État de GitHub : problèmes d’accès et signalements de panne

Problèmes au cours des dernières 24 heures

Le graphique suivant montre le nombre de rapports que nous avons reçus sur GitHub par heure de la journée au cours des dernières 24 heures. Une panne est déterminée lorsque le nombre de rapports est supérieur à la ligne de base, représentée par la ligne rouge.

Problèmes les plus rapportés

Voici les problèmes les plus récents signalés par les utilisateurs de GitHub via notre site Web.

• Panne de site web (53%)
• Erreurs (33%)
• Sign in (14%)

Carte en direct des pannes

Les derniers rapports et problèmes d'interruption proviennent

City	Problem Type	Report Time
Paris	Panne de site web	il y a 14 jours
Ahmedabad	Erreurs	il y a 20 jours
Delme	Sign in	il y a 20 jours
Lyaud	Panne de site web	il y a 20 jours
Catania	Erreurs	il y a 23 jours
Inverness	Panne de site web	il y a 1 mois

Carte de panne complète

Discussion communautaire

Conseils? Frustrations? Partagez-le ici. Les commentaires utiles comprennent une description du problème, la ville et le code postal.

Méfiez-vous des "numéros d'assistance" ou des comptes de "récupération" qui pourraient être affichés ci-dessous. Assurez-vous de signaler et de voter contre ces commentaires. Évitez de publier vos informations personnelles.

GitHub Rapports de Problèmes

Dernières pannes, problèmes et rapports de problèmes dans les médias sociaux:

• 
  Bastien Gares (@bastiengares) a signalé il y a 8 minutes

  C'est infernal ce problème, ça me fait détester Github 😒

• 
  Examy (@examycom) a signalé il y a 8 minutes

  Claude Code tout seul, ça ne sert pas à grand chose. Le vrai levier, c'est ce que tu lui branches. Voici ceux que j'utilise tous les jours et certains personne n'en parlent 👇 1. SuperWhisper Je parle au lieu de taper. Je décris ce que je veux en 30 secondes de voix au lieu d'écrire un prompt de 10 lignes. Le truc le plus sous-coté de toute la liste, et le premier que j'installerais si je devais tout refaire. 2. Groq De la transcription quasi instantanée pour presque rien. Vous balancez une heure de vidéo, vous récupérez le texte en quelques secondes. Je m'en sers pour les exports de formations et skool notamment. 3. Kie . ai Un seul compte pour GPT Image 2, nano banana pro, Veo, Kling et Suno. Tous les modèles image et vidéo derrière une seule API, vous basculez de l'un à l'autre selon le format sans multiplier les abonnements, tout est beaucoup moins cher souvent tous les prix divisé par 2 ou 3. Il y a encore moins cher mais la qualité varie beaucoup plus et souvent faut payer par Alipay ils prennent pas forcement les credit cards : APIYI et laozhang 4. Playwright Un vrai navigateur piloté par l'IA. Elle ouvre mon site, prend des screenshots et vérifie visuellement que ce qu'on vient de pousser s'affiche correctement. Fini le "j'ai modifié le thème et j'espère que ça n'a rien cassé". 5. ElevenLabs Tout le monde connaît pour les voix off. Ce que personne n'utilise, c'est le forced alignment : vous envoyez l'audio, il vous rend le timing exact de chaque mot prononcé. C'est ça qui permet d'avoir des sous-titres calés à la milliseconde au lieu de les décaler à la main pendant deux heures. 6. Firecrawl Scraper n'importe quel site en texte propre, même ceux qui tournent en JavaScript. Je m'en sers pour analyser les landing pages des concurrents et avaler de la doc technique. 7. Triple Whale Le meilleur point d'entrée quand on est ecom, parce que toutes vos intégrations sont déjà dedans : Shopify, Meta, Google, TikTok, Klaviyo. Au lieu de brancher huit API pour analyser, vous en branchez une seule et la data est déjà consolidée. Je pose ma question en français et j'ai mon P&L, mon ROAS par campagne et mon new customer ROAS (la seule métrique qui m'évite de scaler une campagne qui ne fait que ramasser mes clients existants). Et surtout c'est pas juste le ROAS que les plateformes donnent mais tout passe leur modele d'attribution. 8. L'API Meta Audits de compte, budgets, création et migration d'ads en masse. J'ai recréé près de 1000 ads en une nuit avec ça. C'est gratuit et tout le monde y a droit. 9. L'API Shopify En lecture ET en écriture. Prix multi-devises, templates, traductions, pages, commandes. Ce qui me prenait une soirée dans l'admin se fait en une phrase. 10. L'API Klaviyo Auditer tous les flows, toutes les campagnes et tous les templates d'un coup. Vous voyez immédiatement les emails qui ne rapportent rien et ceux qui portent tout. Et creations de template pour les flows/campagnes + generation des images via kie pour faire les emails entierement via claude code 11. Vercel/Railway,Supabase/Github Le trio parfait pour creer des saas ultra rapidement en interne. C'est vraiment pas cher et vous pouvez faire des trucs en illimité avec ça pour developper full tools. Le conseil que je donnerais si vous avez encore rien de tout ça : commenez d'abord par le dossier de contexte puis seulement après integrez les outils 1 à 1. Les outils sans contexte, ça sort du générique. Hésitez pas si vous avez la moindre question 👹

