16 FAQ.fr

16 — FAQ

Mise à jour : 2026-08-21

🌐 English · Français

Questions fréquentes. Voir aussi docs/FAQ.md pour la FAQ courte original.

🌟 Général

Qu'est-ce que Nokido ?

Un système d'exploitation IA autonome, local-first, à gouvernance neuro-symbolique. Il orchestre plusieurs cerveaux spécialisés (LLMs, embedders, SNN, GOAP, planner AMI), possède sa mémoire (RAG persistant), filtre chaque appel cloud (Firewall sémantique + Membrane souveraine), et reste local-first par défaut.

Version courte : un hôpital high-tech où chaque cerveau a une spécialité, chaque échange est filtré, et le tout se souvient de tout 24/7 sur ta machine. Voir MANIFESTO.md pour la philosophie complète.

Pourquoi "Nokido" ?

Ça forge des choses — code, plans, décisions. Aussi un clin d'œil à Geordi La Forge (Star Trek TNG) — l'ingénieur en chef qui fait marcher l'impossible avec des ressources locales.

Qui maintient ?

user (@user). Projet solo, ouvert aux contributeurs.

C'est quelle licence ?

AGPLv3-or-later. Si tu hostes Nokido en service réseau, tu dois publier tes modifs. Lire CONTRIBUTING.md pour le pourquoi.

Nokido est stable ?

C'est alpha. La branche alpha = dev actif, beta = release-prep, main trackera releases stables. Pin à un tag pour usage production-like.

🚀 Démarrage

Quel hardware il faut ?

Minimum :

• 8 GB RAM
• 4 cores CPU
• 2 GB disque

Recommandé :

• 16+ GB RAM (32 si tu veux les extras ml avec torch)
• 8+ cores
• iGPU intégré (Radeon iGPU, Intel Arc, NVIDIA, M1+ Metal) pour brain_worker embedder
• 10+ GB disque si tu gardes l'historique RAG

Testé sur AMD Ryzen 7 8700G + Radeon 780M iGPU (APU consumer). Tous les benchmarks README viennent de ce setup.

Pourquoi Python 3.12 et pas 3.11 ?

Plusieurs raisons :

• Type hints modernes (X | None, dict[K, V])
• tomllib en stdlib
• Meilleure perf async
• Les wheels faiss-cpu ciblent 3.12

Python 3.13 et 3.14 marchent aussi.

Faut connaître Python pour utiliser Nokido ?

Non. Le setup Docker te fait tourner en 5 min. Tu interagis via ton client MCP (Claude Code, Gemini CLI, Codex CLI, Cline) ou via le TUI (nokido-cli).

Pour étendre Nokido (nouveaux modules, skills custom), oui — Python est le langage primaire.

Différence entre Nokido et Ollama ?

Ollama = runtime LLM local — un process, un ou plusieurs fichiers modèle, API compatible OpenAI. Nokido utilise Ollama comme un de ses 29 providers LLM.

Nokido ajoute :

• Routage multi-provider avec cascade fallback
• Mémoire persistante (RAG)
• Firewall sémantique + membrane souveraineté
• Orchestration multi-agent
• Gouvernance neuro-symbolique
• Pile cognitive AMI
• RBAC réel
• Sandboxing, vault, audit, etc.

Ollama = la station service. Nokido = la voiture.

Différence entre Nokido et LangChain / AutoGPT / Agents SDK ?

L'inversion majeure : dans Nokido le hub est l'orchestrateur, le LLM est un worker transient. LangChain / AutoGPT font du LLM l'orchestrateur (qui re-envoie le chain-of-thought à chaque tool call). Résultat mesuré : Nokido consomme 5-15× moins de tokens pour le même résultat. Voir MANIFESTO §3.5.

Nokido a aussi des choses qu'ils n'ont pas : Firewall Sémantique, Membrane Souveraine, pile cognitive AMI, RBAC 6-rings, voie verdict neuro-symbolique. La comparaison la plus proche = OpenHands (ex-OpenDevin), mais même là Nokido diffère : souveraineté + mémoire + gouvernance.

🤖 LLMs & providers

Quel LLM utiliser ?

