Référence IA
Wiki LLM
Fondamentaux (tokens, RAG, évaluation), prompting, pratique agentique (AGENTS.md, hooks, skills, MCP) et cadre (RGPD, AI Act).
- fiches
- 38
- catégories
- 7
- Focus
- Agents
Fondamentaux des LLM
Tokens, température, hallucinations, embeddings, RAG, outils, évaluation et coût.
- Tokens et fenêtre de contexteUn LLM ne lit pas des mots mais des tokens, des fragments de texte. Tout ce qu'il voit tient dans une fenêtre de contexte limitée, et chaque token envoyé ou produit coûte du temps et de l'argent.
- Température et échantillonnageLe modèle choisit chaque token par tirage parmi les plus probables. La température et le top-p règlent ce hasard : valeur basse pour extraire ou coder, plus haute pour varier les idées.
- HallucinationsUn LLM produit le texte le plus plausible, pas le plus vrai : il peut inventer une fonction, une loi ou une source avec aplomb. On s'en protège en fournissant des sources et en vérifiant.
- Embeddings et recherche sémantiqueUn embedding transforme un texte en vecteur de nombres : deux textes de sens proche donnent des vecteurs proches. C'est la base de la recherche sémantique, du regroupement et du RAG.
- RAG (génération augmentée par récupération)Le RAG va chercher dans vos documents les passages utiles à la question et les place dans le prompt : le modèle répond à partir de sources à jour, peut les citer, et sans réentraînement.
- Appel d'outils (function calling)Le modèle n'exécute rien lui-même : il demande l'appel d'un outil décrit par un schéma JSON, votre code l'exécute et lui renvoie le résultat. C'est le mécanisme de base de tout agent.
- Sorties structurées (JSON Schema)Quand une réponse doit être lue par du code, on demande au modèle un JSON conforme à un schéma plutôt que du texte libre, puis on le valide côté application avant de s'en servir.
- Modèles de raisonnementCertains modèles « réfléchissent » avant de répondre en produisant un raisonnement intermédiaire. Ils valent leur surcoût sur les problèmes à plusieurs étapes, pas sur les tâches simples.
- Prompt, RAG ou fine-tuning ?Pour adapter un LLM à un métier, on essaie d'abord le prompt, puis le RAG pour apporter des connaissances, et le fine-tuning seulement pour figer un style ou un format à fort volume.
- Évaluer un système LLMOn n'améliore pas ce qu'on ne mesure pas : un jeu de cas de test avec des critères explicites, rejoué à chaque changement de prompt ou de modèle, remplace l'impression que « c'est mieux ».
- Coût et latenceChaque appel se paie en tokens et en secondes. Un bon système envoie un contexte réduit, réutilise un début de prompt en cache et réserve le modèle le plus puissant aux étapes qui l'exigent.
Prompting
Brief ROCCF, vérification des sorties et itération d'un prompt.
- Structure ROCCF du briefUn bon prompt est un brief en cinq rubriques : Rôle, Objectif, Contexte, Contraintes et Format. Cette grille ROCCF évite la réponse générique et rend le prompt réutilisable par l'équipe.
- Vérifier une sortie d'IAToute sortie d'IA reste une hypothèse tant qu'elle n'est pas testée. On explicite ses hypothèses, on la confronte à un cas dont on connaît la réponse, puis on relit ce qu'on va signer.
- Itérer un promptLe premier prompt est rarement le bon. Une boucle demande, sortie, critique, amélioration corrige un défaut précis à chaque tour, au lieu de tout relancer en espérant un meilleur résultat.
Architecture agentique
Skills, MCP, agents en terminal, AGENTS.md et garde-fous du dépôt.
- Skill (SKILL.md)Un skill est un dossier d'instructions spécialisées que l'agent ne charge que si la tâche le demande. Il capitalise une procédure répétée, là où AGENTS.md décrit le projet en permanence.
- MCP (Model Context Protocol)MCP est un protocole ouvert qui branche un agent sur des services externes (GitHub, base de données, outil métier) par un serveur standard, sans jamais coller de secret dans la conversation.
- Agents en ligne de commandeUn agent de code en terminal lit, modifie et lance des commandes pour prouver que son travail compile. Sa valeur tient à la boucle lire, modifier, exécuter, corriger, et aux limites qu'on lui pose.
- Rules et AGENTS.mdAGENTS.md et les rules sont des instructions lues à chaque session : stack, arborescence, commandes, conventions et interdits. Ils évitent de réexpliquer le projet à chaque nouvelle demande.
