Recettes

De vrais workflows exécutables qui accomplissent quelque chose d'utile de bout en bout avec les outils intégrés. Lancez-en n'importe lequel avec chimera workflow <file> -w <workspace>. Les sources complètes vivent dans le dossier examples/.

Entièrement local, sans clé API (Ollama)

Faites tourner Chimera contre un modèle sur votre propre machine — aucune clé, rien ne sort de la machine. Installez Ollama, récupérez un modèle, puis pointez Chimera dessus :

ollama pull llama3.1                     # or qwen2.5, mistral, phi3, …
export CHIMERA_DEFAULT_MODEL=ollama_chat/llama3.1     # the `ollama_chat/` prefix = local, keyless
chimera agent "Summarise this file in 3 bullets" -w .

C'est tout — pas de OPENROUTER_API_KEY, pas de cloud. La barrière d'identifiants reconnaît ollama/… (et ollama_chat/…) comme un runtime local et laisse passer. Si Ollama tourne ailleurs, définissez CHIMERA_OLLAMA_BASE_URL=http://host:11434 (http://127.0.0.1:11434 par défaut).

Utilisez ollama_chat/ plutôt que ollama/ : le préfixe ollama/ passe par l'endpoint generate d'Ollama, qui ne peut pas appeler d'outils.

Chaque appel à un modèle Ollama demande une fenêtre de contexte de 32 768 tokens (CHIMERA_OLLAMA_NUM_CTX). La valeur par défaut d'Ollama est souvent de 4 096, et il tronque un prompt plus long à environ la moitié de la fenêtre sans erreur — la première requête de l'agent à elle seule (prompt système, schémas des outils, tâche) fait ~20 500 caractères, donc avec la valeur par défaut le modèle ne voit jamais la tâche. Le cache KV grandit avec la fenêtre : sur un petit GPU, un gros modèle peut déborder des couches vers le CPU (ollama ps montre la répartition), ce qui est plus lent mais lit toujours le prompt entier ; baissez alors le nombre. 0 n'envoie rien et laisse la valeur par défaut du serveur. Si le décompte de prompt d'Ollama lui-même montre qu'un prompt a quand même été tronqué, la gateway journalise un avertissement PROMPT TRUNCATED nommant le modèle.

Les modèles locaux sont plus petits, donc c'est l'extrémité faible de la plage goldilocks — bien adapté à chimera solve (plan + verify-or-revert aide un modèle faible) et à la confidentialité hors ligne, moins pour du raisonnement frontière en un coup. Combinez : un défaut local avec des CHIMERA_FALLBACK_MODELS en cloud pour les appels difficiles.

Triage d'e-mails

Lit votre boîte de réception, classe URGENT / PERSONAL / NEWSLETTER / COLD-SALES, écrit un digest de dix secondes. En lecture seule — rien n'est supprimé, déplacé ou envoyé.

chimera workflow examples/email_triage/triage.yaml -w ./triage_workspace

Nécessite des identifiants IMAP. Configuration + planification quotidienne : examples/email_triage/README.md.

Brief de recherche quotidien

Un sujet en entrée, un brief sourcé en 5 points + un digest de 3 lignes en sortie (arxiv toujours ; recherche web si une clé Tavily est définie).

chimera workflow examples/research_brief/brief.yaml -w ./brief_workspace

Surveillance de dépôt (repo watchdog)

Exécute la suite de tests d'un dépôt et écrit un rapport de santé nommant les tests en échec. En lecture seule sauf le rapport.

chimera workflow examples/repo_watchdog/watch.yaml -w /path/to/your/repo

Lire des documents (PDF, DOCX, XLSX…)

L'agent lit du texte brut par défaut. Pour de vrais documents — PDF, Word, PowerPoint, Excel, HTML, CSV, EPUB — installez l'extra optionnel et il gagne un outil read_document qui convertit n'importe lequel d'entre eux en Markdown :

uv sync --extra documents      # or: pip install 'chimera-agent[documents]'

Pointez ensuite une tâche vers un fichier : « Résume report.pdf en 5 points. » Sans l'extra, read_document renvoie une indication d'installation en une ligne plutôt que d'échouer.

