Présentation
Psychic est un navigateur de fichiers en ligne de commande qui s’appuie sur un modèle d’apprentissage automatique léger afin de proposer, à chaque frappe, une liste de chemins classés selon la probabilité d’être sélectionnés. L’auteur indique que, depuis son adoption en octobre 2025, il a ouvert l’outil 1 450 fois, avec une moyenne de 1,6 caractères tapés avant d’obtenir le résultat souhaité. 29 % des recherches n’ont même nécessité aucune saisie : le premier résultat était déjà correct et l’utilisateur a simplement validé avec Entrée.
Architecture et fonctionnement
Chaque interaction (recherche, clic, changement de répertoire) est enregistrée dans une base SQLite locale. À la fermeture de chaque session, Psychic relance un entraînement complet du modèle LightGBM, une implémentation de gradient‑boosted trees réputée pour sa petite empreinte et son temps d’inférence inférieur à quelques millisecondes. Le modèle prédit la pertinence d’un fichier à partir de plusieurs caractéristiques : récence du dernier clic, date de modification, correspondance floue entre la requête et le nom, nombre de clics récents dans le même répertoire, et nombre d’engagements dans l’épisode de recherche actuel. Lorsqu’il y a peu de données, un modèle heuristique simple (pondération de la récence et du fuzzy match) domine, puis le poids du modèle LightGBM augmente progressivement jusqu’à atteindre 100 %.
brew install kshitijl/tap/psychicLe code source, écrit en Rust, minimise les appels système pendant la boucle de rendu : les métadonnées de fichiers sont collectées lors du parcours initial du système de fichiers et réutilisées ensuite, évitant ainsi des appels stat dans le fil principal. Après chaque frappe, le moteur relance le modèle et réordonne l’ensemble des résultats, tout en garantissant que le rafraîchissement de l’interface reste sous la limite de 16 ms, soit un seul cadre d’affichage.
Performances et limites
Les mesures intégrées montrent un temps médian de deux secondes entre l’ouverture de Psychic et l’accès au fichier cible, avec 41 % des recherches terminées en moins d’une seconde et 69 % en moins de trois secondes. La précision du classement est élevée : 80 % des sélections proviennent du premier résultat et 96 % des choix se situent parmi les trois premiers. L’utilisateur typique parcourt en moyenne 50 caractères de chemin, mais ne tape que 3 % de cette longueur grâce à la prédiction. Ces chiffres démontrent que le compromis entre vitesse d’inférence et complexité du modèle est efficace, mais ils reposent sur un usage personnel ; la généralisation à d’autres environnements (structures de répertoires très larges, réseaux de fichiers distants) n’est pas évaluée dans l’article.
Perspectives d’utilisation
Psychic illustre comment un modèle de ranking spécialisé, entraîné localement, peut améliorer l’interaction avec le système de fichiers sans recourir à des services en ligne. La décision d’exclure les modèles LLM ou les appels réseau découle d’une contrainte de latence stricte (<10 ms). Cette approche pourrait être étendue à d’autres outils de navigation ou de recherche en ligne de commande, à condition de préserver le même budget de temps et la même architecture sans dépendances externes. Toutefois, la nécessité d’un entraînement complet à chaque ouverture impose une charge CPU non négligeable, surtout sur des machines à ressources limitées.