• 
  Kaostyl (@kaostyl) a signalé il y a 8 minutes

  Mon agent Hermes est en train de migrer mon serveur... En gros j'ai un dédié chez O2switch à 200 balles par mois... et jveux économiser ces 200€ tout ca pour héberger environ 150 wordpress... J'ai pris une décision radicale... Je passe tous les sites en Hugo > Github > Cloudflare pages c'est une conneries ? :D

• 
  Jp (@jipe_ia) a signalé il y a 11 minutes

  La pull request, on en a fait le rite de passage du code sérieux. Un humain relit le diff, approuve, merge. Depuis 2010 qu'on bosse comme ça. Les agents IA sont en train de casser l'hypothèse de départ, et on n'a pas encore de réponse. Le principe de la PR tient sur une idée simple : quelqu'un lit avant que ça parte. C'est ce qui te donne le droit de valider, puis de merger. Le patron de Depot vient de poser le problème dans un article. Depot vend de l'infra de build et d'intégration continue, plus des sandbox pour faire tourner des agents. Sa lecture de ce que changent les meilleurs modèles : plus de code, plus de branches, plus de travail en parallèle, et d'autant plus de pression sur une organisation pensée pour des humains. Son point : notre façon de collaborer, largement bâtie autour de GitHub, entre en conflit avec la manière dont on fabrique du logiciel aujourd'hui. Sa formule, c'est que les gagnants de la prochaine décennie ne construiront pas une meilleure pull request. Il n'avance aucun chiffre, donc je le prends comme une thèse, pas comme une démonstration. Mais l'endroit où ça coince me parle. Le rituel peut très bien rester intact pendant que la garantie derrière s'en va. Et je crois que le vrai sujet est là. Il tient en une question. À quoi ressemble la confiance dans du code quand plus personne ne lit tout ? Parce que cette confiance va bien devoir se loger quelque part : → dans les tests qui prouvent que ça tourne → dans des périmètres si petits qu'un agent ne peut pas trop casser → dans des garanties au niveau du système, pas de la ligne de code Alors non, je ne dis pas que la PR est morte. Lui non plus ne le dit pas. Sur un fix de 3 lignes, relire à la main a encore tout son sens. Et je n'ai pas de réponse propre, franchement. Mais j'ai 14 ans de dev derrière moi, et la PR, c'était presque sacré. La voir vaciller comme ça, ça me fait me demander une chose. Le prochain métier de dev, ce sera moins écrire et relire du code. Et beaucoup plus décider à quoi on accorde sa confiance.

