INNERNET : une mémoire partagée pour tous vos outils IA
📌 INNERNET est une couche mémoire pour vos outils IA. Il conserve le contexte de votre travail — décisions, préférences, détails techniques et le raisonnement derrière — au même endroit, et chaque agent connecté peut le lire et l’écrire. Plus besoin de ré-expliquer un projet au début de chaque conversation : l’outil le connaît déjà.
Le déclencheur tient en une commande. npx innernet ouvre une connexion dans le navigateur, détecte les outils IA installés sur la machine et relie chacun à la même mémoire : Claude Code, Cursor, Codex, Windsurf, Gemini CLI, Claude Desktop, VS Code, Cline, Zed, OpenCode et quelques autres. Lancée depuis un dossier, elle donne à ce projet sa propre mémoire. Comptez deux minutes de mise en place, et rien ne reste actif après coup.
Ce que cela garde, ce ne sont pas des transcriptions qui s’empilent. Chaque projet est une « Context Map » : des documents markdown nommés (vision, produit, technique, décisions), des entités structurées (personnes, artefacts, choix) et un journal de commits en écriture seule. Un agent appelé netti classe ce que vous capturez, consolide les notes quand quelque chose change et tient l’historique des versions. La capture est immédiate, le rangement se fait en arrière-plan.
Le projet se présente comme un git pour la pensée, et la formule est juste. Vous pouvez forker toute la carte pour explorer une direction opposée sans toucher au tronc, garder deux versions contradictoires en tension — ce qu’une mémoire plate ne sait pas faire — puis merger ou archiver. Ce choix de structure est rare : la plupart des outils stockent des notes plates que vous maintenez à la main ; ici, la discipline d’écriture est portée par la machine.
Points clés de innernet :
- 🧠 netti classe vos captures, consolide les notes et garde un historique de versions.
- 🔀 Context Map versionnée : dimensions, entités structurées, commits et branches réversibles.
- 🔌
npx innernetdétecte vos outils installés ; l’URL MCP couvre tout le reste. - 📦 Import des mémoires existantes : Claude Code, ChatGPT ou un dossier de notes.
- 🔐 RLS en base, jetons hachés, chiffrement facultatif au repos, export et effacement en un clic.
Le volet confidentialité est traité avec les faits pour le dire : sécurité au niveau de la ligne dans PostgreSQL, jetons OAuth stockés hachés, chiffrement facultatif au repos protégé par une phrase secrète que vous seul détenez, classes de divulgation pour les faits personnels. La limite est annoncée aussi honnêtement qu’elle : une fois qu’un outil IA connecté lit votre mémoire, le contenu est dans les mains de ce fournisseur. On connecte donc ceux en qui vous avez confiance.
J’apprécie l’angle. Avoir un seul endroit que Claude Code, Cursor et ChatGPT peuvent lire change réellement le quotidien : le contexte est versionné, une décision ne se perd plus, et « rappelle-moi ce qu’on a décidé » obtient enfin une réponse fiable. Ma réserve tient au modèle centralisé — la mémoire vit sur les serveurs du service, pas sur votre machine, et confier une donnée aussi intime à un tiers est un choix que chacun doit faire pour soi. Le projet l’assume clairement, documente précisément la manière dont il protège la donnée, et ce sera à vous de décider si cette couche mérite votre confiance.