Naviguer sur le web (naviguer, lire + agir)

L'outil browser est intégré — il pilote un vrai Chromium (il voit donc les pages rendues en JavaScript que le simple http_get ne peut pas voir). Playwright est fourni avec Chimera ; le binaire Chromium d'environ 150 Mo est téléchargé automatiquement la première fois que vous utilisez le navigateur (une étape ponctuelle que pip ne peut pas faire pour vous). Aucune étape d'installation requise :

# nothing to install — just use it. To turn the auto-download off and fetch it yourself:
#   CHIMERA_BROWSER_AUTO_INSTALL=0  +  playwright install chromium
# For clean Markdown out of read_text (instead of plain text), also add the documents extra:
uv sync --extra documents        # or: pip install 'chimera-agent[documents]'

L'outil browser a ces actions :

• navigate / read — ouvre une URL et liste les éléments interactifs de la page sous la forme [ref] role: name (liens, boutons, champs), pour que l'agent clique/tape par ref, pas par pixel.
• read_text — le texte intégral rendu de la page, pour lire/rechercher un article, un document ou un résultat. Avec l'extra documents c'est du Markdown propre (titres, liens, listes préservés via MarkItDown) ; sans, le texte visible brut. Passez un url optionnel pour ouvrir + lire en une seule étape.
• find — recherche une requête dans le texte rendu et récupère les lignes correspondantes.
• click / type / back — pilote la page par ref.

CHIMERA_BROWSER_HEADLESS=false fait tourner Chromium en mode visible pour le débogage.

Le contenu de page est non fiable : chaque résultat est clôturé comme donnée (data-fenced) et l'outil contamine le run, donc préférez solve --taint --guard lors de la navigation et extrayez les champs structurés via le lecteur en quarantaine plutôt que d'agir sur le texte brut de la page. Sans l'extra documents, read_text fonctionne quand même — juste en texte brut au lieu de Markdown.

Rechercher un sujet (recherche + lecture)

Combinez la recherche web avec le read_text du navigateur pour rechercher quelque chose et obtenir un brief sourcé — web_search (nécessite TAVILY_API_KEY) trouve les pages, browser read_text lit chacune d'elles (y compris les sites riches en JS), et deliver rédige le brief :

uv run chimera solve "Research 'on-device small language models 2026': web_search for sources, \
  open the top 3 with the browser and read_text each, then write a 5-bullet sourced brief to brief.md" \
  --taint --verify "test -s brief.md"

Pour une version prête à l'emploi avec une vérification exécutable par étape, voir examples/research_brief — elle utilise arxiv_search + web_search par défaut, et avec l'extra browser installé l'agent peut aussi faire read_text de pages entières au lieu de s'arrêter aux extraits de recherche.

Scraping & extraction structurée sûre

Deux outils intégrés transforment n'importe quelle page en données propres, prêtes pour un LLM — aucun extra à installer :

• scrape — récupère une URL et renvoie du Markdown + métadonnées propres. Il parcourt une cascade sensible au coût : un simple GET HTTP d'abord, escaladant vers le navigateur intégré (rendu JS) si la page revient vide, et — seulement si vous définissez FIRECRAWL_API_KEY — repliant sur Firecrawl pour les pages lourdement anti-bot. render=http|browser|firecrawl force un backend spécifique ; include_links renvoie aussi les liens de la page.
• extract — extrait des champs spécifiques sous forme de JSON validé, en toute sécurité. Donnez-lui une url (ou un content) et une liste de fields (par ex. ["title", "price", "author"]) et il renvoie uniquement ces champs. Fait crucial, il lit la page à travers le lecteur en quarantaine de Chimera — un modèle sans outils dont la sortie est validée par schéma — donc des instructions cachées dans la page ne peuvent pas détourner l'agent. C'est la garantie de sécurité que Firecrawl/ScrapeGraphAI ne vous donnent pas : une page hostile peut au pire renvoyer une valeur erronée, jamais une nouvelle instruction. Les pages volumineuses sont découpées en morceaux et fusionnées, s'arrêtant tôt dès que chaque champ est rempli pour plafonner le coût. Pour un modèle de page connu, passez selectors (champ → CSS, par ex. {"price": ".price", "link": "a.more::attr(href)"}) et ces champs sont extraits de façon déterministe — gratuit, sans LLM — le LLM sûr n'étant utilisé que pour les champs qu'un sélecteur n'a pas remplis.

