Notes de terrain pratiques sur les composants des systèmes AI qui doivent résister aux contraintes de la production : agents, évaluation, sécurité, mémoire, recherche d’information, ingénierie des modèles et infrastructure. Recursive Harness Engineering suit un parcours unique : construire le harness, évaluer son comportement de manière indépendante, puis automatiser la recherche d’améliorations. Commencez par l’une des séries ci-dessous ou parcourez tous les articles par thème.
Séries · Parties: 3
D'abord le harness engineering, puis l'amélioration récursive.
Parcourez les parties →
Séries · Parties: 6
Dans l'ordre. Commencez par la boucle.
Parcourez les parties →
Évaluation
Évaluez le comportement des agents et chaque étape d’un système de génération augmentée par retrieval.
Retrieval et langage
Construisez des pipelines de ranking, choisissez des systèmes de Document AI et structurez le langage de manière fiable.
Réponses rapides
Vous choisissez un modèle, un outil ou une approche ? Retrouvez une recommandation courte, les conditions qui changent le choix et un lien vers une explication complète.
Agents IA
Les mêmes tâches de support réalisées par un agent, un agent avec approbation, un agent dans un workflow, un routeur et un workflow sans agent, comparés sur un même jeu de tests.
· 25 min
Agents IA
Comment les exigences d’une tâche façonnent un harness d’agent : choisir le flux de contrôle, les outils, l’exécution de code, l’état, les permissions et les preuves avant de choisir un framework.
· 32 min
Agents IA
Un prologue au recursive harness engineering : tester les changements successifs d’un LLM sur un outil de mémoire et les comparer à une recherche simple.
· 22 min
Outils de développement · Agents IA
Faites correspondre pydantic à Zod, FastAPI à Hono et Celery à une file d’attente Postgres, puis construisez un service d’agent en streaming dans un monorepo TypeScript géré avec pnpm.
· 30 min
Agents IA
Comment accepter un artefact testé, récupérer des tool calls au résultat incertain, transmettre le travail à une autre session et mesurer si un composant du harness est utile.
· 24 min
Ingénierie des modèles · Infrastructure IA
Guide pratique pour choisir une voie de quantification des LLM et des modèles de diffusion selon le goulot d’étranglement, le matériel, le kernel du runtime, les données de calibration et les vérifications avant déploiement.
· 40 min
Agents IA
Pourquoi les AI agents en production ont besoin d’une mémoire guidée par schéma, avec validité temporelle, provenance et gestion structurée des conflits, plutôt que d’une recherche vectorielle sur du texte brut.
· 20 min
Agents IA
Comment évaluer les AI agents en production en transformant les traces en datasets de régression versionnés, métriques de trajectoire, juges calibrés et contrôles CI.
· 33 min
Agents IA
Continuer une exécution d’agent malgré les pannes de worker, réconcilier les effets d’outils incertains et choisir un runtime : file d’attente et worker, Temporal, sandboxes ou agents hébergés.
· 36 min
Systèmes de recherche et de langage
Métriques d’évaluation du RAG pour le parsing, le retrieval, le reranking, la génération, les citations et la télémétrie en production, avec du code et des modes de défaillance.
· 55 min
Agents IA
Comment autoriser l’action proposée par un agent, confiner son exécuteur et tester les limites que les guardrails du modèle ne peuvent pas faire respecter.
· 30 min
Systèmes de recherche et de langage
En 2026, la NER consiste à choisir entre GLiNER, spaCy, Transformers et l’extraction par LLM selon la latence, la précision et le contrôle du schéma.
· 51 min
Agents IA
Concevez le contrat d’action et de résultat d’un agent, puis choisissez entre appels JSON, MCP, CLI ou exécution de code pour le travail qu’il doit accomplir.
· 27 min
Ingénierie des modèles · Infrastructure IA
Une référence pratique couvrant 45 concepts d’ingénierie des LLM pour les systèmes de production : inférence, entraînement, architecture, déploiement et opérations.
· 91 min
Systèmes de recherche et de langage
OCR en 2026 : choisir entre pipelines classiques et VLMs pour le texte, la mise en page, les tableaux et l'extraction de documents.
· 27 min
Infrastructure IA
Comment Polars, DataFusion, Daft, Ray Data et Spark exécutent des workloads tabulaires et multimodaux, avec du code, un benchmark à armes égales et des règles de décision.
