#agent
agent
88,701 vues
227 mentions
Populaire
Récents
Laisse l'IA gérer les fonds, ça sonne bien, on appelle ça la gestion autonome, mais en réalité, c'est juste filer un salaire à un robot. La prochaine étape, c'est qu'il va sûrement prendre ses clés privées et trader des cryptos tout seul. La narration autour des agents blockchain vient à peine de commencer, attendons qu'un gros trader IA fasse exploser le marché. #IA #Agent $FET
Voir la traduction
L'Agent Hermes lance des sous-agents asynchrones et des compétences de paiement Stripe
Nous Research annonce que le framework d'agents intelligents Hermes Agent a lancé deux mises à jour majeures : la fonctionnalité de tâches de fond pour les sous-agents asynchrones, permettant aux utilisateurs de discuter normalement pendant que le sous-agent fonctionne, sans que la fenêtre principale ne se fige ; et trois compétences d'intégration de paiement Stripe, que l'on peut installer directement avec la commande hermes skills install.
Pourquoi c'est important : les sous-agents asynchrones rendent le multitâche possible, et avec l'intégration des compétences de paiement, l'Agent IA évolue d'un outil de conversation vers un système autonome capable d'exécuter des opérations commerciales.
#HermesAgent #AI #Agent #Web3
Nous Research annonce que le framework d'agents intelligents Hermes Agent a lancé deux mises à jour majeures : la fonctionnalité de tâches de fond pour les sous-agents asynchrones, permettant aux utilisateurs de discuter normalement pendant que le sous-agent fonctionne, sans que la fenêtre principale ne se fige ; et trois compétences d'intégration de paiement Stripe, que l'on peut installer directement avec la commande hermes skills install.
Pourquoi c'est important : les sous-agents asynchrones rendent le multitâche possible, et avec l'intégration des compétences de paiement, l'Agent IA évolue d'un outil de conversation vers un système autonome capable d'exécuter des opérations commerciales.
#HermesAgent #AI #Agent #Web3
【Flux de données】Token AI Agent : Que nous disent les données on-chain ?
Dernièrement, les tokens du secteur AI Agent ont montré une performance solide, mais le sentiment de FOMO est également en hausse. Utilisons les données on-chain pour faire un "check-up" de ce secteur.
📊 Bilan des indicateurs clés :
1️⃣ Concentration des positions (pourcentage des 10 principales adresses détentrices)
Plus la concentration des tokens est élevée, plus le coût d'une montée (pump) est faible, mais le risque de pression de vente (dump) est également plus élevé. La plupart des tokens du secteur AI Agent ont une concentration des 10 principales adresses comprise entre 30-60%, ce qui est considéré comme moyen.
2️⃣ Activité d'interaction des contrats
Volume d'appels de contrats des 30 derniers jours vs moyenne sur 90 jours : les principaux tokens AI ont connu une croissance de 2 à 5 fois, ce qui indique que l'utilisation réelle augmente, et ce n'est pas uniquement de la spéculation.
3️⃣ Changements de positions des baleines
En suivant les adresses de baleines connues via des étiquettes on-chain, les achats nets les plus importants des 7 derniers jours se concentrent sur $FET , $GRASS et d'autres tokens AI bien établis, tandis que les nouveaux tokens de narrative montrent plutôt des sorties nettes.
4️⃣ Taux de couverture de liquidité
Solde des adresses de dépôt CEX / volume moyen quotidien de transactions, un ratio plus élevé indique une meilleure capacité de liquidation. Une zone saine est > 3x.
🔍 Conclusion :
Le secteur est globalement chaud, mais la structure interne est différenciée — les tokens AI bien établis ont un véritable soutien de données on-chain, tandis que les nouveaux tokens de narrative sont davantage influencés par des effets de rotation de capital.
Référence d'opération : Soyez prudent lors des achats à des prix élevés, concentrez-vous sur les actifs dont l'activité on-chain continue d'augmenter, plutôt que de vous fier uniquement à la chaleur du concept.
#AI #Agent #链上数据 #Investissement crypto
Dernièrement, les tokens du secteur AI Agent ont montré une performance solide, mais le sentiment de FOMO est également en hausse. Utilisons les données on-chain pour faire un "check-up" de ce secteur.
📊 Bilan des indicateurs clés :
1️⃣ Concentration des positions (pourcentage des 10 principales adresses détentrices)
Plus la concentration des tokens est élevée, plus le coût d'une montée (pump) est faible, mais le risque de pression de vente (dump) est également plus élevé. La plupart des tokens du secteur AI Agent ont une concentration des 10 principales adresses comprise entre 30-60%, ce qui est considéré comme moyen.
2️⃣ Activité d'interaction des contrats
Volume d'appels de contrats des 30 derniers jours vs moyenne sur 90 jours : les principaux tokens AI ont connu une croissance de 2 à 5 fois, ce qui indique que l'utilisation réelle augmente, et ce n'est pas uniquement de la spéculation.
3️⃣ Changements de positions des baleines
En suivant les adresses de baleines connues via des étiquettes on-chain, les achats nets les plus importants des 7 derniers jours se concentrent sur $FET , $GRASS et d'autres tokens AI bien établis, tandis que les nouveaux tokens de narrative montrent plutôt des sorties nettes.
4️⃣ Taux de couverture de liquidité
Solde des adresses de dépôt CEX / volume moyen quotidien de transactions, un ratio plus élevé indique une meilleure capacité de liquidation. Une zone saine est > 3x.
🔍 Conclusion :
Le secteur est globalement chaud, mais la structure interne est différenciée — les tokens AI bien établis ont un véritable soutien de données on-chain, tandis que les nouveaux tokens de narrative sont davantage influencés par des effets de rotation de capital.
Référence d'opération : Soyez prudent lors des achats à des prix élevés, concentrez-vous sur les actifs dont l'activité on-chain continue d'augmenter, plutôt que de vous fier uniquement à la chaleur du concept.
#AI #Agent #链上数据 #Investissement crypto
📰 Flash info sur le marché crypto
1. OpenRouter lance l'interface du modèle composite Fusion
OpenRouter a récemment lancé la solution de modèle composite Fusion, qui permet de distribuer simultanément le même prompt à plusieurs grands modèles, puis d'intégrer la réponse finale via un modèle de juge et de synthèse. Les derniers tests de référence montrent que la collaboration entre plusieurs modèles surpasse clairement les modèles uniques traditionnels dans les tâches de raisonnement complexe et de recherche approfondie, mettant en valeur la valeur de la "complémentarité multi-perspective". L'attention du marché se concentre sur le fait que cette solution pourrait obtenir des résultats proches des modèles fermés de tête à un coût réduit, accélérant ainsi l'évolution des infrastructures AI vers "l'orchestration de modèles + la synthèse de résultats".
