• Pas de personnalisation par utilisateur. Tout le monde voit le même score édito. Lantern n'apprend pas de tes clics.
• Pas d'A/B test sur les titres. Le titre affiché est celui de la source, point.
• Pas de boost commercial. Aucune source ne paie pour apparaître. Aucune source n'est exclue parce qu'elle nous critique.