Les machines travaillent la nuit.
On les surveille.
LLM as a judge, c'est confier à un modèle de langage la note d'une réponse produite par un autre. D'où vient la méthode, ce que vaut le fameux « 80 % d'accord avec les humains », et ce que les mesures de 2023 à 2026 disent des biais du juge.
La chaîne de pensée, c'est faire écrire au modèle ses étapes avant sa réponse. D'où vient la technique, sur quelles tâches elle paie vraiment, et pourquoi ce qu'elle affiche n'est pas ce que la machine fait.
Le context engineering, c'est choisir tout ce qu'un modèle lit à chaque étape, pas seulement la consigne. Pourquoi le mot existe, les quatre gestes, et ce que ça coûte chez ceux qui font tourner des agents.
Un skill Claude, c'est un dossier d'instructions que Claude ne lit qu'au moment utile. Ce que c'est, ce que ça coûte une fois chargé, où ça marche, et pourquoi Anthropic demande de l'installer comme un logiciel.
Hermes Agent, c'est un agent IA open source qui s'installe chez toi et écrit ses propres compétences. Ce qu'il fait, comment marche sa boucle d'apprentissage, et pourquoi il ne tourne pas sur un modèle Hermes.
La fenêtre de contexte, c'est la mémoire de travail d'une IA le temps de sa réponse. Ce que c'est, comment elle se mesure en tokens, et pourquoi plus grand ne veut pas dire plus fiable.
Le MCP est la langue commune qui permet à une IA d'aller se servir dans tes outils. Ce que c'est, à quoi ça sert, et ce que tu autorises en le branchant.
Un agent IA est un modèle de langage à qui on donne des outils ET le droit de décider seul de ses étapes. Définition simple, et la différence avec un chatbot.
Le fine-tuning réentraîne une IA sur tes exemples pour changer sa façon de répondre, pas ce qu'elle sait. Définition simple, comparaison avec le RAG, et ce que ça coûte vraiment.
Le RAG (Retrieval-Augmented Generation), c'est l'IA qui va chercher l'info dans une source fiable avant de répondre, au lieu de l'inventer. Définition simple, avec un exemple concret.