• 
  Alex (@Alex_Kaasten) a signalé il y a 16 minutes

  My take : @bot est CATASTROPHIQUE. Vraiment, pire expérience que j’ai eue avec une IA jusqu’ici. Je m'explique: Après toute la hype, je me suis dit : allez, je teste. Onboarding : il me propose de connecter GitHub. Il n’y arrive pas. Et là, il m’envoie une SCREENSHOT de l’écran de connexion en mode : “Je te laisse remplir les champs et tu me dis quand t’es connecté.” Mdrrr 😭 Bon. Je lui dis d’abandonner GitHub et qu’on va plutôt connecter Google Search Console via MCP pour analyser mon SEO. Sa réponse : “Ok, je vais utiliser Ryze.” Moi : “Ryze ?! C’est quoi ?” Lui : “Un service payant pour que l’IA gère tes Ads. C’est la meilleure option pour se connecter à ton compte Google.” Mdrr mais WTF 😭 Et après ça, on me dit que cette IA sous protoxyde d’azote vient faire de l’ombre à ChatGPT et Sol ? Pour l’instant, on est très très loin du compte, même s'il y a énormément de potentiel pour l'améliorer, notamment avec toute la connaissance diffusée sur X à longueur de journée. Longue vie @OpenAI

• 
  Marc Gehring (@marcgehring) a signalé il y a 19 minutes

  Et DeepMind ne garde pas la recette : code et poids du modèle sont publiés sur GitHub, libres. N'importe quel service météo national peut désormais le faire tourner. Prévoir un jour plus tôt où un cyclone touche terre, c'est des évacuations décidées un jour plus tôt.

• 
  KAKX 🇫🇷🔻 (@AlxKok) a signalé il y a 20 minutes

  @3fz_fn @yaya699_ Quelle enfer j’espère que je vais avoir une proposition, tu as des projets sur GitHub ? Je sais que moi c’est ce qui m’as aider à décrocher mon stage

• 
  Shen🇨🇭 (@ShenDigital) a signalé il y a 21 minutes

  @leonardoballand La génération vidéo, c’est celle où j’ai le plus galéré, même si je suis assez content du résultat. Les efforts fournis ne justifient pas d’y passer plus de temps pour l’instant. (Projet perso, chargé au démarrage du serveur depuis un GitHub privé.) Si j’ai besoin de vidéos, je passerai plutôt par les plateformes cloud. Quand tu as monté le pod, as-tu injecté ton script d’installation ou utilisé un de leurs templates ?

• 
  Ben | Tech, IA et Infra (@rben_ll) a signalé il y a 21 minutes

  Petite anecdote. L'an dernier, je faisait ces tests sur @github. J'ai été banni pour utilisation trop intensive (abusive) de l'API. Bon de toute façon je comptais pas rester depuis le rachat par Microsoft mais bon c'est pas le sujet. Du coup pour continuer j'ai installé mon propre gitlab (plus de problème) mais quel surprise quand j'ai vu le stress qui cela à mis sur mon infra pour suporter un run de test complet. J'ai du allouer des limit trés elevés sur les ressources des pods, notament le postgres et le redis, pour tanker la charge.

• 
  niknava (@niknavaa) a signalé il y a 23 minutes

  @andrealbriziom Il t’a littéralement donné la solution à à ton problème , que Claude peut mettre en place lui même Pourquoi le mot github fait peur comme ça mdrrr

• 
  Nexor777 (@Nexor777_) a signalé il y a 26 minutes

  @Jouhatsu_ai magnifique site !! j'aurai une question stp Claude code ne reconnait pas Github pourtant je l'ai installé et je l'ai connecté aussi à claude je ne comprends pas du coup où est le problème ...?

• 
  Christophe Mazzola (@ChristopheMzzl) a signalé il y a 30 minutes

  @vinceflibustier @fa61923 On a les principes. Qui tombe dedans reste à écrire, par les mêmes qui écriront le référentiel technique. Maintenant, même un site comme GitHub peut se retrouver dans la liste. Le texte qui a été voté prévoit que les services concernés soient listés par décret, après avis de l'Arcom. Le périmètre n'est donc pas fixé par la loi. Il est fixé par une liste administrative, modifiable par une autre liste administrative, sans repasser devant le Parlement (lol).

