22 documents tagués avec "ai-systems"

Retrouver la progression d’un agent après interruption sans dupliquer les effets de ses tentatives.

Deux leçons de Codex qui se transposent à d’autres outils : choisir un niveau d’intégration selon la part du cycle de vie qu’on veut gérer, et tester la compaction du contexte comme une transition d’état.

Comment les limites d’étapes, la validation des outils, la vérification, l’annulation et un état durable rendent les boucles d’agent contrôlables et récupérables.

L’IA peut repérer une lacune, expliquer une étape et proposer des exercices, mais le rappel et la résolution restent le travail de l’apprenant.

Séparer la capture, les preuves, la compréhension privée et l’écriture publique sans avoir à créer une nouvelle base centrale lorsque les sources se multiplient.

Comment conditionner une procédure d’agent répétable, tester son déclenchement et son résultat, et gérer les risques de portabilité et d’exécution de code.

Du concept de conception à la délégation en boîte grise, en passant par le langage omniprésent, le TDD et les modules profonds, comment les principes classiques du génie logiciel répondent aux modes de défaillance du codage assisté par IA.

Ajouter un outil, une Skill ou un serveur MCP à l’agent que vous utilisez, ou écrire votre propre boucle et sécuriser les tâches longues.

Concevoir des outils dont les entrées, l’autorité, les effets de bord, les échecs et les preuves restent lisibles pour les modèles et les opérateurs.

Quand le travail est réparti entre plusieurs agents : comment séparer contexte, répertoires de travail et permissions, qui intègre et vérifie le résultat, et ce qu’un journal d’événements permet de récupérer.

Vérifier comment activer le décodage spéculatif dans un runtime local, puis comprendre par la correction des probabilités et des exemples de coûts quand il accélère vraiment, et comparer chaînes, arbres et auto-spéculation.

Mesurer séparément rappel des preuves, classement, fidélité et qualité des réponses, puis utiliser des expériences contrefactuelles pour trouver le véritable goulot d’étranglement d’un système RAG.

Comment contrôle, outils, état et vérification transforment les propositions du modèle en travail délimité.

Partir d’une métrique et d’une référence exacte pour comprendre comment HNSW et IVF réduisent les comparaisons et mesurer les voisins manqués.

Comment constituer un petit ensemble de travail à jour tout en préservant la provenance et l’état durable hors de la fenêtre du modèle.

Spécifications, discours fournisseur, benchmarks, observations et recommandations ne prouvent pas la même chose ; face à la conclusion d’autrui, vérifier ce que chaque source soutient réellement.

Choisir ce qu'un assistant IA doit conserver et retrouver, sans confondre notes, résultats de recherche et autorité.

Une vue au niveau du protocole de l’architecture, du cycle de vie, des primitives, des transports, des frontières de confiance et des alternatives de MCP.

Décomposer les requêtes en étapes mesurables et relier concurrence, cache et traitement par lots au temps d’attente.

Avec Pi 1.4.0 : comment un harness minimal range ses personnalisations par couches, comment il fait tourner la boucle d’agent, et pourquoi une extension n’est pas une frontière de sécurité.

Transformer les documents en preuves traçables et comprendre les pertes liées au rappel, au classement et au contexte.

Un contenu non fiable influencera le modèle ; le système d’exécution doit donc limiter ce que cette influence peut accomplir : ce que couvrent l’injection de prompt, les permissions et approbations, les bacs à sable, les identifiants et l’autorisation MCP.