2. La combinaison de plusieurs modèles améliore le rapport qualité-prix, un point d'intérêt pour l'industrie
D'après les résultats des tests publics, la combinaison de modèles de différents fournisseurs montre une performance plus forte dans les tâches complexes, améliorant à la fois la stabilité des réponses et la couverture du raisonnement. Il est à noter que même un même modèle, lorsqu'il est utilisé en collaboration à double voie et en auto-synthèse, a montré une amélioration significative des scores. Cela indique que le raisonnement composite passe de "l'accumulation de paramètres" à "la réorganisation", ce qui pourrait à l'avenir attirer plus d'attention sur la couche de raisonnement, la couche intermédiaire et les plateformes d'agrégation de services AI, les pistes technologiques connexes méritent une surveillance continue.
3. Databricks ouvre l'Omnigent pour la gestion des Agents
Databricks a récemment open-sourcé le cadre de disposition Omnigent, prenant en charge l'exécution au-dessus de plusieurs outils d'Agent existants, et transformant les agents sous différents cadres en composants interopérables, atténuant ainsi les problèmes de fragmentation des interfaces et de coopération. Son point fort réside dans la possibilité d'exécuter des politiques de sécurité avec état au niveau de la disposition, ne dépendant plus uniquement des contraintes des prompts. Pour la mise en œuvre de l'AI au niveau entreprise, cette infrastructure capable d'orchestration inter-Agent, de vérification des autorisations et d'intervention dans les processus devient un soutien important pour le déploiement des systèmes d'agents.
4. L'approbation de la sécurité et le contrôle des coûts deviennent des priorités pour l'implémentation des Agents
Omnigent a également renforcé ses capacités de gestion des risques en temps réel, de gestion budgétaire et de coopération, par exemple, il peut interrompre un processus et demander une approbation manuelle lorsqu'une action à haut risque est détectée, ou suspendre automatiquement une tâche lorsque le coût d'appel du modèle atteint un plafond. Le système offre également des fonctionnalités d'interception des requêtes réseau en mode bac à sable et de partage de sessions d'équipe, soulignant que l'application des Agents passe de "peut-on accomplir la tâche" à "est-ce contrôlable, auditable et collaboratif". Cette tendance pourrait pousser les entreprises à accorder plus d'importance à la gouvernance de l'AI, à la surveillance des coûts et à la construction d'infrastructures de conformité.
#AI #Agent #crypto
1. OpenRouter lance l'interface du modèle composite Fusion
OpenRouter a récemment lancé la solution de modèle composite Fusion, qui permet de distribuer simultanément le même prompt à plusieurs grands modèles, puis d'intégrer la réponse finale via un modèle de juge et de synthèse. Les derniers tests de référence montrent que la collaboration entre plusieurs modèles surpasse clairement les modèles uniques traditionnels dans les tâches de raisonnement complexe et de recherche approfondie, mettant en valeur la valeur de la "complémentarité multi-perspective". L'attention du marché se concentre sur le fait que cette solution pourrait obtenir des résultats proches des modèles fermés de tête à un coût réduit, accélérant ainsi l'évolution des infrastructures AI vers "l'orchestration de modèles + la synthèse de résultats".
2. La combinaison de plusieurs modèles améliore le rapport qualité-prix, un point d'intérêt pour l'industrie
D'après les résultats des tests publics, la combinaison de modèles de différents fournisseurs montre une performance plus forte dans les tâches complexes, améliorant à la fois la stabilité des réponses et la couverture du raisonnement. Il est à noter que même un même modèle, lorsqu'il est utilisé en collaboration à double voie et en auto-synthèse, a montré une amélioration significative des scores. Cela indique que le raisonnement composite passe de "l'accumulation de paramètres" à "la réorganisation", ce qui pourrait à l'avenir attirer plus d'attention sur la couche de raisonnement, la couche intermédiaire et les plateformes d'agrégation de services AI, les pistes technologiques connexes méritent une surveillance continue.
3. Databricks ouvre l'Omnigent pour la gestion des Agents
Databricks a récemment open-sourcé le cadre de disposition Omnigent, prenant en charge l'exécution au-dessus de plusieurs outils d'Agent existants, et transformant les agents sous différents cadres en composants interopérables, atténuant ainsi les problèmes de fragmentation des interfaces et de coopération. Son point fort réside dans la possibilité d'exécuter des politiques de sécurité avec état au niveau de la disposition, ne dépendant plus uniquement des contraintes des prompts. Pour la mise en œuvre de l'AI au niveau entreprise, cette infrastructure capable d'orchestration inter-Agent, de vérification des autorisations et d'intervention dans les processus devient un soutien important pour le déploiement des systèmes d'agents.
4. L'approbation de la sécurité et le contrôle des coûts deviennent des priorités pour l'implémentation des Agents
Omnigent a également renforcé ses capacités de gestion des risques en temps réel, de gestion budgétaire et de coopération, par exemple, il peut interrompre un processus et demander une approbation manuelle lorsqu'une action à haut risque est détectée, ou suspendre automatiquement une tâche lorsque le coût d'appel du modèle atteint un plafond. Le système offre également des fonctionnalités d'interception des requêtes réseau en mode bac à sable et de partage de sessions d'équipe, soulignant que l'application des Agents passe de "peut-on accomplir la tâche" à "est-ce contrôlable, auditable et collaboratif". Cette tendance pourrait pousser les entreprises à accorder plus d'importance à la gouvernance de l'AI, à la surveillance des coûts et à la construction d'infrastructures de conformité.
#AI #Agent #crypto
Cambridge & Université de Chicago lancent DecentMem : une mémoire décentralisée qui booste l'efficacité de la collaboration entre agents de 24%
L'équipe de l'Université de Cambridge et celle de l'Université de Chicago ont mis en open source le cadre de mémoire multi-agents DecentMem, remplaçant la mémoire partagée globale traditionnelle par une mémoire privée décentralisée. Les recherches montrent que la mémoire partagée conduit les agents à converger vers des chemins de décision similaires, tandis que DecentMem préserve la mémoire privée de chaque agent pour maintenir des différences cognitives. Dans les tests AutoGen, DyLAN et AgentNet, DecentMem a montré une amélioration moyenne de 8,6 % par rapport à la mémoire centralisée, atteignant jusqu'à 23,8 % dans le meilleur scénario, tout en réduisant de moitié la consommation de tokens.
Pourquoi c'est important : DecentMem résout à la racine le problème central de "l'échec de la spécialisation" dans les systèmes multi-agents, ouvrant la voie à un réseau de collaboration d'agents IA plus efficace.