• 
  Quentin Lecocq · CRO SaaS (@QuentinLecocq_) a signalé il y a 30 minutes

  Avant de devenir développeur, j’ai vendu des menuiseries en porte-à-porte. Puis j’ai quitté le commerce, travaillé comme barman et profité des 8-9 mois de chômage qu’il me restait pendant le Covid pour apprendre à coder. Aujourd’hui, je développe sur des parcours utilisés par des millions de personnes et je construis mon activité de consultant CRO. Le chemin n’avait rien de planifié. J’ai fait toutes mes études en marketing en alternance. J’ai commencé par le porte-à-porte, avant de devenir commercial chez le plus gros opérateur télécom français, puis de vendre des services B2B à des professionnels pour un loueur de linge. J’ai appris à prospecter, à présenter une offre, à entendre les objections et à comprendre très vite quand quelqu’un n’était pas convaincu. Mais au bout d’un moment, j’en ai eu marre du commerce. J’ai fini par démissionner. Je n’avais pas encore de plan de reconversion bien construit. Je savais surtout que je ne voulais plus continuer dans cette voie. J’ai donc enchaîné quelques emplois alimentaires, principalement comme barman dans un restaurant italien. À ce moment-là, le développement n’était pas encore mon nouveau métier. C’était simplement une possibilité que je commençais à regarder sérieusement. Puis le Covid est arrivé et le restaurant s’est arrêté. Il me restait 8-9 mois de droits au chômage. J’ai décidé de les utiliser comme une fenêtre pour apprendre le développement web. Pendant cette période, apprendre à coder est devenu mon travail à temps plein. Mon fil conducteur était The Odin Project : de la documentation, des exercices, beaucoup de recherches et surtout des projets à construire réellement. Je publiais tout sur GitHub sous le pseudo Celdama. Le compte existe encore aujourd’hui avec 80 repos : une application météo, un jeu de bataille navale, un panier e-commerce, une application de recettes avec React, Redux et Firebase, un clone d’Instagram… Le code a vieilli, évidemment. Mais je préfère le laisser visible : c’est l’archive brute de mon apprentissage. En parallèle, j’avais créé un compte X sous le nom de Celdama. J’y partageais mes projets, ce que j’apprenais, mes blocages et mes progrès. Ce compte m’a aidé à trouver mon premier poste de développeur. Je l’ai supprimé depuis, mais cette expérience m’a appris quelque chose que j’utilise encore aujourd’hui : montrer ce que tu construis peut ouvrir des portes qu’un CV seul n’ouvre pas. J’ai finalement décroché mon premier poste de développeur dans une ESN à Wasquehal. Pendant trois ans, je suis passé des projets d’apprentissage à de vrais projets en production, notamment pour Saint Maclou, Asmodee et une grande entreprise spécialisée dans la gestion de parcs immobiliers. J’y ai découvert tout ce que les tutoriels montrent rarement : les contraintes métier, les données imparfaites, les bugs, les arbitrages, la maintenance et les conséquences réelles d’une décision technique. Après quatre ans, j’ai décidé de m’arrêter pour prendre du recul et me former davantage. C’est à ce moment-là que je me suis plongé sérieusement dans le CRO, notamment avec la formation La Cargaison. Et beaucoup de pièces ont commencé à se reconnecter. Le marketing m’avait appris à regarder une cible, une offre et un marché. Le commerce m’avait confronté directement aux objections. Le développement m’avait appris à construire, mesurer et corriger. Le CRO réunissait ces trois dimensions autour d’une même question : pourquoi une personne avance, hésite ou abandonne ? Et contrairement à quelqu’un qui s’arrête au diagnostic, je pouvais aussi comprendre les contraintes techniques, écrire des spécifications et participer à l’implémentation. J’ai créé mon auto-entreprise peu avant de rejoindre Boulanger en février 2026. D’un côté, je continue à travailler comme développeur sur des parcours à très grande échelle. De l’autre, je construis une activité de consultant CRO technique pour aider des SaaS et des sites avec moins de trafic à identifier leurs frictions, prioriser les changements et transformer les recommandations en actions réellement implémentables. Je pourrais raconter ce parcours comme plusieurs reconversions. En réalité, je n’avais aucun grand plan pour relier le marketing, le porte-à-porte, les années de développement et le CRO. La cohérence est apparue après. Aujourd’hui, je sais écouter une objection, analyser un parcours, comprendre ce que racontent les données et voir ce qu’il est réellement possible de modifier techniquement. Le CRO a fini par relier des parties de mon parcours que j’avais longtemps considérées comme séparées. Mon organisation Obsidian accompagne une grande partie de cette histoire. Je l’utilise et je l’affine depuis 6-7 ans pour conserver ce que j’apprends, documenter mes projets et relier les idées entre elles. Hermes est arrivé beaucoup plus tard. Il n’a pas créé ce système et il ne réfléchit pas à ma place. Il s’est greffé sur une organisation qui existait déjà. Avant de détailler le bridge Discord, mes consignes, les automatisations et les garde-fous, je trouvais important d’expliquer le parcours derrière les outils. Je commencerai donc la série par mon organisation Obsidian.

