De lecteur submergé à partageur automatisé : comment j'ai développé une application macOS pour relier lecture et publication
Publié le 20 août 2026
Après avoir accumulé plus de 200 articles non lus dans ma liste « Plus tard », j’ai réalisé que le fait de sauvegarder du contenu était devenu un dépôt accablant plutôt qu’une habitude productive. Pour résoudre la friction entre la lecture et le partage, j’ai développé une application native macOS appelée Reader Chomper, qui intègre Readwise Reader, des modèles de langage (LLM) et les API des réseaux sociaux en un seul flux de travail.
Les points clés
- Le problème du volume : Accumuler des centaines d’articles non lus crée une paralysie décisionnelle, conduisant à un contenu sauvegardé qui n’est ni consommé ni partagé.
- Le triage par la limitation : Limiter l’affichage à 10 articles impose une prise de décision finie et évite la surcharge, contrairement à la visualisation de toute la bibliothèque.
- L’efficacité du scan rapide : Un résumé de 100 mots accompagné de trois puces permet une évaluation rapide, éliminant souvent le besoin de lire l’article en entier.
- La profondeur contextuelle : L’intégration d’un LLM permet aux utilisateurs de discuter directement avec la source pour en déterminer la pertinence sans quitter l’application.
- Un partage sans friction : L’automatisation de la génération des brouillons et de la mise en file d’attente via API supprime le frein entre la lecture et la publication sur des plateformes comme LinkedIn et Bluesky.
Le flux de travail : quatre étapes vers la publication
Reader Chomper fonctionne en quatre étapes distinctes : le triage, le scan rapide, le résumé approfondi et le partage. Cette séquence aide à décider ce qui vaut la peine d’être traité et garantit que les publications sont mises en file d’attente avant de passer à l’article suivant.
Étape 1 : Triage par lots de 10
Lorsque j’ouvre Reader Chomper, celui-ci extrait exactement 10 articles du haut de ma liste « Plus tard » dans Readwise Reader et s’arrête là. Si j’ai besoin de plus de contenu, je dois manuellement cliquer sur « Recharger ». Cette étape a été la plus difficile à concevoir car l’affichage par défaut de Readwise montre tout d’un coup, ce qui me donnait auparavant une sensation de submersion et me poussait à fermer l’onglet. En limitant la vue à 10 éléments, la session semble finie. Je ne vois pas cela comme une restriction, mais comme un contrat avec moi-même : lire 10 articles, décider quoi faire de chacun, et considérer la session comme terminée pour la journée.
Étape 2 : Lancer un scan rapide
En accédant à un article, Reader Chomper génère un « Scan rapide » : un résumé de 100 mots contenant trois puces sans fioritures. Pour la plupart des articles, c’est là que mon engagement s’arrête. Une fois les trois points principaux obtenus, je peux décider de passer à autre chose. Cette étape a rendu mes habitudes de lecture plus honnêtes ; je ne me persuade plus que je « reviendrai » sur des articles que je sais que je ne lirai pas. La décision prend désormais environ 30 secondes : soit j’ai ce dont j’ai besoin et j’archive l’article, soit il y a quelque chose qui vaut la peine d’être approfondi.
Étape 3 : Résumé approfondi et discussion
Si les trois points clés du « Quick Scan » ne suffisent pas, j’ai deux options pour approfondir l’analyse. La première consiste à obtenir un résumé plus détaillé d’environ 300 mots. La seconde, que j’utilise le plus souvent, est de discuter avec l’article via Claude. Par exemple, face à un article intitulé « DuckLake for busy engineering managers », le Quick Scan m’a expliqué ce qu’était DuckLake, mais pas sa pertinence spécifique pour mon rôle. J’ai donc demandé à Claude : « Pourquoi DuckLake est-il pertinent pour les responsables d’équipes techniques ? » et j’ai reçu une réponse contextuelle extraite directement de la source en deux secondes. Cette fonctionnalité me permet de poser des questions précises que beaucoup d’applications de lecture différée ne prennent pas en charge.
Étape 4 : Mise en file d’attente
Lorsqu’un article mérite de devenir un post, je clique sur « Share ». Reader Chomper génère alors une ébauche composée d’un court résumé captant l’idée principale et du lien vers l’article. Si le ton n’est pas tout à fait juste, je peux cliquer sur « Regenerate » ou le modifier manuellement. L’API assure la publication instantanée, tandis que l’article est archivé dans Readwise pendant que le post reste en attente.
La stack technique
L’architecture de Reader Chomper est intentionnellement simple, reposant sur des outils que je payais déjà ou utilisais.
- SwiftUI et macOS natif : J’ai envisagé une extension de navigateur ou une application web pour un développement plus rapide, mais j’ai privilégié la performance et l’esthétique. Une application native se lance instantanément, défile sans latence et s’intègre parfaitement à l’interface macOS.
- Readwise Reader : Il reste ma source de vérité pour les articles sauvegardés. Reader Chomper agit comme une meilleure interface pour traiter cette file d’attente ; tout article archivé dans Reader Chomper l’est également dans Readwise, maintenant la propreté des deux systèmes.
- LLMs (Anthropic et OpenAI) : J’utilise les deux API indifféremment pour résumer les articles et générer les résumés. L’application affiche le coût en cours de ces appels d’API dans un coin, un petit détail qui me rappelle que ces requêtes ne sont pas gratuites et m’aide à identifier quand je navigue inutilement d’un article à l’autre.
- SQLite et Dropbox : Les données des articles, les résumés et l’historique des discussions sont stockés dans un fichier SQLite situé dans mon dossier Dropbox. Cela garantit la synchronisation de la base de données sur tous mes appareils sans nécessiter d’infrastructure de synchronisation personnalisée.
Résultats et impact
Ma fréquence de publication n’a pas augmenté ; je vise toujours deux posts par semaine sur LinkedIn et Bluesky. Cependant, la qualité de ce que je partage s’est considérablement améliorée. Auparavant, mes abonnés recevaient des liens nus qui nécessitaient un clic pour en comprendre la valeur. Maintenant, ils reçoivent une analyse qui fait déjà une partie du travail. Le résumé par IA met en lumière une idée, me permettant de former ma propre perspective à partir de ce contexte.
La file d’attente s’étale souvent sur plusieurs mois, ce qui me permet d’accumuler des posts pendant les semaines de lecture intensive et de ralentir pendant les périodes plus calmes. L’écart entre la lecture d’un bon article et sa publication est désormais comblé. Je lis avec plus de réflexion car je sais que j’ai un endroit pour exprimer mes opinions, confirmant ainsi que cette automatisation fait bien son travail.