Aura Research : Un outil local compile des documents en un wiki navigable par IA avec mémoire persistante

Aura Research est un outil open-source qui compile des documents bruts en un wiki navigable par IA avec une mémoire persistante. L'outil fonctionne à 100% localement sans que vos données ne quittent votre machine.

Fonctionnement

Le flux de travail comprend quatre commandes principales :

pip install aura-research
research init my-project
# copier les documents dans raw/
research ingest raw/
research compile
research query "votre question"

Vous déposez un dossier de documents bruts (PDF, articles, notes, code, prenant en charge 60+ formats) et le LLM les compile en un wiki structuré en markdown avec des articles liés, des pages de concepts et un index principal. Il compresse ensuite le tout dans une archive .aura optimisée pour la recherche RAG, que le développeur affirme être environ 97% plus petite que les données sources brutes.

Choix de conception clés

• Pas d'embeddings, pas de bases de données vectorielles. Utilise SimHash + Bloom Filters à la place avec une surcharge RAM nulle
• Système d'exploitation mémoire intégré à 3 niveaux (faits / épisodique / bloc-notes) pour que le LLM n'oublie pas le contexte important entre les sessions
• Le wiki est simplement des fichiers .md, consultables dans Obsidian, VS Code ou tout éditeur markdown
• Fonctionne avec n'importe quel fournisseur de LLM (OpenAI, Anthropic, Gemini) ou comme outil natif d'agent dans Claude Code/Gemini CLI où aucune clé API n'est nécessaire
• Tout fonctionne localement sans que vos données ne quittent votre machine

L'approche "sans embeddings"

Le développeur a délibérément évité le pipeline RAG standard (découpage → embedding → recherche vectorielle). À la place, le LLM compile les connaissances en un wiki bien structuré avec un index. Lorsque vous interrogez, il lit l'index, trouve les 2-3 articles pertinents et ne charge que ceux-ci. L'approche suppose que si les connaissances sont correctement organisées, le LLM est suffisamment intelligent pour naviguer dans une bonne structure de fichiers sans avoir besoin d'un modèle d'embedding séparé.

L'outil est disponible sur GitHub à https://github.com/Rtalabs-ai/aura-research et peut être installé via PyPI avec pip install aura-research.