Réponses rapides pour les décisions d’ingénierie AI
Traduction automatique Cet article a été traduit automatiquement depuis la version originale en anglais.
Utilisez cette section lorsque vous avez besoin d’une réponse concise avant d’entrer dans les détails. Chaque guide propose un choix par défaut pratique, les compromis associés et un lien vers l’article détaillé lorsque les nuances sont importantes.
Les archives du blog restent consacrées aux articles approfondis. Les Fast Answers sont des guides de décision plus courts.
Agents AI
| Question | Réponse courte | Guide | Analyse approfondie |
|---|---|---|---|
| Avec quel framework d’agents devrais-je commencer ? | Commencez avec les agents LangChain pour une approche de haut niveau, LangGraph pour un état explicite, ou un framework adapté aux besoins du produit en matière de retrieval et de plateforme. | Meilleurs frameworks d’agents AI | Boucles de raisonnement des agents AI |
| Quel outil d’évaluation d’agents devrais-je utiliser ? | Utilisez Phoenix pour le tracing ouvert, LangSmith pour un workflow géré, DeepEval pour la CI Python, ou Promptfoo pour les tests locaux en matrice et les tests red-team. | Meilleurs outils d’évaluation d’agents AI | Évaluation des agents : des traces aux suites de tests |
| Comment sécuriser un agent AI ? | Réduisez d’abord ses pouvoirs : outils limités, contrôles de policy avant les tool calls, sandboxes, identifiants à portée limitée, approbations, contrôles d’egress et traces. | Checklist de sécurité des agents AI | Sécurité des agents AI |
| Quelle interface d’outils devrais-je utiliser ? | Utilisez le function calling au sein d’une même application, MCP pour des serveurs réutilisables, une CLI pour des commandes matures, ou des skills pour des instructions de workflow réutilisables. | Interfaces d’outils pour agents AI | Tool use des agents AI |
Ingénierie des modèles et infrastructure
| Question | Réponse courte | Guide | Analyse approfondie |
|---|---|---|---|
| Quel outil pour LLM local devrais-je utiliser sur macOS ? | Comparez Ollama, LM Studio, llama.cpp et MLX-LM selon le workflow, l’artifact, le contrôle du runtime et la marge mémoire disponible. | Outils pour LLMs locaux sur macOS | LLMs locaux sur macOS |
| Quelle représentation de quantization devrais-je utiliser ? | Choisissez d’abord le runtime et le matériel ; GGUF, AWQ, GPTQ, FP8 et NF4 décrivent des couches ou des objectifs différents. | Formats de quantization des LLMs | Guide de quantization des modèles |
| Devrais-je utiliser un prompt, RAG ou fine-tuning ? | Utilisez un prompt pour les instructions, RAG pour les connaissances et preuves évolutives, et le fine-tuning pour un comportement reproductible. | Fine-tuning vs RAG vs prompting | Guide du fine-tuning des LLMs |
Retrieval et systèmes de langage
| Question | Réponse courte | Guide | Analyse approfondie |
|---|---|---|---|
| Quelle stack d’évaluation RAG devrais-je utiliser ? | Commencez par des métriques déterministes à chaque étape, puis ajoutez des judges calibrés et des contrôles propres au produit. | Meilleurs outils d’évaluation RAG | Métriques d’évaluation RAG |
| Quel modèle OCR devrais-je utiliser pour le document AI ? | Utilisez un OCR classique pour les documents imprimés propres, un parser spécialisé pour les pages structurées et un VLM spécialisé dans les documents lorsqu’un raisonnement visuel est nécessaire. | Meilleurs modèles OCR | Guide OCR |
| Quel modèle NER devrais-je utiliser ? | Utilisez spaCy pour des labels stables, GLiNER pour des labels évolutifs, un encoder supervisé lorsque vous disposez de données, ou un LLM pour les documents nécessitant un raisonnement approfondi. | Meilleurs modèles NER | Guide NER |
| Quelle stack de classement pour la recherche devrais-je construire ? | Commencez avec BM25, ajoutez du dense recall, fusionnez les résultats complémentaires, puis appliquez un reranking sur une shortlist contrainte par la latence. | BM25 vs Embeddings vs Rerankers | Stack de classement pour la recherche |