Blogue
Mon blogue sur l'ingénierie IA pratique, les LLMs, les agents, la recherche et ce qui est réellement utile à construire.
Un regard pratique sur notre façon de diriger les agents de programmation, de protéger le contexte, de déboguer avec des preuves et de préserver le jugement humain.
On a mesuré une douzaine de façons de gérer le contexte sur notre tuteur IA en production, d'abord sur des modèles cloud avec cache, puis sur des modèles locaux, et le conseil par défaut du domaine s'est inversé : avec le prompt caching moderne, tout garder a battu toutes les stratégies de summarisation sur le coût, la latence et la mémoire en même temps.
Je suis très heureux de lancer le mentorat que j’aurais aimé voir autour de chaque ingénieur IA travaillant seul : une équipe senior derrière vos projets, vos décisions et votre carrière.
Un parcours pratique pour passer de la vitesse des agents de programmation aux compétences de conception, d’évaluation et d’analyse des échecs exigées par le vrai travail d’ingénierie IA.
L’architecture, les boucles d’agents, le workflow d’écriture, le système visuel et les tests de titres derrière un pipeline qui a réduit mon travail de deux ou trois jours à environ cinq heures.
Pourquoi le débat entre boucles et graphes rate la cible, ce qui a vraiment changé dans l'orchestration d'agents, et quelles parties de vos systèmes doivent rester déterministes.
La partie utile n’est pas de donner plus de contexte aux agents. C’est de rendre vos recherches, vos notes et vos sources de nouveau accessibles lors de la prochaine session.
Pourquoi Microsoft a retiré le contenu généré par l’IA du pré-entraînement de MAI-Thinking-1, et ce que ce choix révèle sur le modèle.
Pourquoi un rabais de 90 % sur une API peut cacher des changements de modèle et exposer vos identifiants, votre code et votre dépôt.
Une méthode pratique pour cesser de surveiller les agents de code : concevez leur contexte, leurs outils, leurs vérifications, leurs budgets et leurs conditions d’arrêt.
La diffusion sculpte le bruit. Les modèles autorégressifs prédisent les tokens visuels. Voici comment les deux transforment des prompts en images.
Ce qui a changé dans le développement avec l’IA, pourquoi le code généré semble accélérer le travail et où le jugement d’ingénierie compte encore.
Comment Gemini, DeepMind, AI Studio et la distribution de Google ont transformé le lancement moqué d’un chatbot en menace pour OpenAI.
Comment fonctionnent les boucles d’amélioration récursive, pourquoi de faibles évaluations récompensent le mauvais comportement et ce que les builders peuvent déjà utiliser.
Comment fonctionne la distillation, pourquoi les labos d’IA accusent leurs rivaux de copier et où l’argument de propriété se complique.
Les garde-fous, audits et boucles de révision humaine qui fonctionnent réellement
Le prompting dit à l’agent quoi faire. Le harness contrôle ses outils, ses permissions, ses tests, ses traces et ses échecs.
Le RAG change le contexte, pas le modèle. Voici quand le retrieval aide, quand il n’aide pas et quand passer au fine-tuning.
Ce que les gestionnaires recherchent en 2026 : livrer un vrai produit d’IA, le mesurer, défendre ses décisions et montrer ce travail dans un portfolio solide.
Ce qui distingue une démo soignée d’agent IA d’un système que votre équipe peut évaluer, déboguer, déployer et utiliser en confiance.
Un cours gratuit de 42 vidéos pour comprendre le comportement des modèles, pas pour collectionner d’autres astuces de prompting.
Un aide-mémoire pour éviter de coûteux remaniements dans les systèmes d’agents.
Vous ne créez pas des agents. Vous créez des workflows (et c’est très bien)
Comment repérer et retirer le « slop IA » de vos textes
Choisissez si Google Analytics peut utiliser des témoins. Le site conserve toujours des décomptes de pages anonymes, sans témoins. Détails sur la confidentialité