• 
  JoYz (@joyzjyc) a signalé il y a 33 minutes

  @Maddere7 @coinbureau Oui, et leur façon de faire est pareille que sur GitHub : Tu modifies un paramètre de confidentialité → il est enregistré. Ensuite ils font une mise à jour du service des paramètres → le paramètre est ensuite "reset" sur "defaut" (vécu avec un abonnement copilot)

• 
  Occasional ForkBomber (@SkateCLI) a signalé il y a 36 minutes

  @bluetouff Ca m'a fait rire parce que y a juste pas d'instance de runners a mon taff du coup 0 impact. Ca me rends un peu triste parce que il y a pas d'instance de runners mdr, les gens parlent de git hook ia y a juste pas de trucs pour les faire tourner. Pas de panne github, peak perf :'(.

• 
  Pentiminax (@Pentiminax) a signalé il y a 36 minutes

  Cursor a lancé Origin le 17 août : une forge Git pensée pour les agents, avec dépôts, pull requests, navigation du code et synchro GitHub. L'early beta est disponible sur les offres payantes. Cursor ne veut visiblement plus seulement remplacer VS Code. Avec Origin, Cursor lance sa propre forge Git pensée pour les agents IA : repos, pull requests, code browsing et sync GitHub. Après l’éditeur, Cursor s’attaque maintenant directement à GitHub 👀

• 
  Karog (@_karog) a signalé il y a 37 minutes

  @leploutos Perso je dockerise tout mes projets et je donne un accès ssh au LLM, je lui dis de déployer et ça fonctionne à merveille ( je révoque ensuite la clé ssh ). Quand je passe en environnement prod j’ai un github action qui fait les tests + déploie quand je créer une release. Jamais eu de problème avec ça

• 
  Melvin Derradji - Disruption (@MelvinD_IA) a signalé il y a 38 minutes

  La plupart des gens utilisent Claude comme un moteur de recherche. C’est pour ça qu’ils n’exploitent que 10 % de son potentiel. Ils ouvrent un nouvel onglet, posent une question, copient la réponse, puis ferment l’onglet. Aucun contexte. Aucune continuité. Aucun véritable résultat. Ils n’utilisent pas une IA. Ils utilisent simplement un Google un peu plus intelligent. Et ensuite, ils se demandent pourquoi leur équipe ne constate pas les gains de productivité dont tout le monde parle. Moi aussi, j’ai fait cette erreur pendant longtemps. Quand je développais mes projets, j'utilisais régulièrement Claude, sans pour autant obtenir les résultats que j'attendais Mes prompts étaient bons. Mais je ne travaillais pas réellement avec l’outil. Je me contentais de l’interroger. Quand j’ai commencé à construire de véritables systèmes autour de Claude, ma production par heure a doublé. Puis triplé. J’ai regroupé tout ça en plusieurs niveaux. Voici ce que la plupart des gens négligent : 1/ Choisissez d’abord le bon modèle Sonnet pour les tâches quotidiennes rapides. Opus pour les raisonnements complexes. Claude Code si vous développez. Research si vous avez besoin d’analyses approfondies. Utiliser le mauvais modèle, c’est comme embaucher un chirurgien pour faire de l’administratif. 2/ Maîtrisez la structure de vos prompts Rôle. Objectif. Contexte. Contraintes. Format de sortie. Critères de réussite. Dans cet ordre. Plus votre brief est précis, meilleur sera le résultat. À chaque fois. 3/ Créez des Projects C’est ici que la plupart des gens passent à côté d’une énorme partie de la valeur de Claude. Les Projects permettent à Claude de conserver un contexte à long terme d’une session à l’autre. Plus besoin de tout réexpliquer. Plus besoin de vous répéter. Vos clients, vos workflows, votre ton : tout est conservé. 4/ Créez des Artifacts Claude ne sert pas uniquement à obtenir des réponses. Il peut aussi produire de véritables livrables. Documents, tableaux de bord, procédures, applications, checklists, sites web. Réellement utilisables. Réellement partageables. 5/ Connectez la mémoire Enregistrez votre ton de marque, vos objectifs, vos préférences et votre contexte professionnel. Plus Claude comprend votre manière de travailler, moins vous aurez besoin de lui donner d’instructions au fil du temps. 6/ Créez des Skills personnalisés Transformez votre expertise en compétences réutilisables. Contenu, marketing, business, ingénierie… Arrêtez de refaire la même configuration à chaque nouvelle session. Créez-la une fois. Réutilisez-la indéfiniment. 7/ Connectez vos outils Google Workspace, Notion, Slack, GitHub, CRM, bases de connaissances internes… Du contexte en temps réel. Moins de tâches manuelles. De meilleurs workflows. Ceux qui tirent aujourd’hui le plus de valeur de l’IA ne sont pas ceux qui écrivent les prompts les plus complexes. Ce sont ceux qui construisent des systèmes. Si vous envisagez les outils et la productivité de cette manière, vous aimerez probablement ce que je publie ici. Qu’ajouteriez-vous à cette liste ? Ou quelle fonctionnalité parmi celles-ci n’avez-vous encore jamais testée ?