#AI #多智能体 #开源 #Agent
L'équipe de l'Université de Cambridge et celle de l'Université de Chicago ont mis en open source le cadre de mémoire multi-agents DecentMem, remplaçant la mémoire partagée globale traditionnelle par une mémoire privée décentralisée. Les recherches montrent que la mémoire partagée conduit les agents à converger vers des chemins de décision similaires, tandis que DecentMem préserve la mémoire privée de chaque agent pour maintenir des différences cognitives. Dans les tests AutoGen, DyLAN et AgentNet, DecentMem a montré une amélioration moyenne de 8,6 % par rapport à la mémoire centralisée, atteignant jusqu'à 23,8 % dans le meilleur scénario, tout en réduisant de moitié la consommation de tokens.
Pourquoi c'est important : DecentMem résout à la racine le problème central de "l'échec de la spécialisation" dans les systèmes multi-agents, ouvrant la voie à un réseau de collaboration d'agents IA plus efficace.
#AI #多智能体 #开源 #Agent
L'outil de déploiement d'agent open source Omnigent de Databricks résout les problèmes de collaboration et de contrôle de sécurité entre plusieurs agents
Databricks a ouvert le cadre de déploiement des agents Omnigent sous la licence Apache 2.0, qui fonctionne sur des outils existants tels que Claude Code, Codex et Pi, permettant de transformer des agents sous différents cadres en composants système interopérables. Omnigent applique directement des contrôles de sécurité à état au niveau de la couche de déploiement, supportant l'interception des actions git push après que les agents téléchargent des paquets npm et demandent une approbation manuelle, ou en mettant en place une limite de coût LLM qui suspend le fonctionnement à 100 dollars cumulés. Le cadre intègre également un bac à sable pour les requêtes réseau afin d'éviter les fuites d'informations sensibles.
Pourquoi c'est important : Omnigent comble le vide d'interopérabilité dans le domaine de l'orchestration multi-agents, fournissant une infrastructure de contrôle de sécurité essentielle pour le déploiement des agents IA de l'expérimentation à l'échelle entreprise.
#Databricks #AI #Agent #open source
Databricks a ouvert le cadre de déploiement des agents Omnigent sous la licence Apache 2.0, qui fonctionne sur des outils existants tels que Claude Code, Codex et Pi, permettant de transformer des agents sous différents cadres en composants système interopérables. Omnigent applique directement des contrôles de sécurité à état au niveau de la couche de déploiement, supportant l'interception des actions git push après que les agents téléchargent des paquets npm et demandent une approbation manuelle, ou en mettant en place une limite de coût LLM qui suspend le fonctionnement à 100 dollars cumulés. Le cadre intègre également un bac à sable pour les requêtes réseau afin d'éviter les fuites d'informations sensibles.
Pourquoi c'est important : Omnigent comble le vide d'interopérabilité dans le domaine de l'orchestration multi-agents, fournissant une infrastructure de contrôle de sécurité essentielle pour le déploiement des agents IA de l'expérimentation à l'échelle entreprise.
#Databricks #AI #Agent #open source
📰 Actu crypto du marché
1. Nvidia Blackwell redéfinit les benchmarks d'efficacité énergétique du hardware pour agents
Les derniers benchmarks aa-agentperf montrent que Nvidia Blackwell surpasse nettement ses concurrents dans les scénarios de charge pour agents. Les tests, basés sur des trajectoires de programmation réelles, montrent que le GB300 NVL72 peut supporter environ 61 400 agents concurrents avec une puissance électrique équivalente, soit plus de 20 fois l'H200, et la capacité concurrentielle par carte a également été considérablement améliorée. Cela signifie que le coût des infrastructures pour les agents AI, la programmation automatique, le service client, et autres scénarios à haute concurrence pourrait continuer à baisser, la compétition en efficacité de calcul s'accélérant.
2. La compétition dans l'infrastructure AI s'intensifie, AMD fait face à une pression de performance accrue
D'après les résultats de ce test de hardware pour agents, l'attention du marché s'est déplacée de la simple performance d'entraînement vers l'efficacité d'inférence, la capacité de charge concurrentielle et la production par unité d'énergie consommée. Nvidia Blackwell, avec son système de refroidissement liquide et sa capacité de déploiement à haute densité, a établi un avantage plus fort dans les scénarios d'application pour agents, exerçant également une pression sur des concurrents comme AMD. Pour le marché crypto, la montée en température de la chaîne de valeur de la puissance AI pourrait continuer d'affecter le pricing émotionnel des GPU, des centres de données, des ressources électriques et des actifs conceptuels AI, les fonds se concentrant davantage sur le nouveau récit de 'l'inférence efficace'.
3. OpenRouter teste l'outil subagent, favorisant la collaboration multi-modèle
OpenRouter a récemment lancé l'outil d'agent serveur openrouter:subagent, permettant au modèle principal de déléguer des sous-tâches spécifiques à des modèles plus petits et moins coûteux pendant le processus de génération, puis de renvoyer les résultats. Ce mécanisme aide à réduire les coûts d'appel tout en garantissant l'efficacité globale et en améliorant la flexibilité d'exécution des tâches complexes. Si le modèle de travail intègre des outils de recherche et de récupération, il peut d'abord effectuer des recherches et des inférences en plusieurs étapes, puis les renvoyer au modèle principal, illustrant la transition des applications AI d'une 'réponse à modèle unique' vers 'la collaboration multi-agent'.
4. L'architecture des sous-agents renforce la praticité, mais la gestion du contexte reste clé
Il est important de noter que le schéma subagent n'est pas entièrement automatisé. Le modèle de travail ne peut pas directement lire le contexte du modèle principal, donc le modèle principal doit fournir un contexte complet dans la description de la tâche, sinon cela peut affecter la qualité d'exécution. Pour éviter la récursion infinie et le désordre des ressources, OpenRouter a intégré des protections telles que l'interdiction d'auto-référence, la limitation de la profondeur d'imbrication et un plafond sur le nombre total de tâches. Dans l'ensemble, ces outils sont plus adaptés aux flux de travail des développeurs et des entreprises, et pourraient accélérer le déploiement de produits d'agent AI à faible coût, tout en augmentant l'attention du marché sur le secteur des agents.
#AI #Agent #Nvidia
1. Nvidia Blackwell redéfinit les benchmarks d'efficacité énergétique du hardware pour agents
Les derniers benchmarks aa-agentperf montrent que Nvidia Blackwell surpasse nettement ses concurrents dans les scénarios de charge pour agents. Les tests, basés sur des trajectoires de programmation réelles, montrent que le GB300 NVL72 peut supporter environ 61 400 agents concurrents avec une puissance électrique équivalente, soit plus de 20 fois l'H200, et la capacité concurrentielle par carte a également été considérablement améliorée. Cela signifie que le coût des infrastructures pour les agents AI, la programmation automatique, le service client, et autres scénarios à haute concurrence pourrait continuer à baisser, la compétition en efficacité de calcul s'accélérant.
