PHProf

Assistant pédagogique IA local pour PHP et Symfony

PHProf est un assistant conversationnel qui aide les développeurs francophones à maîtriser PHP moderne (8.x) et le framework Symfony. Il fonctionne 100% en local, sans connexion internet.

Fonctionnalités

• Chat interactif - Interface CLI riche et intuitive
• 100% local - Aucune donnée envoyée sur internet
• RAG intégré - Enrichi avec la documentation officielle Symfony et PHP
• Français natif - Réponses structurées en français
• Pédagogique - Format TL;DR / Problème / Solution / Explication / À retenir
• Multi-plateforme - macOS, Linux, Windows

Cas d'usage

PHProf peut vous aider a :

• Corriger du code PHP - Identifier et corriger les erreurs de syntaxe ou de logique
• Expliquer du code - Comprendre un bout de code PHP ou Symfony
• Ecrire du code - Generer des controllers, entities, repositories, services...
• Deboguer - Trouver pourquoi votre code ne fonctionne pas
• Apprendre - Comprendre les concepts PHP 8.x (types, attributs, enums, match...)
• Bonnes pratiques - Appliquer les standards PSR, SOLID, design patterns
• Symfony - Routing, controllers, Doctrine, Forms, Security, Twig, Messenger...
• Tests - Ecrire des tests PHPUnit et des tests fonctionnels Symfony
• Refactoring - Moderniser du code legacy vers PHP 8.x

Prérequis

• Python 3.11+
• uv (gestionnaire de paquets Python)
• Git
• PHP 8.x (pour la vérification syntaxique)
• ~5 GB d'espace disque

Plateformes supportées

Plateforme	Chat/RAG	Fine-tuning	GPU
macOS Apple Silicon	Oui	Oui (MLX)	Metal
macOS Intel	Oui	Non	CPU
Linux	Oui	Non*	CUDA / CPU
Windows	Oui	Non*	CUDA / CPU

*Fine-tuning possible avec unsloth ou peft

Installation

macOS (Apple Silicon)

# 1. Cloner le projet
git clone https://github.com/2501Pr0ject/PHProf.git
cd PHProf

# 2. Installer les dépendances
uv sync

# 3. Télécharger le modèle
make download-model

# 4. Télécharger la documentation et construire l'index RAG
make download-docs
make build-index

# 5. Lancer le chat
make chat

Linux / Windows

# 1. Cloner le projet
git clone https://github.com/2501Pr0ject/PHProf.git
cd PHProf

# 2. Installer les dépendances
uv sync

# 3. (Optionnel) Recompiler llama-cpp-python avec support GPU NVIDIA
pip uninstall llama-cpp-python -y
CMAKE_ARGS="-DGGML_CUDA=on" pip install llama-cpp-python --no-cache-dir

# 4. Télécharger le modèle
make download-model

# 5. Télécharger la documentation et construire l'index RAG
make download-docs
make build-index

# 6. Lancer le chat
make chat

Note: Sans GPU NVIDIA, le chat fonctionne en mode CPU (plus lent mais fonctionnel).

Utilisation

Chat interactif

# Avec RAG (recommandé)
make chat

# Sans RAG
make chat-no-rag

# Avec le modèle fine-tuné
make chat-finetuned

Question unique

make ask Q="Comment créer un formulaire Symfony ?"

Commandes dans le chat

• quit ou exit - Quitter
• clear - Effacer l'écran

Structure du projet

phpprof/
├── app/                  # Application CLI
│   ├── cli.py           # Interface Typer
│   ├── chat.py          # Boucle de chat
│   ├── rag.py           # Système RAG
│   └── config.py        # Gestion configuration
│
├── scripts/              # Scripts d'automatisation
│   ├── build_index.py   # Construction index FAISS
│   ├── download_docs.py # Téléchargement documentation
│   ├── evaluate.py      # Évaluation automatique
│   ├── syntax_check.py  # Vérification syntaxe PHP
│   ├── build_dataset.py # Construction dataset
│   ├── train_lora.py    # Fine-tuning LoRA
│   └── export_gguf.py   # Export GGUF
│
├── configs/              # Configuration YAML
│   ├── model_config.yaml
│   ├── rag_config.yaml
│   ├── dataset_config.yaml
│   └── lora_config.yaml
│
├── eval/                 # Évaluation
│   ├── prompts_fr.jsonl # 50 prompts d'évaluation
│   └── rubric.json      # Critères d'évaluation
│
├── data/                 # Données d'entraînement
├── rag/                  # Index et documentation
├── models/               # Modèles GGUF
└── reports/              # Rapports d'évaluation

Évaluation

PHProf inclut un système d'évaluation automatique :

# Évaluation complète (50 prompts)
make evaluate

# Évaluation rapide (10 prompts)
make evaluate-quick

# Vérification syntaxe PHP
make syntax-check FILE=reports/eval_xxx.json

Critères d'évaluation

Critère	Poids	Description
Langue française	20%	Réponse en français
Blocs de code	20%	Présence de code PHP
Couverture sujet	20%	Concepts attendus
Longueur réponse	20%	200-800 mots
Qualité pédagogique	20%	Clarté des explications

Fine-tuning (optionnel, macOS Apple Silicon)

Pour améliorer les réponses avec vos propres exemples :

# 0. Installer les dépendances MLX
make install-macos

# 1. Ajouter des exemples dans data/raw/
# 2. Construire le dataset
make build-dataset

# 3. Valider le dataset
make validate-dataset

# 4. Lancer le fine-tuning
make train

# 5. Exporter en GGUF
make export

Note: Le fine-tuning avec MLX nécessite macOS avec Apple Silicon (M1/M2/M3). Pour Linux/Windows, utilisez unsloth ou peft.

Sources de documentation RAG

Source	Description
PHP Manual	Documentation officielle PHP
Symfony Docs	Documentation Symfony 7.x
API Platform	Framework API REST/GraphQL
Doctrine ORM	ORM et DBAL
Composer	Gestionnaire de dépendances
PHPUnit	Framework de tests
Twig	Moteur de templates
PHP-FIG PSR	Standards PHP
Design Patterns PHP	Patterns de conception
PHP: The Right Way	Bonnes pratiques PHP

Technologies

Composant	Technologie
Inférence	llama-cpp-python (Metal / CUDA / CPU)
Modèle	Qwen2.5-Coder-1.5B-Instruct (GGUF Q4_K_M)
Embeddings	sentence-transformers
Index	FAISS
CLI	Typer + Rich
Fine-tuning	mlx-lm (LoRA, macOS uniquement)

Commandes Make

make help          # Affiche l'aide
make setup         # Installation complète
make all           # Setup + RAG complet
make chat          # Lance le chat
make evaluate      # Lance l'évaluation
make train         # Fine-tuning LoRA (macOS)
make install-macos # Installe MLX pour fine-tuning
make lint          # Vérifie le code
make test          # Lance les tests
make clean         # Nettoie les fichiers temporaires

Licence

MIT

Auteur

Abdel TOUATI