Le Model Context Protocol (MCP) est un standard visant à intégrer des outils et scripts existants directement dans les IDE pour les agents IA. Actuellement, ces agents comprennent le code mais ne peuvent pas exécuter des actions réelles, souvent situées en dehors de l'IDE. MCP propose une solution en exposant ces capacités (CLI, API, services internes) via un contrat structuré, permettant aux agents de les utiliser sans nécessiter de plugins spécifiques. Contrairement aux API REST classiques, MCP standardise les actions et permet une découverte dynamique des capacités, facilitant ainsi l'orchestration par les agents IA.

Ce billet explore les implications de l'augmentation de la vitesse de codage, notamment grâce à l'IA, sur le métier de développeur. L'auteur, un entrepreneur technique, partage son expérience personnelle où le gain de temps lui permet de se concentrer sur la stratégie et l'amélioration du produit plutôt que sur la simple production de code. Il souligne que l'impact varie selon les contextes, comme les grandes entreprises ou les freelances, et que le gain de temps n'est pas toujours évident, comme le montre une étude récente. L'idée centrale est de se demander à quoi sert ce temps gagné et comment il peut être utilisé pour améliorer la qualité du produit et la réflexion stratégique.

Ce billet de blog explore les limites des grands modèles de langage (LLM) en matière de génération de code correct, en se concentrant sur un exemple concret : une réécriture en Rust d'une base de données SQLite générée par un LLM. Bien que le code compilé semble fonctionner et passe les tests, il s'avère être environ 20 000 fois plus lent que l'original pour des opérations de base. L'auteur souligne que les LLM optimisent pour la plausibilité plutôt que pour la correction, et souligne l'importance de définir des critères d'acceptation clairs avant de générer du code. L'article inclut des benchmarks détaillés et une analyse du code pour illustrer ces problèmes, tout en reconnaissant les avantages des LLM pour accélérer le développement d'idées.

Dans ce billet de blog, l'auteur partage son expérience avec l'intelligence artificielle générative (GenAI) dans le développement logiciel, notamment à travers le projet PodSweeper. Il évoque l'utilisation croissante d'assistants IA pour automatiser des tâches répétitives et explorer des projets web complets, malgré des résultats mitigés en opérations (Ops). Bien qu'il reconnaisse les limites et les critiques des experts sur la qualité du code généré, il souligne les bénéfices concrets pour les non-experts comme lui. L'auteur teste également des outils spécialisés comme k8sgpt et HolmesGPT, tout en restant prudent sur les promesses de la GenAI. Un retour d'expérience nuancé sur les apports et les défis de l'IA dans le développement logiciel.

Carrie Webster explore l'impact de l'IA sur le workflow des designers UX. Bien que l'IA puisse générer rapidement des wireframes, prototypes et même des design systems, l'auteure souligne que le rôle du designer UX va au-delà de la création d'interfaces. Elle met en avant la capacité des designers à naviguer dans l'ambiguïté, à défendre les intérêts humains dans des systèmes optimisés pour l'efficacité, et à résoudre des problèmes humains par une conception réfléchie. L'IA ne remplace pas ces compétences, mais les amplifie, permettant aux designers de passer de la création d'outputs à la direction d'intentions, un changement qui, selon elle, est excitant et enrichissant pour le domaine du UX.

Scriberr est une application de transcription audio open-source, autonome et hors ligne, conçue pour les utilisateurs qui hébergent eux-mêmes leurs services et qui privilégient la confidentialité et les performances. Elle permet de transcrire des fichiers audio en texte directement sur ses propres serveurs, sans dépendre de services externes. Le projet est disponible sur GitHub et inclut des fonctionnalités telles que la reconnaissance de locuteurs et la personnalisation des paramètres de transcription.

L'article explore l'impact des agents d'IA sur le développement logiciel. Yoav Aviram y affirme que la programmation manuelle est en déclin, remplaçée par une nouvelle discipline centrée sur la résolution de problèmes et la supervision des agents. Il souligne que le coût marginal du code est en baisse, facilitant la refactorisation, la gestion de la dette technique et la résolution des bugs. L'auteur encourage à créer des boucles de rétroaction serrées et à adapter les processus pour un monde en mutation, tout en soulignant que les agents d'IA ne sont pas réservés qu'au codage.

