La gestion des erreurs en Go est souvent critiquée. Chaque développeur Go a écrit ce code des centaines de fois :

Tester le code Go concurrent a toujours exigé une certaine discipline. Les goroutines sont peu coûteuses, les canaux sont simples et l’annulation de contexte est idiomatique — les workers en arrière-plan et les minuteries sont omniprésents dans les services Go réels.

Le protocole Agent2Agent de Google, généralement abrégé en A2A, a connu une première année étrange.

Les agents de sondage (polling agents) font partie des aspects les moins glamour de l’architecture des assistants IA, mais ils sont aussi parmi les plus utiles.

Le protocole A2A, sigle d’Agent2Agent Protocol, est une norme ouverte pour la communication entre des systèmes d’agents IA indépendants.

L’architecture des agents IA commence à se diviser en deux couches.

CQRS est l’un de ces modèles qui est souvent survendu, surcomplexifié et parfois mal diagnostiqué comme un remède à l’ennui du CRUD traditionnel.

Mermaid est un outil de diagrammes basé sur le texte, conçu pour ceux qui préfèrent écrire leurs diagrammes plutôt que de faire glisser des formes sur un canevas. Il utilise une syntaxe proche de Markdown pour décrire des organigrammes, des diagrammes de séquence, des diagrammes de classes, des machines à états, des frises chronologiques, des diagrammes de Gantt, des diagrammes entité-association et bien plus encore.

La plupart des notes techniques sont rédigées une fois puis oubliées. Vous capturez quelque chose lors d’une session de débogage, vous le collez quelque part, et vous le retrouvez deux ans plus tard sans aucun contexte expliquant pourquoi cela comptait.

Organiser ses notes par sujet semble logique, jusqu’à ce que vous ayez des notes sur PostgreSQL réparties dans cinq dossiers différents et que vous ne puissiez plus trouver celle qui est pertinente pour le problème du jour.

Le modèle dominant pour publier des connaissances en ligne n’a guère changé depuis le début des années 2000 : écrire quelque chose, le peaufiner, le publier, puis passer à autre chose.

Exécuter un modèle de 70 milliards de paramètres pour résumer un e-mail de 200 mots est un gaspillage. Utiliser un modèle de 3 milliards de paramètres pour passer en revue du code en production est négligent. La plupart des systèmes se situent quelque part entre les deux — et c’est là qu’intervient le routage de modèles.

Les coûts des LLM évoluent de manière linéaire avec l’utilisation. Un système traitant 10 000 requêtes par jour à 0,01 $ par requête coûte 100 $ par jour, soit 365 $ par an. À l’échelle de l’entreprise, cela représente plus de 10 000 $.

Les LLMs sont imprévisibles. Ils hallucinent, fuient des données, génèrent du contenu nuisible ou refusent des demandes légitimes. Les garde-fous (guardrails) contraignent le comportement du modèle sans sacrifier ses capacités.

Les systèmes à modèle unique sont simples. Les systèmes multi-modèles sont puissants. Le défi ne réside pas dans le choix des modèles, mais dans la conception de l’architecture qui les orchestre.

La mémoire transforme les assistants d’entités réactives en entités persistantes, mais c’est aussi là que de nombreux systèmes pourrissent silencieusement. Les enquêtes soutiennent que la distinction entre mémoire à court terme et à long terme n’est plus suffisante pour la mémoire des agents modernes ; les SDKs OpenAI et LangGraph pointent vers une pile plus simple — mémoire de travail, état durable et récupération.