uv run chimera agent "scrape https://news.ycombinator.com and summarize the top 5 stories"
uv run chimera agent "extract the fields title, price, availability from https://example.com/product --taint"

Pour des sites entiers, il y a deux verbes supplémentaires :

• map — liste les URLs d'un site à moindre coût (lit le sitemap quand il y en a un, sinon scanne les liens de la page). Filtre optionnel par mot-clé search. Lancez ceci pour cadrer un site avant de le crawler.
• crawl — suit les liens depuis une URL de départ et renvoie le Markdown propre de chaque page. Borné par limit et max_depth, même domaine par défaut, et respectueux du robots.txt (il obéit à Disallow et Crawl-delay). include/exclude sont des motifs glob d'URL. Les crawls longs sont reprenables : la frontière est sauvegardée sur disque après chaque page, si bien qu'un crawl interrompu à la page N continue depuis N+1 au run suivant (resume=true par défaut).

uv run chimera agent "map https://docs.example.com then crawl the /guide section (max 20 pages) and summarize it"

Tout est clôturé comme donnée et contamine le run (c'est du contenu web non fiable), donc solve --taint --guard est la façon sûre d'agir dessus. Le repli optionnel vers Firecrawl n'est utilisé que quand le moteur intégré ne peut pas récupérer une page et que la clé est définie — Chimera scrape la grande majorité du web lui-même, sans service externe.

Audio : transcription voix-vers-texte

Chimera peut transformer la parole en texte — le partenaire symétrique de ses outils de génération d'images et de synthèse vocale. Il orchestre un modèle Whisper (il n'en entraîne pas) : l'outil transcribe_audio utilise le faster-whisper local si vous installez l'extra stt (hors ligne/privé), sinon l'API Whisper hébergée d'OpenAI (nécessite une clé OpenAI) :

uv sync --extra stt      # optional: local, offline transcription (heavier — downloads a model)
uv run chimera agent "transcribe meeting.m4a and give me 5 bullet-point action items"

Une note sur le périmètre, dans l'esprit honnête de ce projet : Chimera est un agent, pas un modèle. Il peut utiliser la transcription vocale, la génération d'images, la vision par ordinateur, ou du ML classique — en appelant une API ou en exécutant une bibliothèque dans son sandbox de code — mais il ne réimplémente pas (et ne peut pas raisonnablement le faire) Whisper, Stable Diffusion, PyTorch, ou OpenCV. Pour la data science / le ML, le sandbox execute_code laisse déjà l'agent écrire et exécuter du Python contre scikit-learn, pandas, OpenCV, etc. L'orchestration multiplie l'agent ; la réimplémentation ne produirait qu'une copie plus lente.

Télécharger une vidéo ou son audio

L'outil download_media récupère une vidéo (ou juste son audio) depuis YouTube et plus de 1000 autres sites dans le workspace. Il enveloppe yt-dlp (activement maintenu, gère les changements de chiffrement/format/vérification d'âge qui coulent les scrapers mono-site comme pytube). Opt-in ; l'extraction audio nécessite aussi ffmpeg dans le PATH :

uv sync --extra media-dl
uv run chimera agent "download the audio of https://youtu.be/… then transcribe it and summarize"

Se combine naturellement avec transcribe_audio ci-dessus : télécharger → transcrire → résumer, tout en un seul run.