Ce dépôt GitHub, "claude-code-best-practice", propose des pratiques optimales pour l'utilisation de Claude, un modèle d'IA. Il inclut des concepts clés comme les commandes, les sous-agents, les compétences, les workflows, et les hooks, ainsi que des fonctionnalités avancées telles que les équipes d'agents, le mode vocal, et le contrôle à distance. Le dépôt fournit également des exemples d'implémentation, des workflows de développement, et des rapports sur la dégradation des modèles de langage. Il est structuré pour faciliter l'intégration et l'utilisation de ces meilleures pratiques dans des projets utilisant Claude.

Dépôt open source proposant une “agence IA” composée d’une cinquantaine d’agents spécialisés organisés par rôles (développement, design, marketing, analyse, etc.), chacun défini par une personnalité, des règles, des workflows et des livrables précis afin d’exécuter des tâches concrètes plutôt que de simples prompts génériques. Le projet fournit plus de 50 agents répartis en plusieurs divisions — par exemple développeur frontend, architecte backend, growth hacker ou responsable Reddit — qui peuvent être combinés pour simuler une équipe complète travaillant sur des projets comme un MVP, une campagne marketing ou une fonctionnalité d’entreprise, avec des processus reproductibles et des critères de réussite mesurables.

L'auteur partage son expérience de 7 mois avec Claude Code, un outil d'assistance à la programmation. Initialement frustré par des résultats médiocres et des erreurs, il réalise que le problème venait de son utilisation inadéquate de l'outil plutôt que de ses capacités. Il décrit plusieurs erreurs courantes, comme les requêtes vagues, les sessions trop longues avec des tâches non liées, les corrections répétées polluant le contexte, et la confiance aveugle dans le code généré. Il apprend finalement à structurer ses demandes, à limiter les sessions à une seule tâche, à clarifier ses consignes et à vérifier systématiquement le code produit, ce qui améliore significativement son efficacité.

Cet article résume l'histoire du deep learning, des débuts prometteurs avec le Perceptron dans les années 1950-1970, jusqu'à la renaissance des réseaux de neurones avec l'apprentissage par rétropropagation dans les années 1980. Il explique comment les limites structurelles du Perceptron ont freiné la recherche, et comment l'introduction de couches cachées et la rétropropagation du gradient ont permis aux réseaux de neurones de surmonter ces obstacles, ouvrant la voie au deep learning moderne.

Marcel Moll discute de l'importance du code propre à l'ère de l'IA générative. Bien que l'IA soit efficace pour produire du code fonctionnel, elle ne remplace pas l'expertise humaine pour créer du code compréhensible et bien structuré. L'auteur souligne que l'IA ne comprend pas le domaine spécifique, les bonnes pratiques de développement ou les implications à long terme des choix architecturaux. Il met en garde contre l'accumulation de dette technique due à l'utilisation non critique de l'IA et insiste sur l'importance de vérifier et de comprendre le code généré avant de l'intégrer. Les principes de code propre restent essentiels, servant désormais de filtre plutôt que de simple guide.

Ce billet présente 10 prompts d'IA prêts à l'emploi pour accélérer la livraison de logiciels en éliminant les goulots d'étranglement courants. Il explique comment l'IA peut être utilisée pour améliorer les processus d'examen de code, de sécurité et de documentation, en fournissant des exemples concrets de prompts pour des tâches spécifiques comme la détection d'erreurs logiques, l'identification des changements cassants et l'analyse des résultats de scans de sécurité. L'objectif est d'aider les équipes à améliorer leur efficacité et à livrer des logiciels plus rapidement.