· 23 min
Agents IA
Choisissez la mémoire d’un agent selon la défaillance qu’elle doit éviter, puis l’outil : checkpoint savers, stores clé-valeur, pgvector ou Qdrant, fichiers ou framework de mémoire.
· 31 min
Systèmes de recherche et de langage
Comment construire un stack de ranking pour la recherche avec BM25, des embeddings denses, une fusion hybride RRF, du reranking par cross-encoder et du reranking listwise par LLM sur Amazon ESCI.
· 34 min
Agents IA
Choisir entre workflows fixes, ReAct, ReWOO et Plan-and-Execute en se demandant quand les tool results doivent modifier l’action suivante.
· 17 min
Ingénierie des modèles
Une présentation technique des Manifold-Constrained Hyper-Connections (mHC) de DeepSeek : mise à l'échelle de la largeur du residual stream, routage Sinkhorn et stabilité de l'entraînement.
· 15 min
Agents IA
Ce que les soumissions publiques à l’Enterprise RAG Challenge 3 révèlent sur l’itération des prompts, la validation, la stratégie de contexte, les wrappers d’outils et l’architecture des agents.
· 15 min
Ingénierie des modèles
Quand faire du fine-tuning de LLMs, quand préférer RAG ou le prompting, et comment s'articulent LoRA, QLoRA, DoRA, Unsloth, Axolotl, les datasets, les évaluations et le déploiement.
· 35 min
Agents IA · Ingénierie des modèles
Comment le Schema-Guided Reasoning utilise vLLM, XGrammar, les schémas Pydantic et le constrained decoding pour imposer des sorties de LLM structurellement valides.
· 19 min
Ingénierie des modèles · Infrastructure IA
Évaluez et déployez LoRAX pour le serving de LoRA à longue traîne, avec les APIs actuelles, le durcissement du chart Kubernetes, la sécurité des adapters, le routage tenant compte du cache et les compromis face à vLLM.
· 19 min
Agents IA
Comment le domain-driven design aide les AI agents à utiliser un langage partagé, des bounded contexts, des services, des repositories et des règles métier déterministes.
· 19 min
Agents IA
Comment concevoir le context engineering pour les agents AI : fenêtres de contexte, hiérarchie des instructions, retrieval, mémoire, outils, garde-fous, provenance et compression.
· 31 min
Agents IA · Outils de développement
Construisez un serveur MCP personnalisé avec uv et FastMCP, exposez des outils de feature store ML, testez-les en local et connectez le serveur à Claude Desktop.
· 11 min
Ingénierie des modèles
Comment lire les noms de modèles open-weight en séparant le rôle d'entraînement, l'architecture, la méthode de quantification, le format de stockage, le runtime et le matériel adapté.
· 18 min
Outils de développement
Comparez les outils de génération d'images locaux sur macOS selon l'installation, les modèles pris en charge, le contrôle du workflow, la reproductibilité, les extensions et l'état de maintenance.
· 14 min
Ingénierie des modèles · Outils de développement
Comparez les outils LLM locaux sur macOS selon l'interface, le format de modèle, la marge mémoire, l'exposition de l'API et le workflow de développement sur Apple Silicon.
· 14 min
Outils de développement
Comment fonctionne pyproject.toml pour les systèmes de build, les métadonnées du projet, les dépendances d'exécution, les groupes de développement, les points d'entrée CLI et la configuration des outils.
· 10 min
Outils de développement
Les fichiers de démarrage de Zsh expliqués : quand ~/.zprofile et ~/.zshrc se chargent sur macOS et Linux, ce qui va dans chacun, et comment diagnostiquer le mode du shell en cours.
· 8 min
Infrastructure IA
Ce que les modèles de fondation ont changé dans le MLOps : unités de release, retrieval, outils, évaluation, traçage, serving, et les outils qui font chaque travail.
· 20 min
Ingénierie des modèles · Infrastructure IA
Comment mettre des LLMs à l'échelle sur plusieurs GPUs et nœuds avec les parallélismes de données, partagé, tensoriel, pipeline, de contexte et d'experts, et quel framework implémente chacun.
· 22 min
Outils de développement
Une liste de vérification pour la configuration d’un MacBook pour l’ingénierie AI : outils Xcode, Homebrew, Python avec uv, Docker, configuration du terminal et VS Code.
· 9 min
Outils de développement
Comment j’utilise uv sur macOS pour installer Python, gérer les dépendances de projets, les fichiers de verrouillage, les scripts inline et les outils CLI ponctuels.
· 11 min
Il n’y a encore rien ici.