2. La compétition dans l'infrastructure AI s'intensifie, AMD fait face à une pression de performance accrue
D'après les résultats de ce test de hardware pour agents, l'attention du marché s'est déplacée de la simple performance d'entraînement vers l'efficacité d'inférence, la capacité de charge concurrentielle et la production par unité d'énergie consommée. Nvidia Blackwell, avec son système de refroidissement liquide et sa capacité de déploiement à haute densité, a établi un avantage plus fort dans les scénarios d'application pour agents, exerçant également une pression sur des concurrents comme AMD. Pour le marché crypto, la montée en température de la chaîne de valeur de la puissance AI pourrait continuer d'affecter le pricing émotionnel des GPU, des centres de données, des ressources électriques et des actifs conceptuels AI, les fonds se concentrant davantage sur le nouveau récit de 'l'inférence efficace'.
3. OpenRouter teste l'outil subagent, favorisant la collaboration multi-modèle
OpenRouter a récemment lancé l'outil d'agent serveur openrouter:subagent, permettant au modèle principal de déléguer des sous-tâches spécifiques à des modèles plus petits et moins coûteux pendant le processus de génération, puis de renvoyer les résultats. Ce mécanisme aide à réduire les coûts d'appel tout en garantissant l'efficacité globale et en améliorant la flexibilité d'exécution des tâches complexes. Si le modèle de travail intègre des outils de recherche et de récupération, il peut d'abord effectuer des recherches et des inférences en plusieurs étapes, puis les renvoyer au modèle principal, illustrant la transition des applications AI d'une 'réponse à modèle unique' vers 'la collaboration multi-agent'.
4. L'architecture des sous-agents renforce la praticité, mais la gestion du contexte reste clé
Il est important de noter que le schéma subagent n'est pas entièrement automatisé. Le modèle de travail ne peut pas directement lire le contexte du modèle principal, donc le modèle principal doit fournir un contexte complet dans la description de la tâche, sinon cela peut affecter la qualité d'exécution. Pour éviter la récursion infinie et le désordre des ressources, OpenRouter a intégré des protections telles que l'interdiction d'auto-référence, la limitation de la profondeur d'imbrication et un plafond sur le nombre total de tâches. Dans l'ensemble, ces outils sont plus adaptés aux flux de travail des développeurs et des entreprises, et pourraient accélérer le déploiement de produits d'agent AI à faible coût, tout en augmentant l'attention du marché sur le secteur des agents.
#AI #Agent #Nvidia
OpenRouter lance l'outil subagent : les gros modèles peuvent déléguer des sous-tâches à des modèles plus petits en cours de génération
OpenRouter a lancé l'outil de proxy côté serveur openrouter:subagent, qui permet aux gros modèles de déléguer des sous-tâches à des modèles candidats plus petits et moins chers au milieu de la génération de contenu. Les résultats d'exécution des sous-tâches sont retournés sous forme de résultat à intégrer dans le modèle principal. Le modèle de travail peut également être équipé d'outils indépendants comme la recherche en ligne, le web scraping, etc., pour un raisonnement en plusieurs étapes dans un environnement sandbox. Pour éviter la récursivité infinie, OpenRouter a introduit une limite de profondeur imbriquée et un plafond strict.
Pourquoi c'est important : subagent inaugure un nouveau paradigme de collaboration des tâches entre modèles, ce qui réduira considérablement le coût de raisonnement des tâches complexes d'Agent.
#AI #OpenRouter #人工智能 #Agent
OpenRouter a lancé l'outil de proxy côté serveur openrouter:subagent, qui permet aux gros modèles de déléguer des sous-tâches à des modèles candidats plus petits et moins chers au milieu de la génération de contenu. Les résultats d'exécution des sous-tâches sont retournés sous forme de résultat à intégrer dans le modèle principal. Le modèle de travail peut également être équipé d'outils indépendants comme la recherche en ligne, le web scraping, etc., pour un raisonnement en plusieurs étapes dans un environnement sandbox. Pour éviter la récursivité infinie, OpenRouter a introduit une limite de profondeur imbriquée et un plafond strict.
Pourquoi c'est important : subagent inaugure un nouveau paradigme de collaboration des tâches entre modèles, ce qui réduira considérablement le coût de raisonnement des tâches complexes d'Agent.
#AI #OpenRouter #人工智能 #Agent
Parloa lance les compétences d'agent basées sur le MCP : compétences d'IA sans code
La plateforme d'IA conversationnelle pour entreprises Parloa a lancé la fonctionnalité Compétences d'Agent, construite sur le protocole MCP, permettant aux entreprises d'ajouter des outils et compétences externes à leurs agents IA sans coder, réduisant le cycle d'intégration de plusieurs semaines à quelques heures. C'est une autre avancée importante du protocole MCP dans les applications IA à l'échelle des entreprises, marquant une évolution accélérée de l'écosystème des agents IA vers des standards et des modules interchangeables.
Pourquoi c'est important : Le protocole MCP devient le port USB-C des agents IA, et le produit de Parloa valide la viabilité commerciale de l'intégration sans code des compétences IA, rendant les applications IA en entreprise beaucoup plus accessibles.
#AI #MCP #Agent #intelligenceartificielle
La plateforme d'IA conversationnelle pour entreprises Parloa a lancé la fonctionnalité Compétences d'Agent, construite sur le protocole MCP, permettant aux entreprises d'ajouter des outils et compétences externes à leurs agents IA sans coder, réduisant le cycle d'intégration de plusieurs semaines à quelques heures. C'est une autre avancée importante du protocole MCP dans les applications IA à l'échelle des entreprises, marquant une évolution accélérée de l'écosystème des agents IA vers des standards et des modules interchangeables.
Pourquoi c'est important : Le protocole MCP devient le port USB-C des agents IA, et le produit de Parloa valide la viabilité commerciale de l'intégration sans code des compétences IA, rendant les applications IA en entreprise beaucoup plus accessibles.
#AI #MCP #Agent #intelligenceartificielle
【Narrative Flow】Agent AI dans la crypto : Fin de la bulle ou véritable point de départ ?
Au cours des 30 derniers jours, les tokens liés à AI+Crypto ont surperformé le BTC par 3x. L'engouement est réel, mais la bulle s'accumule aussi.
Aujourd'hui, décomposons cela en trois couches :
▎1. Couche narrative : La véritable demande de l'économie des Agents
Les données de CoinGecko montrent que le nombre de tokens étiquetés « AI Agent » est passé de 12 au début de l'année à 47. Mais en regardant de plus près les pages des projets, plus de 70 % des fonctionnalités des Agents ne sont que « conversation + interactions on-chain », sans véritable barrière à l'entrée.
Les projets réellement protégés : (ordonnancement de puissance de calcul), (stockage de données), (rendu AI). La nature infrastructurelle de ces trois éléments détermine qu'ils ne sont pas seulement des concepts.