Pour la plupart des tâches, auto routing : la cascade pick pour toi. Pour forcer :

• Code : qwen2.5-coder:32b via Ollama (local), ou groq (free cloud, rapide).
• Reasoning : gemini_pro (free tier 1k/mois), ou cohere_command_r_plus.
• Vision : gemini_flash (1M context, gratuit).
• Long context : gemini_flash aussi, ou cohere_command_r_plus (128k).
• Tool calling : llamacpp_local (qwen2.5-coder + --jinja), ou ollama.

Obligé d'utiliser un LLM cloud ?

Non. Le tier local (Ollama, llama.cpp, LM Studio, brain_worker) couvre la plupart des workflows. Le cloud = boost qualité quand le local suffit pas.

Privacy pour appels cloud ?

Deux couches automatiques :

1. SemanticFirewall.pre_flight : DLP + check injection + canary.
2. SovereignMembrane.wrap : anonymisation alias HMAC des hostnames, paths, IPs, tokens, UUIDs.

Le provider cloud voit [host:xxx] et [path:yyy], pas tes vraies données. Hub restore aliases dans la réponse transparently.

Tu peux aussi désactiver complètement cloud : delete les clés API du vault, et la cascade utilisera que les providers locaux.

Ajouter un provider custom ?

Voir 05 — Providers LLM § Ajouter provider custom.

Pourquoi mon appel Groq / Cerebras / Cohere échoue ?

Cause la plus probable = quota. Check :

http://127.0.0.1:8766/admin/providers

Si % rouge, le provider est skip par la cascade jusqu'à reset quota (début mois/jour suivant).

🛡️ Sécurité

Comment les secrets sont stockés ?

Dans un vault OS-encrypted machine-wide :

• Windows : DPAPI CRYPTPROTECT_LOCAL_MACHINE.
• macOS : Keychain.
• Linux : libsecret / Secret Service.

Voir 08 — Vault & secrets.

Et si le vault leak ?

Le fichier vault (data/machine_vault.dat) est chiffré avec la clé machine. Un attaquant réseau qui pull le fichier ne peut pas le déchiffrer sans accès local.

S'ils ont accès local (compte utilisateur compromis), c'est le même profil de menace qu'un .env sur disque. Le vault aide contre leak passif (backups, git push, file sync), pas contre compromission active.

Exposer le hub à internet ?

Don't. Hub bind 127.0.0.1 par défaut. Pour accès depuis autre machine, utiliser Tailscale ou WireGuard. Ne change pas le bind à 0.0.0.0.

Reporter une vulnérabilité ?

Disclosure privée : onglet Security → Report a vulnerability. Voir SECURITY.md. 72h ack target.

Y a-t-il des backdoors ?

Non. Code AGPLv3 — entièrement lisible, auditable. Le hub bind localhost, aucune télémétrie, aucun "phone home". Hooks pre-commit (Gitleaks + forge_secret_guard) préviennent inclusion accidentelle secrets.

Si tu veux paranoïa extra : build localement, audit app/forge_*.py, inspect network_log pour outbound calls.

💾 RAG & mémoire

Quelle taille du RAG ?

Install fresh défaut : ~3k chunks (seed data — lessons, configs, ADRs). Après quelques semaines d'usage actif : 50-100k. Le setup dev référence = ~380k chunks à ~16k embeddings (tier warm).

Delete le RAG et recommencer ?

Oui :

rm RAG/embeddings.db
python tools/forge_db_bootstrap.py  # re-import baseline

Tu perds toutes les leçons apprises et contenu indexé.

Comment interroger le RAG ?

Trois manières :

• MCP : tool rag avec action=search, topic=<query>.
• UI web : http://127.0.0.1:8766/forge/rag.
• SQL (ring 0 only) : tool query avec syntaxe FTS5.

Exporter le RAG ?

Oui. tools/forge_db_seed_export.py dump tables en JSONL avec schéma. Utile pour backups et sync cross-machines.

🔌 MCP & clients

MCP c'est quoi ?

Model Context Protocol — standard ouvert Anthropic (2024) pour interaction client-LLM tool. Nokido implémente MCP 2025-03-26.

Quels clients marchent ?

Testés : Claude Desktop, Claude Code, Gemini CLI, Codex CLI, Cline (VS Code), MCP Inspector, clients HTTP custom. Tout client MCP-compatible devrait marcher — voir 04 — Configuration clients MCP.

Écrire mon propre client MCP ?

Oui. Parle JSON-RPC 2.0 sur HTTP ou STDIO avec le schéma de 06 — Référence API hub. 25 tools dispo.