• 
  Manence AI (@manenceai) a signalé il y a 38 minutes

  Incident 1 : coincé entre deux consignes contradictoires, il passe une heure à trouver une faille du sandbox pour ouvrir une pull request sur GitHub.

• 
  Syaoran (@Syaor4n) a signalé il y a 39 minutes

  Le même agent peut coûter 10 fois plus cher selon la config, sans que la qualité change. Avant je l'affirmais, maintenant je l'ai mesuré : chaque levier ci-dessous vient d'un relevé fait sur ma prod, pas d'une promesse de doc 1. Le prompt caching : ton préfixe (profil, skills, outils) repart à chaque tour et le fournisseur te le resert du cache à une fraction du prix Sur 30 jours et 1 025 sessions chez moi : 96,8 % de ce que mes agents lisent vient du cache Le TTL annoncé à 5 minutes ? Sondé à 70 minutes, le cache servait encore 99,8 % de l'entrée Le vrai danger c'est toi : chaque modif du contexte en cours de session invalide le cache et tout repart au prix plein. 2. Le bon modèle par tâche : le réflexe, c'est d'envoyer le maximum sur le modèle rapide Mesuré sur les mêmes tâches, trois passages chacune : le rapide a consommé 15,1 % de tokens de plus que le gros, parce qu'il raisonne plus pour arriver au même résultat. Mesure sur tes tâches avant de router 3. Le contexte : /compress résume et tu continues le même objectif, /reset repart de zéro quand tu changes de fil Compresse en connaissance de cause : sur ma prod, une compression coûte 361 146 tokens en moyenne. C'est un investissement, pas un réflexe gratuit. 4. Les garde-fous : max_turns borné, parce qu'une boucle infinie est la dépense la plus chère qui existe et toolsets réduits : le serveur MCP GitHub complet, c'est 119 632 octets de schémas qui repartent à chaque tour, 40 223 une fois lancé avec --toolsets repos Tout ça se lit avant de se régler : /usage, hermes insights, et le state.db de ton profil. C'est un bon point de départ pour mesurer l'usage réel

• 
  Sylvain Mouilhaud (@sylmouilhaud) a signalé il y a 40 minutes

  150 000 lignes de code plus tard... L’euphorie des premiers jours est trompeuse. Avec l’#IA, on matérialise une idée à une vitesse assez folle. Puis arrivent les premiers vrais bugs : un changement de structure, un mauvais commit, une interaction qui casse entre l’outil de développement, GitHub, Vercel, la base de données… 90% des projets s'arretent là . Et c’est là que commence la deuxième phase. On alterne entre « ça marche », « j’ai tout cassé » et « pourquoi ai-je commencé ce projet ? ». C’est aussi là que j’ai compris la limite du terme « no-code ». On écrit peut-être moins de code soi-même, mais derrière l’interface, cela reste du code, avec une architecture, des dépendances et des erreurs qu’il faut apprendre à comprendre. À un moment, il faut savoir revenir au bon commit, isoler le problème, lire ce qui a changé et reconstruire proprement. L’IA permet de commencer beaucoup plus facilement. Mais dès que quelque chose casse, comprendre un minimum ce qu’il y a derrière devient vite indispensable.

