Notes
Notes de travail
Des notes courtes et évolutives sur l'ingénierie agentique — le raisonnement derrière la méthode. Tout est étiqueté : v1 est publié, draft veut dire que j'y travaille encore — pour que vous sachiez sur quoi vous cliquez.
-
Train a network, then look inside itcommencez iciv1
Un exercice d'un après-midi avec de vrais résultats : entraîner un classifieur de chiffres à 109 386 paramètres en 82 secondes, puis l'ouvrir — les détecteurs de traits appris, l'écart de surapprentissage, les erreurs qu'il commet. Les figures viennent de mon propre entraînement, et le dépôt permet de le reproduire : mnist-anatomy.
-
The same network, written outv1
Le compagnon du texte ci-dessus : ce qui est réellement calculé, en notation — un neurone construit pixel par pixel, puis la notation sigma, ReLU, softmax et la rétropropagation. Dessiné à la main, avec les vraies activations de mon modèle entraîné (60 % de la première couche est exactement à zéro).
-
Behavior over kit: what your Claude Code setup says about you
Les outils installés ne disent presque rien — le niveau se lit dans le comportement. L'histoire de l'AI Usage Card : pourquoi je l'ai construite pour calibrer une conférence devant une salle d'une cinquantaine d'ingénieurs, et comment un niveau devient un chemin plutôt qu'un horoscope.
-
The harness, not the promptdraft
La prochaine compétence de développeur, c'est concevoir le système autour du modèle — contexte, couche agentique, hooks, délestage, observabilité — pas formuler la demande. Les équipes qui n'optimisent que le moteur laissent l'essentiel du levier sur la table.
-
plan → build → reviewdraft
La boucle dans laquelle je travaille : cadrer le travail, laisser l'agent construire contre ce cadre, puis relire — avec des évaluations pour que « ça marche » se mesure au lieu de se ressentir. En dessous, une seule règle : faire porter chaque morceau de travail par la couche la plus légère capable de le tenir — en ligne, une commande, un agent, ou une skill packagée. Ça garde le système lisible au lieu d'un tas de prompts malins.
-
Model-offloading & the price of lost confidencedraft
Quand envoyer du travail non interactif vers un modèle plus petit ou local est gagnant — et quand le harnais nécessaire pour faire confiance à sa sortie coûte plus cher que le modèle économisé. Le compromis porte sur la fiabilité, pas seulement sur le prix.
-
What every team should know about LLMsdraft
Le modèle mental qui arrête le suivisme : les tokens (les modèles pensent en nombres, pas en mots), la fenêtre de contexte (pourquoi la surcharger se retourne contre vous), les outils (pourquoi trop d'outils ralentissent un agent), et ce qu'est réellement un agent — face aux cas où vous n'en avez pas besoin. Les fondamentaux qui font tenir tout le reste.
-
Getting yourself out of the loopdraft
La destination n'est pas un chat plus rapide — c'est du travail qui tourne sans vous. Le loop engineering plus la planification (cron) transforment un bon harnais en exécutions sans surveillance auxquelles vous pouvez vous fier : l'agent fait le boulot sur une minuterie, et ce sont les hooks, les évaluations et l'observabilité qui vous permettent de vous éloigner.
Vous préférez la version en direct ?
Lire est la façon lente de juger si je pense clairement. La façon rapide, c'est une session sur votre propre code.
Voir les formats & tarifs