⚙️ Opérations

Mettre à jour Nokido ?

cd Nokido
git pull
# Docker
docker compose -f docker/nokido/docker-compose.yml build
# Natif
EXTRAS=$TON_PROFIL bash install.sh

Backup ?

Paths critiques à backup :

• RAG/embeddings.db — la mémoire.
• data/machine_vault.dat — vault (Windows).
• Nokido.env — config (no secrets).
• seed/*.jsonl — bootstrap data.
• logs/lessons_learned.md — trace human-readable.

tar czf laforge-backup-$(date +%F).tar.gz \
    RAG/embeddings.db data/machine_vault.dat \
    Nokido.env seed/ logs/lessons_learned.md

Combien coûte Nokido ?

• Local-only : 0 € / mois.
• Avec free-tier clouds : 0 € / mois si tu restes sous les quotas.
• Avec APIs payantes : dépend de l'usage. Session dev typique : $0.50–$5 / jour si tu sollicites Claude Sonnet pour tâches dures.

La cascade est conçue pour minimiser le coût — local d'abord, free ensuite.

Run Nokido headless ?

Oui. Ne lance pas le TUI ; juste run laforge-hub (ou Docker compose). Toute la fonctionnalité est dispo via HTTP MCP.

Run plusieurs instances Nokido même machine ?

Oui — change le mapping port. Hub prend env var LAFORGE_HUB_PORT. Chaque instance a besoin de ses propres dirs RAG/, data/, logs/, sandbox/.

🧪 Dev

Ajouter un nouveau tool au hub ?

1. Register dans app/forge_mcp_registry.py::ToolRegistry.
2. Ajouter handler dispatch.
3. Ajouter à tools/hub_middleware.py::_ALLOWED_TOOLS.
4. Test : pytest tests/test_forge_mcp_registry_namespace.py tests/test_forge_mcp_registry_unicode.py.

Écrire un skill custom ?

Voir docs/skills/nokido/SKILL.md.

Run les tests ?

pytest tests/                   # tous
pytest tests/ -m unit           # rapides only
pytest tests/ -m security       # suite security
pytest tests/test_forge_scorecard.py

CI matrix : Ubuntu + macOS + Windows. Voir .github/workflows/ci.yml.

Ouvrir une issue ?

GitHub : https://github.com/Nokido-labs/nokido/issues. Templates Bug report ou Feature request. Pour sécurité : email privé (voir au-dessus).

🛣️ Futur

C'est quoi la roadmap ?

Voir MANIFESTO §9 et 13 — Roadmap matérielle. Résumé :

• Phase A (current → 12 mois) : support NPU edge accelerator.
• Phase B (12-24 mois) : backend neuromorphique (Akida, Loihi).
• Phase C (24-48 mois) : analogique CIM / RRAM / photonique.
• Phase D (48+ mois) : grilles neuronales continues.

Y aura-t-il une version SaaS ?

Pas dans le futur prévisible. Tout l'intérêt de Nokido = souveraineté locale. Une Nokido SaaS serait auto-contradictoire.

Support Windows ARM / Apple Silicon ?

Apple Silicon : marche déjà (M1/M2/M3) — CoreML backend brain_worker, Metal pour torch. Windows ARM : pas testé ; PRs welcome.

Utiliser Nokido sur Mac sans Docker ?

Oui : bash install.sh sur macOS marche nativement. Voir 01 — Installation § macOS.

Supporter plus de providers LLM ?

Oui — mais vendor-neutrally, via litellm. Si litellm le support, Nokido aussi (ajouter spec dans forge_provider_specs.py). Si provider a besoin client custom (SDK Anthropic, mistral_common…), file une issue.

🤝 Communauté

Où trouver de l'aide ?

• Ce wiki.
• GitHub Discussions (une fois activé sur repo public).
• Mentionner @user pour les questions de design.

Sponsoriser / donner ?

Public release setupera GitHub Sponsors. D'ici-là, contribuer des PRs = meilleur moyen de soutenir.

Comment citer Nokido en académique ?

@software{nokido_2026,
  author = {user},
  title  = {Nokido: An Autonomous, Local-First AI Operating System
            with Neuro-Symbolic Governance},
  year   = 2026,
  url    = {https://github.com/Nokido-labs/nokido}
}

Replace l'URL par la citation URL canonique une fois une release taggée.