Kaobase, des agents IA pour gérer ses finances, ses abonnements et ses tâches.

StatutPrototype en ligne, en développement
RôleDéveloppement de bout en bout : interface web, app iOS, base de données et agents IA
WebNext.js, React, TypeScript, Tailwind CSS 4, hébergé sur Vercel
App iOSSwiftUI, session conservée dans le trousseau
Données et IAPostgreSQL chez Neon avec sécurité par ligne, pgvector, modèles Groq et Gemini
Tableau de bord de Kaobase : solde total, entrées et dépenses du mois, prévision du solde sur 30 jours, prélèvements à venir et tâches du jour
Tableau de bord du compte de démonstration, avec des données fictives.

Ce que fait l'application

Kaobase réunit les comptes, les opérations, les budgets, les abonnements et les tâches d'une personne. Les opérations arrivent par l'import d'un relevé bancaire, en CSV ou en OFX, ou par une phrase dictée à un agent, comme « 12 € de pain hier et 40 € d'essence ».

La rubrique Mes apps garde les raccourcis des services que l'on utilise, avec un catalogue consultable par recherche, catégorie et tri. Les apps épinglées apparaissent sur l'accueil.

Des agents qui agissent, avec des garde-fous

Quatre agents se partagent le travail : finance, abonnements, tâches et imports. Chacun peut enregistrer, chercher ou corriger une opération, créer une tâche et retenir une préférence, puis ajoute ses compétences propres : prévision et budgets pour la finance, pistes d'économies pour les abonnements, contrôle qualité pour les imports.

Un orchestrateur choisit l'agent : par mots-clés d'abord, ce qui ne coûte rien, puis par un petit modèle rapide si la question est ambiguë. Les réponses viennent de Groq, avec une bascule automatique vers Gemini en cas de quota atteint ou d'erreur.

Supprimer une opération, une tâche ou un budget demande un clic sur « Confirmer la suppression » dans le chat. L'élément visé est affiché, la demande expire au bout de dix minutes, et toute modification de l'élément l'annule. Un « oui » écrit au modèle ne supprime rien.

Apprendre sans réentraîner de modèle

Chaque correction de catégorie crée ou renforce une règle commerçant vers catégorie, avec un niveau de confiance. Ces règles passent avant le modèle, qui ne traite plus que les commerçants inconnus.

Les échanges, les faits mémorisés et les corrections sont retrouvés par similarité grâce à pgvector et à des embeddings calculés localement. Les réponses validées ou corrigées deviennent des exemples réutilisés sur les questions proches. Une page Performance IA suit la satisfaction, la latence et la part des demandes résolues sans IA.

La détection des abonnements n'utilise pas d'IA : elle repose sur la périodicité, la stabilité des montants et la récence des prélèvements. Un abonnement rejeté par l'utilisateur ne revient pas.

Données et sécurité

Les données et l'authentification reposent sur Neon (PostgreSQL). Chaque requête porte un jeton utilisateur vérifié et reste soumise à la sécurité par ligne : un compte ne voit que ses propres données. L'app iOS passe par les mêmes routes et garde sa session dans le trousseau.

Les règles de sécurité SQL sont testées sur les vraies migrations, dans un PostgreSQL local en WebAssembly (PGlite), sans contacter de base distante. Des tests unitaires couvrent les imports CSV et OFX, la détection d'abonnements, les règles, la prévision et le routage des questions.

Un projet à démarrer ?

Précisez vos besoins fonctionnels, votre calendrier et l'état de vos maquettes pour recevoir une proposition. Réponse sous 24 h ouvrées.

Décrire mon projet