10 articles
Les LLMs lisent mal les contextes longs, pas par manque de capacité, mais par construction. Deux études mesurent l'ampleur du problème. Ce que ça implique pour l'architecture de tes systèmes.
La Linux Foundation lance l'AAIF avec MCP, goose et AGENTS.md. Gouvernance ouverte pour éviter la fragmentation de l'écosystème agentique.
Une API JavaScript qui transforme ton site en serveur MCP. Les agents parlent à ton app via des outils structurés, sans scraper le DOM.
Les agents IA ont une surface d'attaque fondamentalement différente des chatbots. Tour d'horizon complet des menaces — de la prompt injection indirecte à la supply chain des tools.
Comment donner à un agent IA tous les outils pour exécuter, analyser et voir ton application — et devenir vraiment autonome dans la détection et correction d'erreurs.
Un deep dive dans le review-manager de opencode-team-lead — sélection des reviewers, isolation des contextes, arbitrage des désaccords, et production d'un verdict structuré sans jamais lire une ligne de code.
Sur des tâches longues, un agent all-in-one se perd et s'auto-review avec les mêmes biais que ceux qui ont produit le code. J'ai construit opencode-team-lead pour résoudre ces deux problèmes avec un pattern de délégation stricte.
SHA256 comme KDF, pas de sel, pas de versioning — les pièges classiques du chiffrement maison en Go, et comment cryptio y répond avec Argon2id.
Dans une codebase qui sert de source de vérité, tout ce qu'un agent doit 'savoir' devrait être vérifiable de façon binaire. Donner de la mémoire à tes agents, c'est compenser mécaniquement ce qui devrait être encodé dans le harness.
Deux articles d'Anthropic et OpenAI publiés à quelques semaines d'intervalle convergent sur le même concept : le harness. Ce qu'il faut en retenir.