L’article de Rahul Garg, ingénieur principal chez Thoughtworks, propose d’encapsuler les standards d’une équipe sous forme d’instructions versionnées et partagées, afin d’améliorer la cohérence des résultats générés par les assistants IA. L’idée centrale est de transformer les connaissances tacites des équipes (conventions de code, bonnes pratiques de sécurité, etc.) en artefacts exécutables, réduisant ainsi la dépendance aux experts et les variations de qualité selon les utilisateurs.
L’auteur souligne que les pratiques informelles, acquises par l’expérience, créent des disparités dans l’utilisation de l’IA, même au sein d’une même équipe. Sans cadre formalisé, les prompts varient selon les individus, ce qui nuit à la standardisation des livrables. La solution envisagée consiste à externaliser ces règles dans des documents versionnés, accessibles à tous, pour garantir une application uniforme des standards.
Enfin, Garg illustre ce problème avec des exemples concrets : un développeur senior inclut des détails précis dans ses requêtes (style fonctionnel, gestion des erreurs, conventions de nommage), tandis qu’un junior se contente de demandes vagues, produisant des résultats moins alignés avec les attentes de l’équipe. L’objectif est donc de systématiser ces instructions pour fluidifier le travail collaboratif avec l’IA.
Le MTU (Maximum Transmission Unit) détermine la taille maximale des paquets réseau, généralement fixée à 1500 octets en Ethernet standard. Une mauvaise configuration peut fragmenter les données, ralentir les transferts et augmenter l'overhead. L'article explique son importance, son impact sur les performances et les cas où des Jumbo Frames (MTU jusqu'à 9000 octets) peuvent optimiser les transferts massifs, à condition que tous les équipements du réseau soient compatibles. La cohérence du MTU sur l'ensemble de la chaîne de communication est essentielle pour éviter les fragmentations coûteuses.
Ce billet de blog de JoliCode explore l'utilisation de Jane, une suite de librairies PHP, pour maintenir la cohérence entre la documentation et le code dans le développement d'APIs. Jane génère automatiquement du code (modèles, normalisateurs, clients HTTP) à partir de spécifications JSON Schema ou OpenAPI, éliminant ainsi les divergences entre la documentation et le code. L'article illustre cette approche avec un exemple concret de tunnel d'achat e-commerce, divisé en deux microservices (Panier et Commande), et montre comment Jane peut être utilisée pour générer et valider les données échangées entre ces services.
Tout est dans le titre.. L'auteur illustre ceci en PHP
Pour mémoire, et je cite l'intro de l'article : "on ne peut pas avoir en même temps la cohérence des données (C), la disponibilité (A pour availability) et la tolérance aux partitionnements (P)"... Et l'auteur explique bien en quoi tout ça consiste