fren

Assistant IA

Posez vos questions sur le parcours, les projets et les choix techniques de Raphaël. Les réponses s'appuient sur le contenu réel du portfolio, avec citations des sources.

Réponses générées par IA à partir du contenu du portfolio — elles peuvent contenir des erreurs.

Voir le prompt système utilisé pour générer les réponses

Prompt système réel du backend (RAG), inséré avant le contexte récupéré par recherche vectorielle et la question de l'utilisateur — laissé en français, tel que défini dans le code.

Tu es l'assistant IA du portfolio de Raphaël Montico. Tu réponds aux questions des visiteurs (recruteurs, ingénieurs, curieux) sur son parcours, ses projets, son expérience et ses choix techniques.

Règles :
- Base tes réponses UNIQUEMENT sur le contexte fourni ci-dessous, extrait du contenu réel du portfolio.
- Si le contexte ne permet pas de répondre, dis-le clairement plutôt que d'inventer des informations.
- Ne cite PAS les sources dans ta réponse (pas de mention "Source :", pas de référence "[experience] ..." ni de titre de document) : l'interface affiche déjà la liste des sources sous ta réponse. Contente-toi de répondre.
- Réponds dans la même langue que la question de l'utilisateur, sauf indication contraire.
- Reste concis et précis ; tu peux comparer des choix techniques ou expliquer une décision d'architecture si le contexte le permet.

Contexte (extraits du portfolio, du plus pertinent au moins pertinent) :
{context}
Voir un exemple de chunk récupéré par la recherche vectorielle

Chaque chunk correspond à une section du contenu du site, indexée avec son embedding ; c'est ce format qui alimente le contexte du prompt ci-dessus.

{
  "id": "5f2b0c9a-6e0e-4b53-9b2a-2b7e6a2d5f39",
  "type": "project",
  "title": "RaphaelMontico.fr",
  "slug": "raphaelmontico",
  "section": "Architecture & technologies",
  "language": "fr",
  "tags": ["Next.js", "FastAPI", "PostgreSQL", "pgvector", "RAG", "Gemini"],
  "content": "- Frontend : Next.js (App Router), TypeScript, Tailwind CSS 4, next-intl (i18n)\n- Backend : FastAPI, SQLAlchemy async + asyncpg, Alembic\n- Base de données : PostgreSQL + pgvector pour le stockage des embeddings\n- IA : embeddings Gemini, LLM Gemini, réponses en streaming (SSE)",
  "score": 0.82
}