▎2. Couche financière : Qu'est-ce que les institutions achètent ?
Selon Lookonchain, les adresses de baleines ont acheté net environ 120 millions de dollars de tokens AI au cours des deux dernières semaines. Mais les achats sont très concentrés - les 5 principaux tokens ont absorbé 80 % des fonds.
En d'autres termes, les fonds reconnaissent le secteur, mais pas tous les actifs.
▎3. Couche de risque : La course entre régulation et narration
La SEC américaine a lancé plusieurs enquêtes sur les tokens liés à l'AI, se concentrant sur les projets où « les revendications d'utilité réelle ne correspondent pas au prix des tokens ». Une fois qu'un projet est nommé, il se réajuste en moyenne de 30 % dans les 48 heures.
▎Conclusion
Le secteur des Agents AI n'est pas mort, mais « quoi acheter » est plus important que « acheter ou non ». Évitez les tokens purement conceptuels et concentrez-vous sur les projets ayant des revenus réels ou des données utilisateurs.
#AI #Agent #CryptoInvestment
Au cours des 30 derniers jours, les tokens liés à AI+Crypto ont surperformé le BTC par 3x. L'engouement est réel, mais la bulle s'accumule aussi.
Aujourd'hui, décomposons cela en trois couches :
▎1. Couche narrative : La véritable demande de l'économie des Agents
Les données de CoinGecko montrent que le nombre de tokens étiquetés « AI Agent » est passé de 12 au début de l'année à 47. Mais en regardant de plus près les pages des projets, plus de 70 % des fonctionnalités des Agents ne sont que « conversation + interactions on-chain », sans véritable barrière à l'entrée.
Les projets réellement protégés : (ordonnancement de puissance de calcul), (stockage de données), (rendu AI). La nature infrastructurelle de ces trois éléments détermine qu'ils ne sont pas seulement des concepts.
▎2. Couche financière : Qu'est-ce que les institutions achètent ?
Selon Lookonchain, les adresses de baleines ont acheté net environ 120 millions de dollars de tokens AI au cours des deux dernières semaines. Mais les achats sont très concentrés - les 5 principaux tokens ont absorbé 80 % des fonds.
En d'autres termes, les fonds reconnaissent le secteur, mais pas tous les actifs.
▎3. Couche de risque : La course entre régulation et narration
La SEC américaine a lancé plusieurs enquêtes sur les tokens liés à l'AI, se concentrant sur les projets où « les revendications d'utilité réelle ne correspondent pas au prix des tokens ». Une fois qu'un projet est nommé, il se réajuste en moyenne de 30 % dans les 48 heures.
▎Conclusion
Le secteur des Agents AI n'est pas mort, mais « quoi acheter » est plus important que « acheter ou non ». Évitez les tokens purement conceptuels et concentrez-vous sur les projets ayant des revenus réels ou des données utilisateurs.
#AI #Agent #CryptoInvestment
Le configurateur web d'Hermès Agent est en ligne, supportant la construction visuelle d'agents IA en un clin d'œil
Nous Research a annoncé le lancement du Profile Builder visuel sur le tableau de bord web d'Hermès Agent, permettant aux développeurs de créer et configurer des rôles d'agents sur le web. Le processus de configuration couvre la nomination de l'agent, le choix du fournisseur de modèles et les paramètres d'inférence, l'installation de la bibliothèque de compétences Skills Hub, ainsi que la configuration et les tests du serveur MCP.
Pourquoi c'est important : Le développement d'agents IA passe d'opérations purement codées à des configurations visuelles, abaissant le seuil d'entrée pour le développement d'agents IA.
#AI #Agent #开源 #Web3
Nous Research a annoncé le lancement du Profile Builder visuel sur le tableau de bord web d'Hermès Agent, permettant aux développeurs de créer et configurer des rôles d'agents sur le web. Le processus de configuration couvre la nomination de l'agent, le choix du fournisseur de modèles et les paramètres d'inférence, l'installation de la bibliothèque de compétences Skills Hub, ainsi que la configuration et les tests du serveur MCP.
Pourquoi c'est important : Le développement d'agents IA passe d'opérations purement codées à des configurations visuelles, abaissant le seuil d'entrée pour le développement d'agents IA.
#AI #Agent #开源 #Web3
📰 Flash Info sur le Marché Crypto
1. Le secteur des contenus AI attire à nouveau des investissements, avec Jingying Technology levant des dizaines de millions de dollars lors de son tour de financement de série A et A+, avec des investisseurs tels que la famille Wang Huiwen et Ant Group. L’entreprise a également annoncé que Wang Minjie, ancien Chief Application Scientist d’AWS, a été nommé Chief Scientist. Elle se positionne comme une entreprise native d’Agent dans l’industrie du contenu, se concentrant actuellement sur les courtes séries AI comme point d’entrée, et se concentre sur la création d’un environnement d’apprentissage renforcé où les Agents créateurs peuvent se connecter et évoluer eux-mêmes, tout en itérant continuellement grâce aux retours des utilisateurs réels, ce qui reflète que le cycle de production et de commercialisation des contenus AI se forme rapidement.
2. Les capacités d’application AI continuent de s'étendre, avec la fonction de recherche web dans l'API Responses maintenant capable de supporter des résultats d’images, ne se limitant plus aux retours d'informations textuelles. Cela signifie que les développeurs peuvent directement intégrer des contenus visuels tels que des produits, des lieux, et des références visuelles dans leurs applications, améliorant ainsi l’expérience de présentation et d'interaction grâce à des liens sources. Pour des scénarios tels que les assistants AI, la création de contenu, les recommandations e-commerce et les visites guidées, l’intégration de la recherche d'images devrait renforcer l'utilité des produits et montre que les capacités multimodales deviennent une direction concurrentielle importante pour les applications AI.
#AI #Agent #multimodal
1. Le secteur des contenus AI attire à nouveau des investissements, avec Jingying Technology levant des dizaines de millions de dollars lors de son tour de financement de série A et A+, avec des investisseurs tels que la famille Wang Huiwen et Ant Group. L’entreprise a également annoncé que Wang Minjie, ancien Chief Application Scientist d’AWS, a été nommé Chief Scientist. Elle se positionne comme une entreprise native d’Agent dans l’industrie du contenu, se concentrant actuellement sur les courtes séries AI comme point d’entrée, et se concentre sur la création d’un environnement d’apprentissage renforcé où les Agents créateurs peuvent se connecter et évoluer eux-mêmes, tout en itérant continuellement grâce aux retours des utilisateurs réels, ce qui reflète que le cycle de production et de commercialisation des contenus AI se forme rapidement.
