---

name: synthese-multi-llm description: Synthèse co-fabriquée par un conseil de 3 LLMs (Claude, Gemini, Codex). Ce skill devrait être utilisé quand l'utilisateur demande une synthèse robuste, traçable et vérifiée. Il orchestre trois modèles avec des rôles experts distincts (Extracteur, Critique, Architecte) pour produire une synthèse fidèle au texte source, avec contrôle des glissements sémantiques et trail d'audit complet.

Synthèse Multi-LLM (Council)

Synthèse co-fabriquée par délibération de trois LLMs : Claude, Gemini et Codex.

Principe

"Le sens ne s'extrait pas, il se co-fabrique."

Ce skill orchestre trois modèles IA avec des rôles experts distincts pour produire une synthèse robuste. Chaque modèle apporte une perspective différente, permettant de détecter les glissements de sens et de converger vers une synthèse fidèle.

Prérequis

Installation des CLI

Copy# Claude CLI (nécessite abonnement Claude Pro/Max)
npm install -g @anthropic-ai/claude-code
claude auth login

# Gemini CLI
npm install -g @google/gemini-cli
gemini auth login

# Codex CLI
npm install -g @openai/codex
codex auth

Vérification

Copypython3 scripts/synthese.py --check

Utilisation

Phrases de déclenchement

En ligne de commande

Copy# Depuis un fichier
python3 scripts/synthese.py -f document.txt

# Texte direct
python3 scripts/synthese.py -t "Texte à synthétiser..."

# Mode rapide avec cadrage
python3 scripts/synthese.py -f doc.txt --mode rapide \
    --destinataire "comité de direction" \
    --finalite "décision" \
    --longueur "5 lignes" \
    --ton "formel"

# Sortie JSON
python3 scripts/synthese.py -f doc.txt --json

Options

Architecture

Les 3 experts

Processus en 3 rounds

CopyROUND 1: EXTRACTION
├─ Chaque expert analyse selon son focus
├─ Identification thèse + faits + structure
└─ Production de 3 analyses indépendantes

ROUND 2: CRITIQUE CROISÉE
├─ Chaque expert critique les autres
├─ Détection des divergences
├─ Calcul du score de convergence
└─ Si convergence > 80%: passe à la synthèse

ROUND 3: SYNTHÈSE FINALE
├─ Consolidation des analyses
├─ Résolution des divergences
├─ Production de la synthèse
└─ Mention des points de dissensus

Score de convergence

Le score de convergence (0-100%) indique le niveau d'accord entre les experts :

• > 90% : Consensus fort, haute fiabilité
• 70-90% : Accord majoritaire, quelques nuances
• 50-70% : Divergences significatives, vérifier les points de désaccord
• < 50% : Divergences majeures, analyse approfondie nécessaire

Modes de délibération

Standard (défaut)

Processus complet en 3 rounds. Recommandé pour les textes importants ou ambigus.

Rapide

Un seul round d'extraction, synthèse directe. Pour les textes courts et clairs.

Critique

Focus sur la détection des glissements. Utile pour vérifier une synthèse existante.

Pédagogique

Explique chaque étape du processus. Pour comprendre la méthode.

Trail d'audit

Chaque session génère un fichier JSON dans synthese_trails/ contenant :

• Texte source (tronqué)
• Paramètres de cadrage
• Réponse de chaque expert à chaque round
• Score de convergence
• Synthèse finale
• Métadonnées (durée, modèles utilisés)

Consulter un trail

Copycat synthese_trails/synthese-20250702-143052-a1b2c3.json | jq

Résilience

Modèles indisponibles

Le skill fonctionne avec 1 à 3 modèles :

Timeouts

Timeout adaptatif par modèle (défaut: 5 minutes). Configurable via --timeout.

Erreurs

Les erreurs d'un modèle n'interrompent pas le processus. Le trail indique les échecs.

Exemples

Exemple 1 : Synthèse d'un rapport

Copypython3 scripts/synthese.py -f rapport_annuel.txt \
    --destinataire "conseil d'administration" \
    --finalite "décision stratégique" \
    --longueur "1 page" \
    --ton "formel"

Exemple 2 : Vérification critique

Copypython3 scripts/synthese.py -t "Ma synthèse existante..." \
    --mode critique

Exemple 3 : Pipeline avec sortie JSON

Copypython3 scripts/synthese.py -f doc.txt --json | \
    jq -r '.synthese_finale' > synthese.md

Documentation de référence

Crédits

Inspiré de Council par bacoco et du concept LLM Council d'Andrej Karpathy.