god-mode — Radar d'innovation & auto-amélioration de TricorderKit

Transforme une veille dispersée en flux priorisé de candidats d'amélioration. On part des meilleures sources, on filtre par pertinence pour TricorderKit, on classe, et on propose — l'adoption reste un acte humain (DEC + gates). Complète, sans dupliquer : deep-research-core (exécution de recherche), learning-engine (propose/promote), lane tool_scout (self-improving), reflection.py (capture passive). god-mode = la couche de cadrage + sources + ranking au-dessus.

1. Quand se déclencher

« veille techno », « état de l'art / SOTA sur X », « quoi de neuf en IA », « comment améliorer TricorderKit / le RAG / la dédup / l'orchestration », « trouve des innovations », « alimente le tool_scout ».

2. Base de sources (God Mode List) — sources.yaml

Sources tierées (détail + politique dans skills/god-mode/sources.yaml) :

• Primaire (papers + SOTA+code) : arXiv, Papers with Code. → autorité, reproductibilité.
• Adoption / curation : awesome-machine-learning, awesome-public-datasets (GitHub). → maturité, étoiles.
• Découverte / graphe de citations : ResearchRabbit, Litmaps. → voisinage d'un papier clé.
• Analytique / portée : Google Scholar, IEEE Xplore, Dimensions. → citations, validation académique.

Priorité par défaut : Papers with Code (SOTA + code = adoptable) > arXiv (fraîcheur) > awesome- / GitHub* (maturité) > découverte/analytique (approfondissement).

3. Protocole de scan (déterministe)

1. Cadrer la cible : un thème TricorderKit (cf. §4) ou une question utilisateur.
2. Router vers les bonnes sources (§2) — au moins 2 sources, primaire d'abord.
3. Collecter via deep-research-core / WebSearch / web_fetch (ne pas réimplémenter le fetch).
4. Dédupliquer (titre + auteurs ; pas le nom seul).
5. Classer par score (§5).
6. Mapper chaque candidat à un module TricorderKit (§4) + effort estimé.
7. Proposer : écrire un rapport de candidats dans canal_agents/commands/claude_inbox/ ou learning-engine (propose), statut à_valider. Aucune adoption sans DEC + GO.

4. Carte cible — thème → module TricorderKit

Thème	Module / plugin TK concerné
RAG, recherche hybride, reranking, GraphRAG	graphify (Qdrant+Neo4j+RRF+reranker)
Entity resolution / dédup / fuzzy matching	tools/fuzzy_match.py (RapidFuzz) + dédup vault
Scraping, anti-bot, extraction markdown	scraper-runtime
Orchestration agents / workflows durables	workflow-engine (Temporal/LangGraph)
Mémoire (court/long terme, consolidation)	memory-boot + vault + reflection.py
Éval qualité / benchmarks	eval-lab
Routage modèle / coût / compression	token-optimizer
Ingestion documents (PDF/DOCX/…)	document-ingestion

5. Heuristique de classement (score 0-100)

score = 40·pertinence_TK + 30·adoption + 20·récence + 10·faisabilité

• pertinence_TK : recoupe un module §4 et un manque réel (gap).
• adoption : SOTA sur Papers with Code, étoiles GitHub, code dispo, maturité (≠ papier seul).
• récence : ≤ 12 mois favorisé ; mais une référence stable très adoptée garde de la valeur.
• faisabilité : intégrable sans GPU si possible, licence compatible (cf. garde-fous). Ne proposer que les candidats ≥ seuil (défaut 60) ; lister les autres en « à surveiller ».

6. Métacognition & évaluation (issu de la méthode expert-IA)

Pour chaque candidat retenu, renseigner : problème TK qu'il résout, métrique d'amélioration attendue, risque/coût, explicabilité (le gain est-il mesurable/justifiable ?), et une hypothèse testable (idéalement un cas pour eval-lab ou un PoC isolé experiments/). Boucle : proposer → PoC → mesurer → DEC.

7. Garde-fous (non négociables)

• 100 % proposition : god-mode ne modifie jamais le cœur ; il alimente learning-engine/tool_scout/claude_inbox.
• ≥ 2 sources indépendantes ; source primaire/officielle d'abord ; citer URL + date.
• Licence : pour le dépôt public, bannir AGPL/copyleft viral (ex. piège Firecrawl déjà noté) ; vérifier avant toute reco d'intégration.
• YAGNI : ne pas anticiper ce qui duplique l'existant (LiteLLM, Temporal, Qdrant…) ; arbitrer comme la roadmap net-new.
• Anti-hallucination : pas de « SOTA » affirmé sans la source ; un benchmark = un lien Papers with Code/arXiv daté.

8. Cadence

• À la demande (ce skill) sur un thème.
• Planifiable : passe hebdo par thème, déposée sur le bus (lane tool_scout) → revue humaine.
• S'emboîte dans caps (capability local-llm/graph si enrichissement) et le bus canal_agents.

9. Sortie attendue (gabarit)

Rapport GODMODE_RADAR_<thème>_<date>.md :

• Top candidats (score, source+date, module TK cible, gain attendu, effort, licence).
• « À surveiller » (sous le seuil).
• Pour chaque top : hypothèse testable + prochaine étape (PoC experiments/ ou DEC).
• Jamais d'application directe — proposition seule.