2. Les capacités d’application AI continuent de s'étendre, avec la fonction de recherche web dans l'API Responses maintenant capable de supporter des résultats d’images, ne se limitant plus aux retours d'informations textuelles. Cela signifie que les développeurs peuvent directement intégrer des contenus visuels tels que des produits, des lieux, et des références visuelles dans leurs applications, améliorant ainsi l’expérience de présentation et d'interaction grâce à des liens sources. Pour des scénarios tels que les assistants AI, la création de contenu, les recommandations e-commerce et les visites guidées, l’intégration de la recherche d'images devrait renforcer l'utilité des produits et montre que les capacités multimodales deviennent une direction concurrentielle importante pour les applications AI.
#AI #Agent #multimodal
📰 Flash info sur le marché crypto
1. L'IA et la puissance de calcul interconnectée prennent de l'ampleur, le CPO devient le nouveau point focal des infrastructures
Avec l'augmentation continue du trafic d'entraînement et d'inférence des modèles IA, les centres de données font face à de multiples pressions en matière de bande passante, de consommation d'énergie, de perte de signal et de dissipation thermique. Le CPO, qui intègre profondément le moteur optique et les puces, est considéré comme une direction importante pour améliorer l'efficacité des interconnexions à haute vitesse à l'intérieur et à l'extérieur des racks. Actuellement, des entreprises comme NVIDIA et Broadcom poussent activement des solutions de commutation, mais l'emballage avancé, la gestion thermique, la maintenance et la normalisation restent des obstacles clés à la mise en œuvre de l'industrie.
2. Le secteur de la 'super connexion' IA pourrait redéfinir la répartition de la valeur industrielle
Les opinions du marché estiment que le prochain point focal de la concurrence en matière d'infrastructure IA passe d'une simple expansion de la puissance de calcul à une mise à niveau des 'capacités de connexion'. Comparé aux routes NPO, OIO, LPO, le CPO est vu comme une solution de prochaine génération avec un potentiel à long terme plus élevé. Une fois la technologie mature, la valeur de la chaîne d'approvisionnement pourrait se concentrer davantage sur les fabricants de puces de commutation, les éléments clés des modules optiques et les entreprises d'emballage avancé, faisant de ce secteur un nouvel intérêt pour les capitaux IA et semi-conducteurs.
3. Le paiement via Agent est en vogue, mais la demande réelle reste à valider
Les infrastructures de paiement autour de l'économie Agent ont récemment fait l'objet de discussions, mais plusieurs études montrent que le marché est encore à un stade précoce d'exploration. Que ce soit les Agents vers les commerçants, les API ou entre Agents, l'activité transactionnelle réelle et la conversion commerciale restent limitées. À ce stade, l'industrie semble plus axée sur la validation des scénarios et des besoins que sur une phase de croissance à grande échelle, et devrait se concentrer davantage sur la fréquence d'utilisation réelle et les modèles commerciaux durables à court terme.
4. La modélisation commerciale des Agents se diversifie, les scénarios financiers étant relativement plus clairs
En termes de mise en œuvre, les Agents vers les commerçants sont limités par l'expérience utilisateur et les canaux de distribution, les Agents vers les API sont contraints par la volonté d'ouverture et la structure tarifaire des grands fournisseurs de SaaS, tandis que les interactions entre Agents restent plutôt conceptuelles. En revanche, le secteur financier est l'un des rares domaines avec une demande existante, mais les barrières concurrentielles y sont également élevées, les institutions de paiement et financières traditionnelles ayant encore un avantage significatif en matière de conformité, de canaux et de ressources clients.
5. Le paiement n'est pas nécessairement la fin, la capacité de collaboration pourrait représenter une plus grande opportunité
Les observateurs de l'industrie notent que le paiement n'est qu'un maillon de la chaîne de collaboration des Agents, et que la véritable valeur commerciale pourrait venir de la coordination des tâches, de la vérification d'identité, de la gestion des autorisations et des capacités d'exécution automatique. À l'avenir, si une plateforme parvient à résoudre en premier le problème de l'efficacité de la collaboration entre plusieurs Agents, la fonction de paiement pourrait devenir une partie intégrante d'un tout intégré. Pour l'industrie crypto, le règlement sur la chaîne a encore un espace d'imagination, mais cela dépend d'abord de la validation des besoins réels et du bouclage des produits.
#AI #Agent #crypto
1. L'IA et la puissance de calcul interconnectée prennent de l'ampleur, le CPO devient le nouveau point focal des infrastructures
Avec l'augmentation continue du trafic d'entraînement et d'inférence des modèles IA, les centres de données font face à de multiples pressions en matière de bande passante, de consommation d'énergie, de perte de signal et de dissipation thermique. Le CPO, qui intègre profondément le moteur optique et les puces, est considéré comme une direction importante pour améliorer l'efficacité des interconnexions à haute vitesse à l'intérieur et à l'extérieur des racks. Actuellement, des entreprises comme NVIDIA et Broadcom poussent activement des solutions de commutation, mais l'emballage avancé, la gestion thermique, la maintenance et la normalisation restent des obstacles clés à la mise en œuvre de l'industrie.
2. Le secteur de la 'super connexion' IA pourrait redéfinir la répartition de la valeur industrielle
Les opinions du marché estiment que le prochain point focal de la concurrence en matière d'infrastructure IA passe d'une simple expansion de la puissance de calcul à une mise à niveau des 'capacités de connexion'. Comparé aux routes NPO, OIO, LPO, le CPO est vu comme une solution de prochaine génération avec un potentiel à long terme plus élevé. Une fois la technologie mature, la valeur de la chaîne d'approvisionnement pourrait se concentrer davantage sur les fabricants de puces de commutation, les éléments clés des modules optiques et les entreprises d'emballage avancé, faisant de ce secteur un nouvel intérêt pour les capitaux IA et semi-conducteurs.
3. Le paiement via Agent est en vogue, mais la demande réelle reste à valider
Les infrastructures de paiement autour de l'économie Agent ont récemment fait l'objet de discussions, mais plusieurs études montrent que le marché est encore à un stade précoce d'exploration. Que ce soit les Agents vers les commerçants, les API ou entre Agents, l'activité transactionnelle réelle et la conversion commerciale restent limitées. À ce stade, l'industrie semble plus axée sur la validation des scénarios et des besoins que sur une phase de croissance à grande échelle, et devrait se concentrer davantage sur la fréquence d'utilisation réelle et les modèles commerciaux durables à court terme.
4. La modélisation commerciale des Agents se diversifie, les scénarios financiers étant relativement plus clairs
En termes de mise en œuvre, les Agents vers les commerçants sont limités par l'expérience utilisateur et les canaux de distribution, les Agents vers les API sont contraints par la volonté d'ouverture et la structure tarifaire des grands fournisseurs de SaaS, tandis que les interactions entre Agents restent plutôt conceptuelles. En revanche, le secteur financier est l'un des rares domaines avec une demande existante, mais les barrières concurrentielles y sont également élevées, les institutions de paiement et financières traditionnelles ayant encore un avantage significatif en matière de conformité, de canaux et de ressources clients.
