Documentation Index
Fetch the complete documentation index at: https://docs.fanifyai.com/llms.txt
Use this file to discover all available pages before exploring further.
Introduction
La base de connaissance (ou RAG, pour Retrieval-Augmented Generation) est la mémoire long terme de votre personnage. Elle stocke des phrases courtes et autonomes (anecdotes, goûts, famille, anniversaires, événements vécus…) que l’IA de chatting peut récupérer à la demande au moment de répondre à un fan. Sans RAG, l’IA s’appuie uniquement sur le persona (fiche d’identité courte) et invente dès qu’un utilisateurpose une question précise (« comment s’appelle ton chien ? », « tu fais quoi cet été ? »). C’est ce qu’on appelle une hallucination. Avec une base de connaissance bien remplie, l’IA va chercher l’info avant de répondre, et n’invente plus.La RAG est complémentaire du persona : le persona définit qui parle et comment, la RAG définit ce qu’elle sait.
Prérequis
- Configuration initiale terminée (assistant de configuration)
- Persona configuré (éditeur de persona) — le prénom et le métier de la créatrice sont utilisés par le générateur
- Une clé OpenRouter valide — la génération depuis un texte et les embeddings consomment des tokens
- Un texte source décrivant votre personnage : biographie, fiche persona, journal, histoire de vie… 300 lignes ou plus donnent les meilleurs résultats
Étapes
1) Ouvrir la base de connaissance
- Connectez-vous à votre instance Fanify
- Allez dans l’onglet Admin
- Cliquez sur Chatting Auto
- Cliquez sur Base de connaissance
2) Générer la base depuis votre fiche persona (recommandé)
C’est la méthode la plus rapide et la plus complète. Vous collez votre fiche, l’IA la découpe en petits chunks sémantiques, écrits à la première personne, et les catégorise automatiquement.Cliquer sur Générer depuis un texte
En haut de la page, cliquez le bouton Générer depuis un texte. Une fenêtre s’ouvre avec une zone de texte.
Coller votre fiche persona
Collez votre fiche complète (biographie, histoire, anecdotes, goûts…). Aucune limite stricte de longueur, 300 lignes ou plus est idéal.
Générer un aperçu
Cliquez sur Générer un aperçu. L’IA analyse votre texte et propose une liste d’entrées. Chaque entrée contient :
Vérifiez rapidement la cohérence (pas d’inventions, faits corrects).
| Champ | Description |
|---|---|
| Texte original | 1 fait par phrase, à la 1ère personne, autonome |
| Type | Info modèle, Vie modèle ou Autres |
| Tags | 1 à 3 mots-clés (ex : Family, Occupation, Hobbies) |
| Température | 0 (neutre) à 100 (très intime/sexuel) |
| Importance | 0 (anecdotique) à 100 (info identitaire cruciale) |
Vous pouvez relancer une génération à tout moment avec un texte différent (par exemple, un journal hebdomadaire) pour enrichir la base. Les nouvelles entrées s’ajoutent aux précédentes, elles ne les écrasent pas.
3) Vérifier et compléter manuellement
Une fois la génération terminée, ouvrez chaque catégorie pour parcourir les entrées créées.Modifier une entrée existante
Modifier une entrée existante
- Ouvrez la catégorie concernée (ex : Informations modèle)
- Cliquez sur le texte d’une entrée : il devient éditable
- Modifiez librement, puis cliquez ailleurs pour valider
- Vous pouvez aussi modifier les tags, la date, ou supprimer l’entrée via l’icône poubelle
Si vous modifiez le texte, l’embedding est automatiquement recalculé lors de la sauvegarde. La recherche sémantique reste donc à jour sans action de votre part.
