Cette démonstration présente une architecture collaborative pour le développement itératif d'outils neuro-symboliques utilisant modèles de langage (LLM) et intervention humaine pour la synthèse scientifique. L'approche se concentre sur l'apprentissage de génération de contenus structurés, tels que des articles de recherche ou des brevets, à partir d'un titre et d'un résumé initiaux. Le processus d'apptentissage intègre quatre agents LLM principaux (Coach, Développeur, Critique, Capitaliseur) dans une boucle de feedback humain afin d'améliorer continuellement les performances des outils. Les contributions clés incluent : (1) un cadre d'apprentissage itératif combinant distances sémantiques automatisées et feedback humain ; (2) une collaboration homme-LLM pour générer et valider des fonctions Python neuro-symboliques adaptées à des tâches complexes ; (3) l'adaptation et l'extension à différents types de contenus (articles scientifiques, brevets, synthèses).