Traduction automatique Cette page a été traduite automatiquement depuis la version originale en anglais.
Notes de terrain pratiques sur les parties des systèmes d’IA qui doivent résister à la production : agents, évaluation, sécurité, mémoire, retrieval, ingénierie des modèles et infrastructure.
Choisissez un parcours selon le problème ci-dessous : systèmes d’agents, évaluation, ou retrieval et langage. Pour un guide de décision plus court, consultez les Réponses rapides.
Commencer ici
Systèmes d’agents
Un parcours relié entre raisonnement, mémoire, outils, sécurité, runtime et ingénierie du harness.
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.
Série phare
Parcourez les six parties →
Outils de développement · Agents IA
Remplacez pydantic par Zod, FastAPI par Hono et Celery par une file d’attente Postgres, puis construisez un service d’agent en streaming dans un monorepo TypeScript géré avec pnpm.
· 27 min
Agents IA Partie 6
Comment le code de contrôle autour d’un AI agent autorise les outils, préserve la progression, vérifie l’achèvement et justifie chaque composant ajouté par ablation.
· 28 min
Ingénierie des modèles · Infrastructure IA
Guide pratique pour choisir les méthodes de quantification des LLM et des modèles de diffusion selon le goulot d’étranglement, le matériel, le kernel d’exécution, les données de calibration et les vérifications de déploiement.
· 30 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 simple recherche vectorielle dans du texte brut.
· 18 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 gates CI.
· 26 min
Agents IA Partie 5
Comment exécuter des AI agents longue durée en production avec des sessions, des harnesses, des sandboxes, des checkpoints, des traces et des modèles de déploiement capables de récupérer proprement après un incident.
· 36 min
Systèmes de recherche et de langage
Métriques d’évaluation RAG pour le parsing, le retrieval, le reranking, la génération, les citations et la télémétrie en production, avec du code et les modes de défaillance.
· 43 min
Agents IA Partie 4
Pourquoi les guardrails des LLM ne suffisent pas pour la sécurité des agents AI, et où interviennent les permissions, les sandboxes, le human-in-the-loop, le scoping de MCP et les policy checks.
· 43 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.
· 38 min
Agents IA Partie 3
Comparez les tool calls JSON, MCP, Skills, les outils CLI et l’exécution de code pour les AI agents, avec les règles de conception ACI et les compromis qui comptent en production.
· 24 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.
· 74 min
Systèmes de recherche et de langage
En 2026, l’OCR consiste à choisir entre des pipelines classiques et des VLMs pour le texte, la mise en page, les tableaux et l’extraction de documents.
· 16 min
Infrastructure IA
Benchmarks comparant Polars, DataFusion, Daft, Ray Data, Pandas et Spark sur des workloads tabulaires et multimodaux, avec du code et des règles de décision.
· 18 min
Agents IA Partie 2
Comment concevoir la mémoire d’un AI agent avec des checkpoints, PostgreSQL ou Redis, des vector stores comme Qdrant et une mémoire basée sur des fichiers pour les systèmes de longue durée.
· 23 min
Systèmes de recherche et de langage
Comment construire un stack de classement pour la recherche avec BM25, des embeddings denses, une fusion hybride RRF, un reranking par cross-encoder et un reranking listwise par LLM sur Amazon ESCI.
· 30 min
Agents IA Partie 1
Comparez ReAct, ReWOO et Plan-and-Execute pour les AI agents. Les exemples LangGraph montrent comment chaque boucle arbitre entre adaptabilité, coût, latence et structure de planification.
· 14 min
Ingénierie des modèles
Une présentation technique des Manifold-Constrained Hyper-Connections (mHC) de DeepSeek, de la mise à l’échelle de la largeur du residual stream, du routage Sinkhorn et de la stabilité de l’entraînement.
· 11 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.
· 12 min
Ingénierie des modèles
Quand effectuer le fine-tuning des LLMs, quand utiliser RAG ou le prompting, et comment s’articulent LoRA, QLoRA, DoRA, Unsloth, Axolotl, les datasets, les evals et le déploiement.
· 25 min
Agents IA · Ingénierie des modèles
Comment le raisonnement guidé par schéma utilise vLLM, XGrammar, les schémas Pydantic et le constrained decoding pour imposer des sorties de LLM structurellement valides.
· 13 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.
· 12 min
Agents IA
Comment le domain-driven design aide les agents AI à utiliser un langage partagé, des bounded contexts, des services, des repositories et des règles métier déterministes.
· 10 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.
· 18 min
Agents IA · Outils de développement
Développez un serveur MCP personnalisé avec uv et FastMCP, exposez des outils de feature store ML, testez-les localement et connectez le serveur à Claude Desktop.
· 9 min
Ingénierie des modèles
Comment interpréter les noms des modèles à poids ouverts en distinguant le rôle d’entraînement, l’architecture, la méthode de quantification, le format de stockage, le runtime et l’adéquation au matériel.
· 12 min
Outils de développement
Comparez les outils locaux de génération d’images sur macOS selon leur configuration, la prise en charge des modèles, le contrôle des workflows, la reproductibilité, les extensions et leur état de maintenance.
· 8 min
Ingénierie des modèles · Outils de développement
Comparez les outils d’exécution locale de LLM sur macOS selon leur interface, leur format de modèle, la marge mémoire, l’exposition de l’API et le workflow de développement sur Apple Silicon.
· 7 min
Outils de développement
Comprendre le fonctionnement de 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.
· 6 min
Outils de développement
Explication des fichiers de démarrage Zsh : quand ~/.zprofile et ~/.zshrc sont chargés sur macOS et Linux, ce qui doit figurer dans chacun et comment diagnostiquer le mode du shell en cours d’exécution.
· 6 min
Infrastructure IA
Ce que les foundation models ont changé dans le MLOps : unités de release, retrieval, outils, évaluation, traçage, serving et risques opérationnels.
· 9 min
Ingénierie des modèles · Infrastructure IA
Comment mettre à l’échelle les grands modèles de langage sur plusieurs GPUs et nœuds grâce au parallélisme de données, entièrement shardé, tensoriel, pipeline, contextuel et par experts.
· 11 min
Outils de développement
Checklist de configuration d’un MacBook pour l’ingénierie AI : outils Xcode, Homebrew, Python avec uv, Docker, configuration du terminal et VS Code.
· 7 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.
· 7 min
Il n’y a encore rien ici.
