« On trace tout » est une intention, pas une garantie : il suffit d'un nouveau chemin de code pour qu'un trou apparaisse sans que personne le voie. Ce qui tient la règle, c'est un test qui gèle l'inventaire des points d'appel — plus deux pièges qui m'ont coûté du temps.
« L'agent hallucine » est un mauvais diagnostic : ça cherche la solution du côté du modèle. Sur un agent qui extrait des données de documents, j'ai vu la garantie se déplacer — de la qualité du modèle vers trois contraintes d'ingénierie. Dont une qui m'a surpris.
J'éditais le prompt système, je relançais, et rien ne bougeait. Le coupable n'était pas le cache : c'est que le graphe est construit une fois au démarrage. Trois durées de vie cohabitent dans un agent, et savoir laquelle s'applique change la boucle de feedback.
Demander une capture App Store à un modèle d'image donne un visuel superbe avec un titre illisible. J'ai inversé l'ordre : un script dessine le texte, le modèle n'a plus le droit d'y toucher. Plus le calcul qui m'a coûté un jeu complet de captures.
Un design d'access-control entier reposait sur une ligne de code qui n'existe pas. Ce n'est pas le code qui était faux, c'était le sol. Voici pourquoi un numéro de ligne inventé est le mensonge le plus efficace d'un agent — et le garde-fou qui l'attrape.
42 sessions, 913 messages, 155 commits. Le rapport ne dit pas ce que je pensais faire — il dit ce que je fais vraiment : déléguer des missions larges, laisser courir, et corriger en vol plutôt que spécifier en amont. Voici la boucle, et ce qu'elle coûte.
On dit qu'il faut apprendre 14 étapes pour devenir un agentic AI engineer. Spoiler: les vraies transformations tiennent en 5 patterns architecturaux. Voici comment j'ai compris qu'il ne s'agissait plus de parler au modèle, mais de construire un système qui décide.
Perplexity recule sur MCP en interne, et leurs raisons sont réelles. Mais le token bloat et les permissions faibles, c'est un problème de câblage — pas de protocole. Voici un POC qui expose mes tools une seule fois et n'accorde à chaque agent que sa part.
Ti Boug, mon app iPhone contre la vie chère à La Réunion : les vrais prix des fruits & légumes du jour, leur saison, et un panier composé par IA — à partir des mercuriales officielles de la DAAF. Ce que ça fait, la stack, et où en est le build.
LangChain sort deepagents : les quatre briques que je répète depuis trois mois, nommées et emballées. Je les teste sur un vrai besoin perso — un compagnon de gestion bancaire, mes relevés PDF en local, une vraie UI de chat — et je découvre que le pilier qui compte n'est pas celui que je croyais.
Passer d'un agent à deux, ce n'est pas écrire deux fois plus de code. C'est ajouter une troisième pièce qui ne répond jamais : l'orchestrateur qui détecte l'intention et aiguille vers le bon spécialiste.
Je build une app pour La Réunion : le vrai prix des fruits et légumes existe déjà, public, coincé dans des PDF que personne ne lit. Ti Boug les libère — Sak lé bon marché, ousa é kansa. Le build, et pourquoi je challenge l'idée avant d'y croire.
Trois modèles frontière, 72 matchs de poules, des pronostics figés avant le coup d'envoi, et un classement qui se met à jour tout seul. Un benchmark déguisé en jeu — et un prétexte parfait pour builder vite fait une mini-app sur GitHub Pages.
OpenRouter vient de sortir Fusion : au lieu d'interroger un seul modèle, tu en interroges plusieurs en parallèle et un juge synthétise. Résultat : trois modèles pas chers frôlent le niveau de Fable 5 à moitié prix. Pour un indie, c'est de la value maintenant.
L'équipe Astro sort « The Agent Harness Framework ». Flue prend le harness de l'article précédent et en fait un vrai framework. J'y ai porté notre agent d'analyse de profil pour voir.
Un LLM prédit du texte ; un agent exécute des tâches. Entre les deux : le harness. J'ai voulu le comprendre, et j'ai réalisé que mon pattern décrivait déjà le Claude Agent SDK.
Le métier de dev glisse de la frappe au pilotage : orchestrer des agents, écrire la spec, garantir que ce qui part est ce qui était attendu. Ce que ça change quand on ne code plus pour produire, mais pour valider.
Un agent IA produit du code « moyen » par défaut : fichiers de 300 lignes, any partout, logique dans le JSX. Voici les 10 règles que j'ai écrites pour VoiceJournal, et pourquoi elles tiennent.
Comment j'utilise les Claude Skills pour brainstormer 10 idées de SaaS scorées sur 100, en 15 minutes — avec un cas concret sur ma niche locale, La Réunion 974.
Une issue GitHub depuis le tel, une session Claude Code qui s'auto-déclenche dans un container cloud, une PR qui apparaît dans Slack, un merge depuis l'app GitHub. Mon workflow indie quand je suis loin du laptop — et ce qui marche / ce qui ne marche pas.
Passer du Claude qui code au Claude qui s'auto-discipline. SessionStart pour bootstrap le repo, PreToolUse pour bloquer les commandes douteuses, Stop pour notifier la fin d'une tâche. Quatre hooks concrets que j'ai installés dans mes repos et qui tournent en silence.
Astro 6, Tailwind 4 avec @theme, content collections + MDX, bilingue FR/EN, et un setup GEO complet (llms.txt, JSON-LD entity graph, robots avec allow pour les bots IA). Comment et pourquoi j'ai tout refait.
Brainstorming → spec → plan détaillé → exécution par sub-agents avec review. Le workflow que j'utilise depuis quelques mois et qui rend l'IA enfin utilisable sur des projets multi-jours, pas juste sur du snippet.
Un proxy CLI en Rust qui s'insère entre Claude Code et tes commandes shell. Il compresse les sorties verbeuses (git status, ls, jest...) avant qu'elles atteignent le contexte. Installé en une commande, gain immédiat.
Tu parles 30 secondes. Whisper transcrit, Claude écrit ton journal, te donne un score mental et tague tes émotions. Voici comment c'est conçu et pourquoi je l'ai fait.
Un fichier markdown à la racine de ton repo qui décrit comment on code chez toi. Lu par Claude (l'agent) avant chaque session, et par les humains au premier coup d'œil. C'est devenu mon contrat d'ingénierie le plus important.