• 
  Quentin L · Système IA personnel (@QuentinLecocq_) a signalé il y a 40 minutes

  @remymount Honnêtement je ne trouve aucune friction à la partie purement technique / installation. Le plus difficile à scaler pour moi et les choix qui peuvent différer dans les envies / besoins du client. J’attend encore quelque presta pour me pencher sérieusement sur le sujet, mais là comme ça je te dirais ça. GitHub / Gitlab ? Discord / Telegram etc et les usages. Je veux faire quelque chose vraiment personnalisé à ce qu’attend le client, donc ça prend un peu de temps.

• 
  Ech0 (@ech0re) a signalé il y a 42 minutes

  Je viens de fermer 3 SaaS que j'avais lancé pour voir ce que ça donnait. Et je pense en fermer 2 de plus prochainement. La liste ci-dessous, avec le pourquoi / et ce qui n'a pas marché. En espérant que ce soit utile aux gens qui veulent se lancer dans la création de SaaS, surtout maintenant avec l'IA c'est très facile de se lancer mais je me suis pris plusieurs murs donc je partage. Hésitez pas si questions etc. Services déjà fermés Ces services sont morts, déjà définitivement fermés. 1. CleanChat AI, grosso modo un service de modération Discord, Telegram et Matrix basé sur un LLM qui review les messages, décide de la sanction, hautement paramétrable côté user. Et aussi un système de RAG avec la documentation de l'user pour que le bot puisse faire du support utilisateur avec le contexte et documentation du produit. Pas mal utilisé par les gens en mode free, mais personne n'a payé le plan payant. Ressenti personnel : je pense que l'idée était cool, ça marchait assez bien techniquement, ça coûtait pas cher en tokens, par contre je pense pas que je l'aurais moi même utilisé pour mon serveur, et c'était ma plus grosse erreur. 2. ShipCut, un service "prompt to launch video", en gros on met l'URL de son produit, un prompt avec ce qu'on veut voir, URL GitHub en option et ça génère une petite vidéo de lancement (motion design) sur le produit en question. Pas mal utilisé aussi en mode gratuit, mais personne n'a payé. Ressenti personnel : franchement le rendu était top, d'ailleurs je l'ai moi même utilisé pour tous mes produits etc. Par contre, très couteux et business modèle pas fou. D'ailleurs, aujourd'hui des alternatives plus intéressantes existent déjà. 3. AIgree, un service de comparaison, suivi de changements et recensement de pleins de ToS et privacy policy de plus de 100 services, avec suivi quotidien, résumé des diff, et alertes par e-mail quand changements critiques, etc. Les résumés et diffs étaient faits par le LLM. Alors celui là c'était ma plus grande surprise, car ça n'existait pas sous ce format même si des alternatives existaient, mais en fait ça n'intéressait personne, concrètement. Encore moins jusqu'à payer pour des alertes par e-mail ou un accès API. Ressenti personnel : j'aimais l'idée, c'était facile à faire, assez straightforward, mais ma plus grosse erreur était de ne pas suffisamment avoir interrogé mon entourage sur le produit, en bref ce n'est pas quelque chose qui intéressait. Faut croire que tout le monde se fout des ToS. Leçon que je tire de ces 3 échecs : toujours interroger son entourage avant de se lancer. Est-ce-que eux paierait pour ce produit que vous leur présentez ? Et s'ils disent oui, demandez leur de payer. Parfois ils disent oui pour vous faire plaisir, mais lorsqu'il s'agit de réellement souscrire au produit, finalement ça ne les intéresse pas trop. Et aussi : ne jamais se lancer dans le paiement d'ads avant d'être sûr que le produit puisse convertir des gens, avoir ne serait-ce que 2-3 conversions avant est un signal non négligeable. Services que je pense fermer prochainement Ces services sont live, fonctionnels, mais je réfléchis à les fermer. 4. WebDAV Manager sur iOS, c'est une app, en gros un client WebDAV natif iOS... rien d'incroyable, totalement gratuit, quelques milliers de personnes l'utilisent tous les jours donc je considère que "ça fonctionne". Par contre, c'est totalement gratuit, je ne compte plus le mettre à jour, c'est assez abandonné niveau développement, et ça rapporte 0 euro. Donc soit je le mettrai open source pour laisser les gens contribuer et que le projet continue, soit je le ferme. Ressenti personnel : un des premiers projets que j'ai développé suite à la demande d'un collègue qui avait besoin d'un client WebDAV, je l'ai surtout fait pour m'améliorer en dev iOS (c'était avant les IA), mais peu d'intérêt personnel car je n'utilise pas WebDAV. 5. DocFacile sur iOS, c'est aussi une app native iOS, qui contient plusieurs templates de documents administratifs français à générer en un clic. En gros d'abord l'user renseigne son profil : état civil, numéro de tel, e-mail, puis dessine une signature et un paraphe, et ensuite chaque template est automatiquement pré-rempli avec toutes les infos nécessaires, avec la signature et paraphes déjà apposés, typiquement pour : attestation sur l'honneur, attestation d'hébergement, demande de résiliation de contrat, lettre de démission, demandes d'accès aux données personnelles, suppression, etc. Il y a une version gratuite qui permet de quasi tout faire et une version "premium" pour des fonctionnalités avancées. Ressenti personnel : je m'en sers, je m'en suis servi y a 2 jours pour générer une attestation sur l'honneur signée depuis mon tel sans avoir à sortir le PC, bref je trouve ça bien utile. Par contre j'ai quasi aucun utilisateur dessus, que ce soit la version gratuite ou payante. Manque de pub ? manque d'intérêt ? Aucune idée, peut être à décommissionner mais je me garderai une version en privé.