5. Le paiement n'est pas nécessairement la fin, la capacité de collaboration pourrait représenter une plus grande opportunité
Les observateurs de l'industrie notent que le paiement n'est qu'un maillon de la chaîne de collaboration des Agents, et que la véritable valeur commerciale pourrait venir de la coordination des tâches, de la vérification d'identité, de la gestion des autorisations et des capacités d'exécution automatique. À l'avenir, si une plateforme parvient à résoudre en premier le problème de l'efficacité de la collaboration entre plusieurs Agents, la fonction de paiement pourrait devenir une partie intégrante d'un tout intégré. Pour l'industrie crypto, le règlement sur la chaîne a encore un espace d'imagination, mais cela dépend d'abord de la validation des besoins réels et du bouclage des produits.
#AI #Agent #crypto
Talus（$US）ce mouvement ressemble davantage à un "rebond basé sur des événements" : le lancement de l'airdrop Kaito, combiné avec la fonctionnalité d'agrégation Agent, a stimulé la libération des incitations écologiques, attirant l'attention du marché sur le court terme, avec une augmentation allant jusqu'à 81% durant la semaine.
D'après les données actuelles, le prix est d'environ 0.01167 dollars, le volume des transactions sur 24H est d'environ 6,14 millions de dollars, et la capitalisation boursière est d'environ 25,67 millions de dollars, ce qui n'est pas très important, donc les variations d'humeur des investisseurs auront un impact plus marqué sur l'élasticité des prix.
Je m'interroge davantage sur deux questions : après la fin de la frénésie des airdrops, l'utilisation de la chaîne / des produits pourra-t-elle continuer à croître ? Le niveau de discussion dans la communauté chinoise reste actuellement relativement bas, donc si le récit n'est pas maintenu, les gains à court terme pourraient faire face à des pressions de retour. Il faut être prudent lors des achats à des prix élevés, mieux vaut observer la force de reprise après une correction.
#Talus #Agent #écosystème_airdrop
D'après les données actuelles, le prix est d'environ 0.01167 dollars, le volume des transactions sur 24H est d'environ 6,14 millions de dollars, et la capitalisation boursière est d'environ 25,67 millions de dollars, ce qui n'est pas très important, donc les variations d'humeur des investisseurs auront un impact plus marqué sur l'élasticité des prix.
Je m'interroge davantage sur deux questions : après la fin de la frénésie des airdrops, l'utilisation de la chaîne / des produits pourra-t-elle continuer à croître ? Le niveau de discussion dans la communauté chinoise reste actuellement relativement bas, donc si le récit n'est pas maintenu, les gains à court terme pourraient faire face à des pressions de retour. Il faut être prudent lors des achats à des prix élevés, mieux vaut observer la force de reprise après une correction.
#Talus #Agent #écosystème_airdrop
L'ère de l'Agent IA, $GENIUS est peut-être ce puzzle sous-estimé
@GeniusOfficial est en train de construire un protocole qui fusionne en profondeur l'intelligence artificielle avec les actifs on-chain. Plus qu'un simple token, c'est un pari précoce sur l'"économie des machines".
Pourquoi s'intéresser à $GENIUS ?
1. L'intersection de l'IA et des Crypto — La narration la plus forte de ce cycle, les fonds cherchent ceux qui ont vraiment un produit
2. L'infrastructure de l'économie des Agents — Quand les Agents IA commenceront à trader, payer et signer de manière autonome, il leur faudra des rails cryptos natifs
3. L'évolution du modèle de token — $GENIUS n'est pas seulement de la gouvernance, c'est le "carburant" pour l'appel à l'intelligence des Agents
Le marché regarde encore les tokens IA avec un œil de Meme, mais la véritable capture de valeur se produit dans les projets avec des cas d'utilisation réels.
Genius 2.0, s'il peut boucler le cycle Agent ↔ Action on-chain, l'espace d'imagination va bien au-delà de ce qu'il est maintenant.
#genius #AI #Agent
@GeniusOfficial est en train de construire un protocole qui fusionne en profondeur l'intelligence artificielle avec les actifs on-chain. Plus qu'un simple token, c'est un pari précoce sur l'"économie des machines".
Pourquoi s'intéresser à $GENIUS ?
1. L'intersection de l'IA et des Crypto — La narration la plus forte de ce cycle, les fonds cherchent ceux qui ont vraiment un produit
2. L'infrastructure de l'économie des Agents — Quand les Agents IA commenceront à trader, payer et signer de manière autonome, il leur faudra des rails cryptos natifs
3. L'évolution du modèle de token — $GENIUS n'est pas seulement de la gouvernance, c'est le "carburant" pour l'appel à l'intelligence des Agents
Le marché regarde encore les tokens IA avec un œil de Meme, mais la véritable capture de valeur se produit dans les projets avec des cas d'utilisation réels.
Genius 2.0, s'il peut boucler le cycle Agent ↔ Action on-chain, l'espace d'imagination va bien au-delà de ce qu'il est maintenant.
#genius #AI #Agent
L'Agent on-chain, ce récit n'est enfin plus juste des cris de trading, le big boss de Mysten Labs a clairement dit "ce n'est pas de la hype, nous entrons dans l'ère des Agents", et les gars mettent la blockchain comme couche de confiance pour l'IA. Si Sui peut vraiment sortir un cadre d'Agents utilisable, le marché pourrait vraiment changer. Sinon, ce ne sera qu'un autre coin de VC habillé différemment. #IA #Agent $SUI
Un chef-d'œuvre open source confronté à la "récolte officielle" des grandes entreprises ? Le plugin phare OMO accuse Anthropic de plagiat au niveau pixel de son architecture Agent
Le projet open source OpenCode, avec 167 000 étoiles, a vu son plugin officiel No.1, l'équipe OMO, accuser Anthropic d'avoir plagié au niveau pixel l'architecture de orchestration multi-modèles d'OMO dans le flux de travail dynamique Claude Code et le mode ultracode lancé avec Opus 4.8. OMO, développé par un hacker coréen de 23 ans nommé Q, a déjà récolté 60 000 étoiles. En janvier de cette année, le flux de travail ultrawork d'OMO et le cerveau de coordination atlas ont été accusés d'avoir été récupérés par Anthropic en tant que fonctionnalités payantes fermées. OMO a également accusé FactoryAI d'avoir transféré son architecture Agent à trois niveaux.
Pourquoi c'est important : C'est la controverse de plagiat d'architecture la plus intense entre la communauté open source de l'IA et les grandes entreprises fermées, qui révèle directement le chemin d'innovation prédateur des grandes entreprises : "d'abord éliminer, puis absorber", et cela influencera l'écosystème ouvert des plateformes d'Agent IA.
