I Canceled My French Tutor and Built an LLM Tool That Does It Better
L'auteur constatait que son cours hebdomadaire, malgré la qualité du professeur, produisait une faible rétention parce que les révisions suivaient le calendrier humain plutôt que la courbe de l'oubli et que le suivi des erreurs était trop général. Il a développé un tuteur de base de connaissances textuel basé sur Claude qui gère un fichier JSON référençant chaque thème, utilise l'algorithme SM-2 pour la répétition espacée et génère des exercices progressifs adaptés au niveau de rappel. Pour la pratique orale il a créé Causons, une application navigateur qui lit la base de connaissances, oriente la conversation vers les sujets dus et les points faibles précis, corrige seulement les erreurs grammaticales objectives et combine STT (Groq Whisper-large-v3), un modèle de chat (gpt-4o-mini) et TTS (OpenAI tts-1) pour minimiser les coûts. Sur le plan technique il a séparé les instructions pédagogiques stables des données volatiles pour profiter du caching des préfixes de prompt, et il a réduit la latence conversationnelle à environ 0,8–2,5 secondes en streamant les flux audio via MediaSource plutôt que d'attendre le fichier complet. Le résultat est une meilleure rétention des points de grammaire pour un coût faible (environ 0,04 $ pour 15 minutes) et la disponibilité permanente de la pratique, avec toutefois des limites notables comme un choix de modèle retardé et le stockage des clés API en localStorage, et les projets sont publiés sur GitHub avec une application web disponible.