Étude de cas · StacksFinder
Le LLM rédige. Le score décide.
Un moteur de scoring déterministe pour recommander une stack technique, avec un serveur MCP pour les requêtes par agent. Un produit personnel.
En bref
- Nature
- produit personnel, moteur de recommandation
- Score
- 6 dimensions, tables de lookup versionnées
- Tests
- plus de 362, dont des tests de régression sur le déterminisme
- Agents
- serveur MCP publié, 10 tools exposés
01 Le problème
La même question, deux réponses différentes.
Face à des centaines de frameworks et d'ORMs, les recommandations générées par un LLM sont inconsistantes : la même question posée deux fois donne des réponses différentes.
02 Ce qui a été livré
Même entrée, même version : même sortie.
Un moteur de scoring déterministe sur tables de lookup versionnées. Le LLM sert uniquement à rédiger la narrative, jamais à sélectionner la technologie. Un serveur MCP expose ce moteur à d'autres agents.
03 Aperçu
Le moteur, écran par écran.
04 Stack
Le LLM ne sélectionne jamais.
Il rédige les narratives, avec un second fournisseur en repli ; le choix reste au score.
- Frontend
- SvelteKit 2 · Svelte 5 Runes
- Backend
- Bun · Drizzle ORM · Zod v4
- Données
- Neon PostgreSQL · Jobs asynchrones
- IA
- LLM = narratives uniquement · OpenAI + Anthropic en fallback
- MCP
- Serveur MCP publié · 10 tools, 4 gratuits
- Paiement
- Paddle · Webhooks idempotents
05 La suite
Déterministe pour décider, LLM pour raconter.
La même doctrine pilote mes moteurs de décision sous contrainte : Optimisation sous contraintes.