RAG Weaviate Docker Python LangChain FastAPI

FitIA

Application de coaching fitness entièrement propulsée par IA — génération de programmes d'entraînement personnalisés via RAG et LLM.

Contexte

FitIA est né d'un constat simple : les applications de coaching fitness existantes proposent des programmes génériques, peu adaptés aux besoins individuels. L'objectif était de construire un système capable de générer des programmes d'entraînement réellement personnalisés en exploitant la puissance des LLMs et du retrieval augmenté.

[Complète ici avec le contexte de ton projet — pourquoi tu as lancé FitIA, dans quel cadre, quelles étaient les contraintes initiales…]

Stack technique

Python Backend / logique métier

LangChain Orchestration LLM + RAG

Weaviate Base vectorielle

FastAPI API REST

Docker Conteneurisation

OpenRouter Accès modèles LLM

Architecture & Fonctionnement

Le pipeline FitIA repose sur une architecture RAG (Retrieval-Augmented Generation) en plusieurs étapes :

L'utilisateur saisit ses objectifs, son niveau et ses contraintes via l'interface.
Les données sont encodées et une recherche de similarité est effectuée dans Weaviate pour récupérer les exercices les plus pertinents.
Le contexte enrichi est transmis au LLM (via OpenRouter) pour générer un programme structuré.
La réponse est formatée et renvoyée via l'API FastAPI.
[Complète avec les détails spécifiques de ton implémentation…]

Résultats & Points clés

[XX]%

Pertinence des programmes générés

[XX]ms

Temps de réponse moyen

[XX]

Exercices en base vectorielle

[Résultat clé 1 — ex : précision du RAG, qualité des programmes…]
[Résultat clé 2 — ex : scalabilité, performance, retours utilisateurs…]
[Résultat clé 3 — ex : ce que tu as appris, challenges surmontés…]