Quand vous construisez un langage de programmation avec des capacités IA intégrées, vous héritez des dépendances de l'écosystème IA. Le 17 janvier 2026, nous avons découvert que le modèle d'embeddings que nous avions prévu d'utiliser (BGE-M3) n'existait pas dans la bibliothèque dont nous dépendions (fastembed Rust crate v4.9.1).
Nous avons choisi multilingual-e5-large comme alternative et construit une architecture qui permet aux utilisateurs de sélectionner leur modèle d'embeddings via la configuration :
flinai {
embeddings: "local"
model: "multilingual-e5-large"
}L'architecture utilise des singletons doubles pour un cache efficace, un parsing de configuration qui accepte les noms complets et abrégés, et un enum EmbeddingModelChoice extensible. Le principe de conception : construisez l'abstraction même quand vous n'avez que deux implémentations. L'abstraction ne coûte presque rien aujourd'hui et économise un refactoring significatif demain.
Les deux choix de modèles sont multilingues -- c'était non négociable. FLIN est construit à Abidjan et utilisé à travers l'Afrique francophone, anglophone et au-delà. Un système de recherche qui ne comprend que l'anglais serait inutile pour la majorité des utilisateurs de FLIN.
Ceci est la partie 169 de la série « Comment nous avons construit FLIN », documentant comment un CEO à Abidjan et un CTO IA ont conçu et construit un langage de programmation à partir de zéro.
Navigation de la série : - [168] Valeurs par défaut des entités et correction du toggle - [169] La crise du choix du modèle d'embeddings (vous êtes ici) - [170] 15 bugs qui ont façonné le langage FLIN