Ia

J’ai un agent de code —Claude Code— qui interagit avec Linear, mon gestionnaire de tickets, environ 800 fois par mois : il liste des tâches, crée des tickets, change des statuts, ajoute des commentaires. J’ai analysé 165 de ses sessions et compté plus de 500 erreurs et plus de 370 tentatives réitérées. Aucun de ces échecs n’était dû à une erreur de l’API de Linear. Toutes ces erreurs étaient liées à l’interface : l’agent communiquait avec la ligne de commande, mais cette dernière ne comprenait pas sa demande. ...

La semaine dernière, lors de l’audit des tokens API de mon compte Cloudflare, j’ai découvert un token que je n’avais jamais créé : “Cloudflare Agent Token - 2026-04-28”, généré par l’assistant IA du tableau de bord Cloudflare (“Ask AI”). Le tooltip fourni par Cloudflare explique que ce token existe pour permettre à l’IA de “comprendre votre environnement et agir en votre nom”. En réalité, voici les accès qu’il octroie, selon la page de résumé du token : accès en lecture sur tous les comptes, toutes les zones et tous les utilisateurs — soit plus de 160 permissions. Tous se terminent par :Read : il ne peut rien modifier. Mais “lecture seule” paraît réducteur. La liste inclut Secrets Store:Read, Access: Keys:Read, Access: Service Tokens:Read, Zero Trust: PII:Read, Logs:Read, Account Audit Logs:Read, Billing:Read, API Tokens:Read, ainsi que l’ensemble de la configuration DNS, Access, et les fournisseurs d’identité que vous utilisez. ...

Google a publié TurboQuant le 24 mars. En 48 heures, le papier avait 575 points sur Hacker News, les actions de Micron chutaient de 900 millions de dollars, et TechCrunch le comparait à l’algorithme de Pied Piper de Silicon Valley. Un mois plus tard, le brouillard du battage médiatique s’est suffisamment dissipé pour répondre aux seules questions qui comptent : est-ce que ça marche ? Puis-je l’utiliser aujourd’hui ? Et celle que personne ne veut poser : est-ce vraiment nouveau ? ...

Il y a un moment dans la vie de tout développeur équipé de copilotes où vous regardez la facture mensuelle et vous pensez : “C’est bien, mais ça ressemble plus à une liste d’abonnements qu’à mon ancien fitness du quartier.” Ce moment m’est arrivé avec une combinaison assez sérieuse : Claude Max 5, Codex Plus, et la tentation d’ajouter Z.AI avec OpenCode pour les petits jobs. L’idée avait l’air solide. Mais voilà le problème : si vous intégrez trois agents dans votre flux sans structure, vous finissez par ressembler à un chef de chantier où tout le monde est occupé à tourner en rond, mais personne ne tient les plans. ...

TL;DR : Après 165 sessions de Claude Code et 27 de Codex CLI, le schéma est clair : Claude est parfait pour le travail interactif, où vous réfléchissez à voix haute, et Codex pour les tâches autonomes que vous déléguez et oubliez. La question n’est pas de savoir lequel est meilleur — mais quand utiliser chaque outil. Mes données montrent que la combinaison est plus efficace qu’un seul agent à lui tout seul. ...

TL;DR : Mon agent IA avait un fichier d’instructions de 246 lignes pour gérer les issues dans Linear. 150 de ces lignes étaient des contournements : UUIDs codés en dur, fallbacks vers curl, notes de « la CLI ne supporte pas X ». Je ne les ai pas réécrites — j’ai construit un outil qui les a rendues inutiles. Ces 150 lignes sont maintenant à zéro. As-tu déjà écrit un document d’instructions si long que sa propre longueur démontre que quelque chose cloche ? ...

TL;DR : Un LLM est comme Don Quijote — tu ne peux pas le corriger, il est stochastique par nature. La solution n’est pas de guérir le fou, mais de placer un Sancho Panza déterministe à ses côtés. MDD se compose de deux couches : d’abord, tu étudies ses erreurs pour concevoir des outils qui les absorbent, puis tu le testes avec ces outils pour vérifier que tu n’as rien laissé passer. Conçois pour la folie, pas contre elle. ...

TL;DR : Ton IA va inventer des champs d’API qui semblent parfaits mais qui n’existent pas. La solution n’est pas de croiser les doigts pour qu’elle tombe juste : c’est de télécharger le schéma réel avant d’écrire, capturer des réponses réelles comme fixtures, et séparer fetch du traitement pour pouvoir tester hors réseau. Programmation adversariale : programme en supposant que ton copilote ment. As-tu déjà écrit du code pour une API et tout compilait, les tests passaient, la logique semblait correcte… mais quand tu te connectes à l’API réelle, plus rien ne fonctionne ? ...

TL;DR : Linear a lancé un agent IA intégré. C’est sympa, mais cela ne résout pas le problème des développeurs qui travaillent avec des agents de codage dans le terminal. Ce qu’il nous faut, ce n’est pas un autre agent, mais une CLI robuste que notre agent existant peut utiliser. Et s’il faut la construire, autant le faire en Rust — d’où lql, une CLI pour Linear conçue pour les agents. ...

Multiplier est difficile. Additionner est facile. Tous les écoliers savent cela dès le primaire. Ce qu’ils ignorent, cependant, c’est que les logarithmes existent précisément pour exploiter cette asymétrie : transformer une multiplication en une addition, travailler dans un monde plus simple, puis annuler la transformation. Le résultat est correct et l’effort, une fraction. Ce modèle — transformer un problème dans un espace où le résoudre est trivial, le résoudre, puis revenir — est l’un des principes les plus puissants de toute l’ingénierie. La FFT le fait avec les signaux. Les logarithmes le font avec les produits. Et aujourd’hui, Google vient de publier un article scientifique qui l’applique à la compression des modèles de langage. ...