Open source

Les deux moteurs de SynaLemma sont open source

Synalinks pour l'agent, Synalog pour la logique : tous sous licence Apache-2.0 et développés en public. Le code étant public, chacun peut vérifier comment les moteurs de SynaLemma contrôlent une règle et calculent une réponse.

Cette page est technique. Pour votre entreprise, cela signifie que les moteurs de SynaLemma peuvent être inspectés par tous, et que vos règles restent lisibles en dehors de notre produit. Voir SynaLemma

  • 1,4 k étoiles GitHub
  • 180 k téléchargements PyPI
  • Apache-2.0 licence
Synalinks

Un framework neuro-symbolique pour les applications à base de modèles de langage

  • Neuro-symbolique
  • Agents
  • RAG
  • RL en contexte
  • Bac à sable embarqué
  • Graphes de connaissances
  • Sorties structurées
  • Python

Synalinks est un framework pour construire, entraîner et déployer des applications à base de modèles de langage (RAG, agents autonomes, systèmes de raisonnement auto-évolutifs) avec une API déclarative et épurée héritée de Keras. Il apporte la discipline du deep learning aux systèmes d'IA : composer des briques, optimiser leurs instructions sur des métriques réelles sans toucher aux poids du modèle, exécuter le code des agents dans un bac à sable embarqué, et déployer le tout en API ou en serveur MCP. Développé sous la supervision de François Chollet, l'auteur de Keras.

Ce que cela change pour vous : l'assistante de SynaLemma est construite avec, si bien que ses sorties respectent un schéma et que ses instructions sont optimisées sur des résultats mesurés.

★ 467 125 k téléchargements
Un programme, construit et entraîné comme avec Keras
program.py
import synalinks

class Question(synalinks.DataModel):
    question: str

class Answer(synalinks.DataModel):
    answer: str

lm = synalinks.LanguageModel(model="ollama/qwen3.8:27b", supports_reasoning=True)

inputs = synalinks.Input(data_model=Question)
outputs = await synalinks.ChainOfThought(data_model=Answer, language_model=lm)(inputs)
program = synalinks.Program(inputs=inputs, outputs=outputs)

program.compile(reward="exactmatch", optimizer="randomfewshot")
await program.fit(x=x_train, y=y_train, epochs=3)
Synalog

Des tables brutes à la connaissance structurée et vérifiée

  • Moteur logique
  • Datalog
  • Graphes de connaissances
  • Compilé en SQL
  • Vérification formelle

Synalog est un langage logique de la famille Datalog, écrit en Rust, qui se compile vers sept dialectes SQL. Un vérificateur formel refuse une règle mal construite avant qu'aucun SQL ne soit généré, et des assertions en logique du premier ordre, écrites dans la notation de Lean, cherchent des contre-exemples dans vos données. Graphes de connaissances par-dessus vos tables, récursion bornée, raisonnement dans le temps : rien n'est copié, tout s'exécute dans votre base.

Ce que cela change pour vous : vos règles métier deviennent du code vérifié avant exécution, et chaque réponse remonte à la donnée qui l'a produite : ce qu'un client ou un régulateur vous demandera de montrer.

★ 19 55 k téléchargements
Une nomenclature à tous les niveaux, avec ses assertions
concepts/requires.l
---
name: Requires
description: An assembly requires a component, directly or inside a sub-assembly, at any level of the bill of materials.
---
import concepts.contains.Contains;

@Assert(Requires,
        no_cycle: "∀ a, ¬ Requires a a",
        transitive: "∀ a b c, Requires a b → Requires b c → Requires a c",
        includes_direct: "∀ a c q, Contains a c q → Requires a c");
@Recursive(Requires, 20);
@OrderBy(Requires, "assembly_id", "component_id");
Requires(assembly_id:, component_id:) distinct :- Contains(assembly_id:, component_id:);
Requires(assembly_id:, component_id:) distinct :-
  Requires(assembly_id:, component_id: middle), Contains(assembly_id: middle, component_id:);
Synalinks Skills

Le savoir-faire Synalinks, empaqueté pour les agents de code

  • Agent Skills
  • SKILL.md
  • Claude Code
  • Codex
  • OpenCode
  • pi
  • Exemples exécutables
  • Références

Synalinks Skills est une bibliothèque de compétences au format ouvert SKILL.md qui apprend aux agents de code à écrire du Synalinks idiomatique : guides faciles à parcourir, scripts exécutables et références approfondies, couvrant le framework de bout en bout. Sans ce guidage, un modèle mélange les syntaxes et produit du code plausible mais cassé. Avec cette bibliothèque, les agents de code écrivent du Synalinks comme notre équipe.

Ce que cela change pour vous : transformer un savoir-faire en instructions qu'une machine suit, c'est ce que fait SynaLemma avec les définitions de vos équipes.

★ 911
Notre recherche

Six sujets, un même fil : rendre les systèmes d'IA mesurables et défendables

Six axes de recherche appliquée, du raisonnement neuro-symbolique à l'évaluation des systèmes d'IA.

  • Optimisation en contexte

    Améliorer un système d'IA sans réentraîner un seul poids : ses instructions et ses exemples sont optimisés selon une récompense mesurable, comme on entraîne un modèle.

    • RL en contexte
    • Optimiseurs évolutionnaires
    • Qualité-diversité
  • Évaluation des systèmes d'IA

    Comment savoir qu'un système répond juste, et qu'il ne s'est pas dégradé depuis hier.

    • Métriques
    • Juges automatiques
    • Non-régression
  • Raisonnement neuro-symbolique

    Contraindre un modèle de langage par la structure et la logique : des sorties valides par construction, un raisonnement inspectable, et des conclusions qui remontent à leurs prémisses plutôt qu'à une intuition statistique.

    • Sorties structurées
    • Logique
    • Vérification
  • Graphes de connaissances

    Transformer des documents en graphes exploitables, puis interroger ces graphes : recherche locale pour les questions précises, recherche globale pour les questions qui portent sur un corpus entier.

    • Extraction de KG
    • GraphRAG
    • Recherche locale & globale
  • Agents et exécution confinée

    Un agent qui écrit et exécute du code est utile, et dangereux. Nous travaillons sur son confinement : isolation du système de fichiers, restriction des appels système, contrôle des accès réseau, capacités accordées explicitement.

    • Bac à sable
    • Confinement
    • Outils d'agents
  • Programmes auto-évolutifs

    Des pipelines où le modèle produit ses propres exemples, où le layer symbolique vérifie et écarte ce qui ne tient pas, et où seul ce qui passe sert à la suite.

    • Auto-distillation
    • Données synthétiques
    • Filtrage symbolique
Le produit

SynaLemma est construit sur ces moteurs

Notre produit commercial les met au travail sur vos données métier : des réponses qui citent la règle derrière chaque chiffre, sur vos serveurs, avec le modèle de votre choix.

Réserver une démo
Communauté

Construit en public, avec une communauté autour

Nos frameworks sont sous licence Apache-2.0 et développés en public. Mettez une étoile aux dépôts, ouvrez un ticket, ou rejoignez la conversation. Pour utiliser ces moteurs sur vos propres données, commencez par SynaLemma.