De ChatGPT aux agents IA : deux ans en tant qu'ingénieur
Il y a deux ans, je n'utilisais l'IA que pour poser des questions.
Aujourd'hui, j'orchestre plusieurs agents de codage. Je connecte les connaissances de l'entreprise via MCP. J'exécute des modèles locaux dans des applications iOS. Je maintiens une couche de mémoire pour que les agents puissent travailler ensemble.
Je ne suis pas un chercheur en IA. Je suis un ingénieur ordinaire qui a continué à expérimenter.
Voici mon parcours, du chat aux agents.
Étape 1 : Le fossé de la fiabilité Au début, l'IA semblait magique. Puis, elle semblait peu fiable. Les modèles présentent souvent de fausses informations avec une grande assurance. J'ai appris une leçon difficile : une réponse plausible n'est pas un résultat fiable.
Étape 2 : L'IA comme partenaire Des outils comme Cursor ont tout changé. L'IA est passée d'une fenêtre de chat séparée à mon éditeur de code. La boucle de rétroaction est devenue incroyablement courte : • Décrire une idée. • Générer du code. • Exécuter et observer l'échec. • Demander une correction. • Recommencer.
Cela a réduit le coût de création de prototypes. Les petites idées ne meurent plus lors de la mise en place ou de la configuration. Elles atteignent réellement la ligne d'arrivée.
J'ai appris que le contexte est la clé Au début, les agents oubliaient des décisions ou brisaient l'architecture. J'ai cessé de me concentrer sur le « prompt engineering » pour commencer le « context engineering ». J'ai commencé à écrire des règles strictes pour mes agents : • Respecter l'architecture existante. • Expliquer le plan avant de modifier le code. • Ne pas supprimer de fichiers sans demander.
Nous n'écrivions pas seulement de meilleures phrases. Nous construisions un environnement stable pour un système probabiliste.
Étape 3 : Au-delà de la fenêtre de chat Je suis passé des chats web aux API et aux modèles locaux. Faire tourner un modèle sur un ordinateur de bureau est facile. Intégrer un modèle dans une application mobile est difficile. Soudain, j'ai dû résoudre de vrais problèmes d'ingénierie : • Taille du modèle et utilisation de la mémoire. • Latence au démarrage. • Exécution hors ligne et compatibilité des appareils.
Étape 4 : Flux de travail pilotés par des agents L'objectif est passé de « écris cette fonction » à « comprends ce dépôt et atteins cet objectif ». J'ai également commencé à utiliser le Model Context Protocol (MCP). J'ai construit une intégration MCP pour la plateforme de connaissances de mon entreprise. L'agent pouvait désormais accéder à dix ans de données d'entreprise. Le défi est passé de l'intelligence du modèle à la conception du système.
𝗠𝗲𝘀 𝗽𝗹𝘂𝘀 𝗴𝗿𝗮𝗻𝗱𝗲𝘀 𝗹𝗲ç𝗼𝗻𝘀 : • Le codage est plus facile, mais l'ingénierie est plus difficile. • L'IA s'occupe de l'implémentation, mais c'est à vous de faire preuve de discernement. • Vous devez définir des objectifs avec précision et valider vos hypothèses. • Le travail multi-agents nécessite une couche de mémoire pour que les agents puissent se transmettre les tâches sans redémarrer.
L'IA rend l'implémentation peu coûteuse. Cela signifie que l'expérimentation est désormais gratuite. Le véritable travail consiste à décider quelles idées valent réellement la peine d'être développées.
Communauté d'apprentissage optionnelle : https://t.me/GyaanSetuAi