Analyse de données / ML (la skill data_analysis)

Chimera ne réimplémente pas scikit-learn — il écrit du code pandas/sklearn correct et l'exécute dans le sandbox execute_code. La skill data_analysis nomme cette capacité : donnez-lui une tâche et un jeu de données et elle produit un script autonome (charger → explorer → modéliser → évaluer) que l'agent exécute ensuite.

uv sync --extra data     # pandas + scikit-learn for the generated code
uv run chimera agent "use the data_analysis skill: predict churn from customers.csv and report accuracy"

Génération d'images (hébergée ou entièrement locale)

generate_image utilise l'API image d'OpenAI par défaut. Pour une configuration hors ligne / privée, définissez CHIMERA_IMAGE_BACKEND=local et installez l'extra imagegen-local (lourd, dépendant d'un GPU) — Chimera fait alors tourner FLUX.1-schnell (Apache-2.0) via diffusers localement. auto (le défaut) n'utilise le local que quand aucune clé OpenAI n'est présente.

uv sync --extra imagegen-local     # pulls torch + diffusers; downloads multi-GB weights on first use
CHIMERA_IMAGE_BACKEND=local uv run chimera agent "generate an image of a fox in a snowy forest"

Même périmètre honnête que ci-dessus : Chimera exécute un modèle de diffusion ici ; il n'en entraîne pas. La génération vidéo (par ex. CogVideo) n'est délibérément pas intégrée — c'est un modèle entraîné lourd, pas quelque chose qu'un agent devrait porter dans sa base ; tournez-vous vers une API hébergée si vous en avez un jour besoin. La vision par ordinateur (OpenCV) n'a besoin d'aucun outil dédié — l'agent fait déjà import cv2 dans le sandbox de code.

Graphiques & visualisation de données

Deux façons complémentaires de faire un graphique — toutes deux honnêtes sur leur périmètre (Chimera utilise des bibliothèques de traçage ; il ne réimplémente pas matplotlib/plotly/bokeh) :

1. La skill data_visualization — écrire du code de graphique, l'exécuter dans le sandbox. Couvre tout (figures personnalisées/de publication, 3D, n'importe quoi) : la skill produit un script autonome utilisant matplotlib/seaborn (PNG/SVG statique) ou plotly (HTML interactif), avec le backend headless (matplotlib.use("Agg")) et la discipline de sauvegarde vers le workspace intégrées.

uv sync --extra viz     # matplotlib + seaborn + plotly for the generated code
uv run chimera agent "use data_visualization: line chart of revenue.csv over time, save revenue.png"

2. L'outil render_chart — une spec Vega-Lite sûre et déclarative. Une spec Vega-Lite est du JSON inerte, pas du code : inspectable, en forme de schéma, et re-rendable — une gouvernance plus forte que l'exécution de code généré, pour les graphiques standards que Vega-Lite couvre (barres/lignes/nuage de points/histogramme/heatmap/à facettes…). La sortie HTML ne nécessite aucun extra (elle embarque la spec + le CDN Vega) ; le PNG/SVG utilise l'extra optionnel viz-vega (vl-convert-python).

uv run chimera agent "build a Vega-Lite bar chart of {A:5,B:8,C:3} and render_chart it to chart.html"
uv sync --extra viz-vega   # optional: static PNG/SVG rendering (heavy — Rust+V8 binary)

Périmètre honnête : plotly enveloppe plotly.js, bokeh est environ moitié TypeScript, le moteur de rendu de matplotlib est en C++, et seaborn est une fine couche au-dessus de matplotlib — tous des frameworks qu'un agent devrait appeler, pas réécrire. Le sandbox de code les importe déjà ; la skill ne fait que nommer la capacité et gérer les pièges du mode headless. Vega-Lite est l'exception qui mérite un outil dédié parce que son artefact est de la donnée déclarative sûre.

Planifier n'importe laquelle d'entre elles

Chaque recette peut tourner sur un cron et livrer dans un chat :

chimera cron add "morning brief" "0 7 * * *" "Research X; write a 5-bullet brief."
chimera serve   # runs jobs; with a bot configured, delivers to Discord/Telegram/Slack

Voir Déployer pour la passerelle de messagerie et la configuration 24/7.