LLM & architecture agentique

Dix leçons pour utiliser un assistant d'IA dans son métier : comprendre ce qu'il fait, rédiger, vérifier, protéger les données, cas concrets et cadre européen.

Passer du copier-coller à l'orchestration : cadrer une demande, vérifier la réponse, itérer, et structurer un prompt avec exemples, balises et format de sortie.

Chat, plan et agent, couches d'instructions, consultatif ou déterministe, fichiers du dépôt, fenêtre de contexte et coût : les repères avant d'écrire un AGENTS.md.

Écrire le socle d'instructions du dépôt : court par budget d'équipe, fait de renvois, partagé entre outils, sans recopier le linter ni les secrets.

Règles personnelles, de projet et d'équipe, en-tête .mdc et équivalent Claude Code, règles par domaine, .cursorignore et ses limites, conflits : des règles chargées au bon moment.

Les garde-fous déterministes de l'agent : événements Cursor et Claude Code, contrat JSON, git, secrets, formatage, fin de tour et politique d'échec.

Expertise à la demande : ranger une consigne, anatomie d'un SKILL.md, chargement progressif, emplacements, audit et atelier d'écriture.

Outils, ressources et prompts MCP, liste d'hôtes autorisés, permissions deny / ask / allow, bac à sable, commande comme preuve, politique d'exécution.

Brief, mode plan, contexte ciblé, sous-agents, dérive du périmètre, revue de diff et commit humain : le métier de celui qui pilote l'agent.

Injection de consigne par le dépôt, ce qu'on versionne, accueil d'un nouveau développeur, tâches étalons, agents asynchrones et charte d'une page.

Choisir un modèle ou un outil par critères : rapide, équilibré ou de raisonnement, entrées acceptées, hébergement, intégration et coût par tâche.

Prédiction du jeton suivant, tokenisation, fenêtre de contexte, échantillonnage, modèles de raisonnement, entrées multimodales et hallucinations : comprendre le moteur avant de l'orchestrer.

Vecteurs sémantiques, découpage des documents, recherche vectorielle et hybride, pipeline RAG, évaluation et variantes avancées.

Choisir le bon levier (prompt, RAG, sorties structurées, fine-tuning), préparer un jeu d'entraînement, dimensionner LoRA, comprendre le post-entraînement et faire tourner un modèle ouvert.

Ce qui fait d'un modèle un agent : la boucle, les outils, le raisonnement, la mémoire et les garde-fous, puis la carte complète du parcours technique.

Étendre un agent : skills pour l'expertise, MCP pour les outils et les données, ligne de commande pour la preuve, instructions et permissions pour le cadre.

Enchaîner maquette, spécification, plan, implémentation et revue : des chaînes reproductibles où chaque étape produit un livrable vérifiable, quel que soit l'outil.

Appliquer les LLM à SQL et MERISE, au développement, à la data et à la recherche, puis rédiger votre fiche d'architecture IA personnelle.

Apprendre avec l'IA sans lui déléguer l'apprentissage, construire le contexte d'une demande, et rester intègre dans ses travaux et livrables.