- Garde-fous du dépôt (Claude Code et Cursor)Un dépôt confié à un agent se protège en couches : des consignes pour guider, des permissions pour interdire, des hooks pour contrôler chaque action et des fichiers ignorés pour cacher les secrets.
Pratique agentique
Modes d'autonomie, couches d'instructions, hooks, skills, brief et sécurité.
- Chat, Plan ou AgentTrois niveaux d'autonomie : le chat explique sans toucher aux fichiers, le plan fait valider les étapes avant le code, l'agent modifie et exécute dans les limites d'un brief.
- Les quatre couches d'instructionsLes consignes d'un agent viennent de quatre couches : vos règles personnelles, le fichier du projet, les rules ciblées par chemin et les skills chargés à la demande. Chaque consigne a sa place.
- Consultatif ou déterministeUne consigne en Markdown est un conseil que le modèle peut ignorer ; une permission deny ou un hook est une règle appliquée par l'outil. Tout ce qui est irréversible relève de la seconde catégorie.
- Un AGENTS.md courtPlus le fichier d'instructions est long, moins chaque consigne est suivie. Un bon AGENTS.md tient en quelques dizaines de lignes de puces et renvoie vers la documentation au lieu de la copier.
- Rules Cursor (.mdc)Propre à Cursor : une rule est un fichier .mdc de .cursor/rules/ qui porte les consignes d'un domaine. Son en-tête dit quand la charger : toujours, selon le chemin ou selon sa description.
- .cursorignorePropre à Cursor : .cursorignore liste les fichiers que l'éditeur ne doit ni indexer ni fournir à l'IA, comme les secrets. Ce que l'agent ne lit pas, il ne peut pas le divulguer.
- Hooks d'agent (Cursor et Claude Code)Un hook est un petit programme que l'outil lance automatiquement à un moment précis, par exemple avant une commande shell : il peut l'autoriser, la bloquer avec un motif ou formater un fichier.
- Échec fermé ou échec ouvertQuand un hook plante ou dépasse son délai, il faut décider s'il bloque (échec fermé) ou laisse passer (échec ouvert). Les secrets et l'irréversible bloquent ; le formatage laisse passer.
- Déclenchement des skillsL'agent ne lit pas tous les skills : il choisit d'après leur description. Une description précise déclenche le bon skill au bon moment ; une description vague le charge pour tout.
- MCP : liste blanche et confirmationsBrancher des serveurs MCP élargit ce que l'agent peut faire, donc ce qu'un attaquant peut lui faire faire. On autorise des hôtes nommés, on confirme les écritures et on garde les secrets côté serveur.
- Brief de sessionUn agent travaille comme un prestataire : il lui faut un but, ce qui est hors périmètre, les fichiers concernés et un critère de fin observable. « Améliore la landing » n'est pas un brief.
- Injection de prompt par le dépôtTout ce que l'agent lit peut devenir une consigne : README, issue, page web, skill téléchargé. Un texte caché exigeant d'afficher .env est une attaque, que seules les règles de l'outil bloquent.
- Les 5 tâches goldenCinq tests binaires rejoués après chaque changement de rules, de hooks ou de modèle : trois tâches que l'agent doit réussir, deux interdits qu'il doit refuser. Le refus compte comme une réussite.
- Charte d'équipe pour les agentsUne page lisible par les humains qui fixe l'usage des agents dans l'équipe : autonomie, interdits, qui fusionne les PR, quand rejouer les tests. Elle renvoie vers AGENTS.md et les hooks.
Pipelines
De la maquette au code, de la spécification à la PR.
- Chaîne maquette → spécification → codePour passer d'une maquette à du code avec l'IA, on intercale une spécification écrite et validée : la maquette fixe le visuel, la spécification le comportement, et l'agent implémente.
- Chaîne spécification → plan → PRUne fonctionnalité confiée à un agent suit une chaîne courte : une spécification avec critères testables, un plan de fichiers ordonné, une implémentation bornée, puis une revue humaine.
Modèles & outils
Choisir un modèle et un outil d'après la tâche, pas d'après un classement.
Cadre & conformité
RGPD, AI Act et confidentialité des données confiées aux outils d'IA.
- RGPD et AI ActLe RGPD encadre les données personnelles que vous placez dans un prompt ; l'AI Act encadre les systèmes d'IA selon leur niveau de risque, avec des obligations applicables par étapes depuis 2025.
- Confidentialité des donnéesCe que vous collez dans un chatbot quitte votre poste : selon l'offre, ce peut être conservé, relu ou utilisé pour l'entraînement. On choisit donc l'outil d'après la sensibilité des données.