Ajouter une entrée à la main
Ajouter une entrée à la main
- Ouvrez la catégorie concernée
- Cliquez sur le bouton + en haut à droite
- Saisissez votre texte (1 fait par phrase, à la 1ère personne)
- Ajoutez des tags pertinents
- Cliquez sur la coche verte pour valider (l’embedding est généré à ce moment)
Rechercher dans la base
Rechercher dans la base
Sur chaque catégorie, l’icône loupe ouvre une barre de recherche avec deux modes :
- Texte : recherche classique par mots-clés
- Sémantique : trouve les entrées par sens (ex : « voyages » remontera des phrases qui parlent de vacances ou d’avion sans contenir le mot)
Comment fonctionne la mémoire Fanify
La base de connaissance regroupe 8 catégories. Pas besoin d’en maîtriser le détail technique : retenez surtout les 3 premières, ce sont celles que vous alimentez.| Catégorie | À quoi ça sert |
|---|---|
| Informations modèle | Identité, apparence physique, goûts, préférences, biens possédés |
| Vie de la modèle | Anecdotes, famille, événements vécus, relations |
| Quotidien de la modèle | Journal du jour (ce qu’elle a fait aujourd’hui) |
| Mémoires utilisateur | Faits dits par le l’utilisateur pendant les conversations (alimenté automatiquement) |
| Mémoires modèle | Faits dits par votre personnage pendant les conversations (alimenté automatiquement) |
| Informations utilisateur | Données générales sur les utilisateurs |
| Descriptions de média | Descriptions détaillées des photos/vidéos de votre galerie de PPV (gérer par les PPV automatiquement) |
| Autres | Catégorie fourre-tout |
Les catégories Mémoires utilisateur, Mémoires modèle et Descriptions de média sont alimentées automatiquement par l’IA pendant l’utilisation de Fanify. Vous n’avez pas besoin de les remplir à la main.
Exemples concrets en chatting
Quelques situations réelles où la RAG fait la différence :Question sur la famille
Fan : « Tu as des frères et sœurs ? »
Sans RAG : réponse inventée différente à chaque fois.
Avec RAG : l’IA retrouve « J’ai une petite sœur Lyna de 16 ans et un frère Yllan de 13 ans » et reste cohérente sur la durée.
Sans RAG : réponse inventée différente à chaque fois.
Avec RAG : l’IA retrouve « J’ai une petite sœur Lyna de 16 ans et un frère Yllan de 13 ans » et reste cohérente sur la durée.
Question sur le métier
Fan : « Ton père fait quoi dans la vie ? »
L’IA retrouve « Mon père est un ancien militaire devenu chef d’entreprise dans l’aéronautique » et répond précisément.
L’IA retrouve « Mon père est un ancien militaire devenu chef d’entreprise dans l’aéronautique » et répond précisément.
Rappel de détails
Fan : « C’est quand ton anniv déjà ? »
L’IA retrouve la date exacte saisie dans la base au lieu d’en inventer une nouvelle.
L’IA retrouve la date exacte saisie dans la base au lieu d’en inventer une nouvelle.
Anecdotes personnelles
Fan : « Raconte-moi ton voyage au Japon »
L’IA retrouve les phrases liées à ce voyage et les utilise pour broder une réponse fidèle.
L’IA retrouve les phrases liées à ce voyage et les utilise pour broder une réponse fidèle.
Bon à savoir
Quand enrichir la base ?
- Au tout début, juste après le persona : c’est le moment le plus rentable
- Quand un utilisateur vous pose une question répétée mal gérée par l’IA : ajoutez l’info manquante
- Périodiquement, en relançant le générateur avec un nouveau texte (journal de la semaine, événements récents)
Température et importance
- Température : utilisez 0 pour les faits neutres (famille, métier), 50+ pour les goûts intimes, 80+ pour le contenu explicite. L’IA filtre automatiquement selon le ton de la conversation.
- Importance : 100 = info identitaire (prénom, métier, ville de naissance), 50 = anecdote utile, 20 = détail mineur. Les entrées importantes remontent plus facilement dans les recherches.
Cohérence avec le persona
Si une info contredit votre persona (ex : prénom différent, métier différent), le persona prime. Évitez les contradictions pour ne pas perturber l’IA.Dépannage rapide
- L’IA continue d’halluciner sur un sujet : ouvrez la catégorie concernée et vérifiez qu’une entrée couvre bien l’info. Si l’entrée existe, vérifiez que ses tags correspondent au vocabulaire utilisé par les fans.
- La génération depuis un texte est très lente : c’est normal sur de longs textes. Comptez 30 à 90 secondes pour 300 lignes selon le modèle configuré.
- « Échec de génération » : vérifiez que votre clé OpenRouter (ou autre fournisseur) est valide et que l’agent Générateur de connaissances est bien configuré dans Admin > Chatting Auto > Agents > RAG & Recherche.
- Aucun résultat en recherche sémantique : vérifiez que les entrées ont bien un embedding (icône ✓ dans la liste). Si ce n’est pas le cas, votre modèle d’embedding est mal configuré (voir Admin > Chatting Auto > Modèle d’embedding). Il se peut également que vous n’ayez pas synchroniser les modèles d’embeddings OpenRouter
- Entrées dupliquées après plusieurs générations : c’est sans gravité, mais vous pouvez supprimer les doublons à la main pour alléger la base.