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 Open source
Les trois moteurs de SynaLemma sont open source.
Synalinks pour l'agent, Synalog pour la logique, Semantic Layers pour la connaissance : 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
- 1 k téléchargements PyPI / mois
- Apache-2.0 licence
Synalinks
Un framework neuro-symbolique pour les applications à base de modèles de langage.
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.
Pour démarrer
$ uvx synalinks init 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.
Synalog
Des tables brutes à la connaissance structurée et vérifiée.
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.
Une nomenclature à tous les niveaux, avec ses assertions
---
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:);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.
Semantic Layers
Vos définitions métier, en code vérifié que les agents exécutent.
Les Agent Skills ont donné aux agents un format ouvert pour les procédures. Semantic Layers est la même idée pour la connaissance : un dossier de définitions (le stock disponible, une livraison en retard, un fournisseur critique) et des règles qui raisonnent dessus. La définition n'est pas paraphrasée par l'agent : elle tourne sur la base, et donne le même résultat quel que soit l'agent qui la lance.
Chercher, puis exécuter
$ semantic-layers search 'late|delivery' Ce que cela change pour vous : une couche de milliers de définitions ne coûte que quelques lignes de contexte, puisque l'agent cherche au lieu de tout charger. Elle s'installe d'une commande, et rien de non vérifié n'y entre. Et comme une couche est un dépôt git, l'histoire de chaque définition se relit et s'audite comme du code.
Synalinks Skills
Le savoir-faire Synalinks, empaqueté pour les agents de code.
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 font nos ingénieurs dans SynaLemma avec les définitions de vos équipes.
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.
-
Évaluation des systèmes d'IA
Comment savoir qu'un système répond juste, et qu'il ne s'est pas dégradé depuis hier.
-
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.
-
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.
-
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.
-
Programmes auto-évolutifs
Des pipelines où le modèle produit ses propres exemples, où la couche symbolique vérifie et écarte ce qui ne tient pas, et où seul ce qui passe sert à la suite.
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 et nos ingénieurs dédiés.