Mitchell Hashimoto partage son parcours d'adoption de l'IA, en six étapes, depuis le scepticisme initial jusqu'à une intégration efficace dans son flux de travail. Il commence par abandonner l'utilisation directe des chatbots pour le codage, soulignant leur inefficacité pour des tâches complexes. Il recommande ensuite d'utiliser des agents, des modèles de langage capables d'interagir avec des outils externes. Hashimoto décrit son expérience avec Claude Code, où il a reproduit manuellement ses propres travaux pour améliorer ses compétences et comprendre les capacités de l'IA. Il insiste sur l'importance de diviser les tâches en étapes claires et actionnables pour maximiser l'efficacité. Son approche nuancée et mesurée offre une perspective équilibrée sur l'adoption de l'IA dans le développement logiciel.

Nirina Rabeson explore la question de l'utilisation de l'IA par les développeurs juniors. Initialement opposée à cette pratique, elle change d'avis après avoir observé des juniors utiliser efficacement des outils comme GitHub Copilot et ChatGPT. Elle souligne que son approche traditionnelle d'apprentissage par la pratique présente des limites, notamment en ne permettant d'apprendre que ce que le mentor connaît déjà. Elle conclut que l'IA pourrait être un atout pour les juniors, à condition qu'ils sachent bien implémenter les feedbacks et traiter la dette technique.

Joppe De Cuyper explore l'idée d'un monde où l'IA génère du code sans intervention humaine, remettant en question l'importance des principes de "clean code". Il présente un projet Symfony sans code source, où seul un ensemble de spécifications et de tests sont maintenus. L'IA génère le code nécessaire à chaque build, le rendant obsolète après utilisation. Cette approche permet une amélioration continue du code grâce aux avancées de l'IA, sans héritage de code ancien. Le projet, illustré par une API de gestion de tâches, montre comment les spécifications détaillées peuvent remplacer le code source traditionnel.

Ce tutoriel explique comment héberger une IA locale avec Ollama, un outil simplifiant le déploiement de modèles d'IA en local, et lui apprendre vos données via le RAG (Retrieval-Augmented Generation). L'auteur détaille l'installation d'Ollama sur une VM Linux, le téléchargement d'un modèle léger comme Gemma 3, et l'utilisation du RAG pour intégrer vos documents internes. Le processus est simplifié pour éviter les coûts élevés et la complexité des solutions cloud.

Découvrez une collection exhaustive de serveurs MCP (Model Context Protocol) sur GitHub. Ce dépôt, nommé "awesome-mcp-servers", propose une liste curatée de serveurs prêts pour la production et expérimentaux, permettant aux modèles d'IA d'interagir avec des ressources locales et distantes via des implémentations standardisées. Les serveurs couvrent divers domaines comme l'accès aux fichiers, les connexions aux bases de données, les intégrations API, et bien plus. Le dépôt inclut également des clients, des tutoriels, et une communauté active. Une légende est fournie pour comprendre les différentes implémentations selon le langage de programmation, la portée, et le système d'exploitation.

L'article propose une nouvelle perspective sur l'intelligence artificielle (IA). Plutôt que de considérer l'IA comme un collègue autonome, l'auteur suggère de la voir comme une exosquelette, un outil qui amplifie les capacités humaines sans les remplacer. En s'appuyant sur des exemples concrets dans les domaines de la fabrication, de l'armée et de la réadaptation médicale, l'article montre comment les exosquelettes augmentent les capacités humaines tout en réduisant les blessures et la fatigue. Cette analogie est utilisée pour critiquer l'approche actuelle de l'IA en tant qu'agent autonome, soulignant que cette vision peut mener à des attentes irréalistes et des déceptions. L'auteur argue que l'IA, comme un exosquelette, devrait être vue comme un amplificateur des capacités humaines, travaillant en synergie avec elles plutôt qu'en remplacement.

Minko Gechev présente Skill Eval, un framework TypeScript pour tester les compétences des agents IA comme Gemini CLI et Claude Code. Il souligne l'importance de tester ces compétences, comparables à du code, pour éviter des comportements inattendus. Skill Eval évalue les agents en les exécutant dans des conteneurs Docker et en notant leurs performances. Il propose d'intégrer ces tests dans les pipelines CI/CD pour garantir la fiabilité des compétences des agents. Le framework permet d'utiliser des évaluateurs déterministes ou basés sur des rubriques LLM, et recommande de réaliser plusieurs essais pour évaluer à la fois les capacités et la fiabilité des compétences.