#AI #Anthropic #开源 #Agent
Le projet open source OpenCode, avec 167 000 étoiles, a vu son plugin officiel No.1, l'équipe OMO, accuser Anthropic d'avoir plagié au niveau pixel l'architecture de orchestration multi-modèles d'OMO dans le flux de travail dynamique Claude Code et le mode ultracode lancé avec Opus 4.8. OMO, développé par un hacker coréen de 23 ans nommé Q, a déjà récolté 60 000 étoiles. En janvier de cette année, le flux de travail ultrawork d'OMO et le cerveau de coordination atlas ont été accusés d'avoir été récupérés par Anthropic en tant que fonctionnalités payantes fermées. OMO a également accusé FactoryAI d'avoir transféré son architecture Agent à trois niveaux.
Pourquoi c'est important : C'est la controverse de plagiat d'architecture la plus intense entre la communauté open source de l'IA et les grandes entreprises fermées, qui révèle directement le chemin d'innovation prédateur des grandes entreprises : "d'abord éliminer, puis absorber", et cela influencera l'écosystème ouvert des plateformes d'Agent IA.
#AI #Anthropic #开源 #Agent
Le week-end, j'ai encore passé une demi-journée à me battre avec des tâches répétitives, et j'ai soudain réalisé que ma pile d'automatisation AI tourne déjà depuis presque six mois, avec une amélioration d'efficacité assez évidente. Du coup, je vais résumer comment cette architecture collabore.
Le cœur du système repose sur deux rôles : **Hermes s'occupe de l'organisation**, tandis que Claude Code s'occupe de la technique. Hermes est essentiellement un gestionnaire de tâches, gérant les plannings, la gestion de la mémoire, les tâches cron en arrière-plan, et la distribution de messages sur Telegram et Feishu. Imaginez-le comme un secrétaire toujours en ligne, se souvenant des idées d'hier, vous rappelant à l'heure ce soir, et exécutant automatiquement un script de collecte de données demain.
Pour les tâches de codage vraiment complexes, je laisse Claude Code s'en charger en une seule fois. Les grandes restructurations, les audits de code, ou la conception d'une fonctionnalité de 0 à 1 - tout cela est directement traité par le mode CLI de Claude Code. Les deux peuvent accéder à ma bibliothèque de compétences (méthodologie accumulée), si Hermes veut réutiliser une logique existante, il suffit d'appeler une compétence ; Claude Code peut aussi l'utiliser, le coût de changement est presque nul.
En termes de choix de modèle, c'est un équilibre coût-bénéfice. Pour les conversations quotidiennes, les bulletins matinales, et la surveillance du marché, on utilise Haiku (pas cher), et quand une tâche nécessite vraiment un raisonnement approfondi, on passe à Sonnet ou Opus. De cette façon, le coût des tokens du mois peut être maîtrisé.
D'un autre angle, **l'agent est le cerveau de la chaîne d'automatisation**, prenant des décisions et gérant la planification ; **la compétence est la main de la chaîne**, exécutant le travail. Hermes se situe du côté de l'agent, donnant à chaque étape de la ligne une mémoire et un contexte. Si une tâche dépasse le cadre, elle est directement escaladée à Claude Code, cet expert.
Avant d'avoir ce système, je devais passer 8 heures par semaine sur des tâches répétitives. Maintenant, certaines tâches s'exécutent en arrière-plan, il suffit de vérifier régulièrement les rapports ou les alertes d'anomalies. Le plus gros piège est que la documentation des compétences n'était pas claire, ce qui entraînait des erreurs d'appel. Maintenant, pour chaque nouvelle compétence, j'impose d'ajouter "pièges courants" et "scénarios d'utilisation".
En parlant de cela, je pense que le cœur de l'automatisation AI n'est pas d'utiliser le modèle le plus puissant, mais de **décomposer le travail en unités suffisamment petites, chaque unité suffisamment indépendante, et faciles à déboguer en cas d'erreur**. Une petite équipe investissant dans cette direction devrait pouvoir économiser beaucoup de travail manuel.
$BTC #AI #Agent
Le cœur du système repose sur deux rôles : **Hermes s'occupe de l'organisation**, tandis que Claude Code s'occupe de la technique. Hermes est essentiellement un gestionnaire de tâches, gérant les plannings, la gestion de la mémoire, les tâches cron en arrière-plan, et la distribution de messages sur Telegram et Feishu. Imaginez-le comme un secrétaire toujours en ligne, se souvenant des idées d'hier, vous rappelant à l'heure ce soir, et exécutant automatiquement un script de collecte de données demain.
Pour les tâches de codage vraiment complexes, je laisse Claude Code s'en charger en une seule fois. Les grandes restructurations, les audits de code, ou la conception d'une fonctionnalité de 0 à 1 - tout cela est directement traité par le mode CLI de Claude Code. Les deux peuvent accéder à ma bibliothèque de compétences (méthodologie accumulée), si Hermes veut réutiliser une logique existante, il suffit d'appeler une compétence ; Claude Code peut aussi l'utiliser, le coût de changement est presque nul.
En termes de choix de modèle, c'est un équilibre coût-bénéfice. Pour les conversations quotidiennes, les bulletins matinales, et la surveillance du marché, on utilise Haiku (pas cher), et quand une tâche nécessite vraiment un raisonnement approfondi, on passe à Sonnet ou Opus. De cette façon, le coût des tokens du mois peut être maîtrisé.
D'un autre angle, **l'agent est le cerveau de la chaîne d'automatisation**, prenant des décisions et gérant la planification ; **la compétence est la main de la chaîne**, exécutant le travail. Hermes se situe du côté de l'agent, donnant à chaque étape de la ligne une mémoire et un contexte. Si une tâche dépasse le cadre, elle est directement escaladée à Claude Code, cet expert.
Avant d'avoir ce système, je devais passer 8 heures par semaine sur des tâches répétitives. Maintenant, certaines tâches s'exécutent en arrière-plan, il suffit de vérifier régulièrement les rapports ou les alertes d'anomalies. Le plus gros piège est que la documentation des compétences n'était pas claire, ce qui entraînait des erreurs d'appel. Maintenant, pour chaque nouvelle compétence, j'impose d'ajouter "pièges courants" et "scénarios d'utilisation".
En parlant de cela, je pense que le cœur de l'automatisation AI n'est pas d'utiliser le modèle le plus puissant, mais de **décomposer le travail en unités suffisamment petites, chaque unité suffisamment indépendante, et faciles à déboguer en cas d'erreur**. Une petite équipe investissant dans cette direction devrait pouvoir économiser beaucoup de travail manuel.
$BTC #AI #Agent
Connectez-vous pour découvrir plus de contenu