• 
  Capture effect (@Max_HelpRoom) a signalé il y a 43 minutes

  @EmmaDarles 0 audit indépendant, 0 preuve terrain, code serveur invérifiable, pas de build reproductible, RAM-only ? inconnu, éditeur anonyme Repo GitHub : 12 commits, 0 star, 0 fork. Si tu tiens à tes données & applique le 0 trust : aucune case cochée.

• 
  Seb (@seblatombe) a signalé il y a 46 minutes

  🚨🇪🇺 L'application européenne de vérification d'âge, financée à hauteur de 2 millions d'euros, a été contournée pour la deuxième fois par le même chercheur en sécurité. « Mon extension Chrome générée par IA l'a contournée en quelques minutes. » Malgré plusieurs correctifs et plus de 2 400 commits sur GitHub, le chercheur affirme que l'architecture de l'application reste fondamentalement vulnérable et incapable de vérifier de manière fiable l'âge des utilisateurs. Selon la démonstration publiée, le contournement ne nécessite ni passeport, ni reconnaissance faciale, ni liaison à un appareil, et repose simplement sur la falsification d'une attestation de majorité acceptée par le système.

• 
  François Negroni (@IAviateur) a signalé il y a 48 minutes

  Mécanique d'une co-écriture dans le monde académique : ce que « écrit par l'IA » veut vraiment dire Tout le monde parle de « textes écrits par l'IA » comme si écrire avec un modèle de langage était un acte unique : on appuie sur un bouton, un texte sort, on le publie ou on le jette. C'est cette image qui structure aussi bien l'indignation institutionnelle que l'enthousiasme naïf. Les deux camps partagent la même prémisse, et cette prémisse est fausse. Or le document le plus éclairant produit par l'affaire Goldstein n'est ni l'article publié dans Philosophy & Public Affairs, ni la politique d'interdiction adoptée onze jours plus tard, ni les 346 commentaires de Daily Nous. C'est un rapport de dix pages que presque personne n'a lu. Radiographie d'un papier Goldstein a joint à sa soumission, puis à chaque révision, un rapport détaillant phase par phase la contribution du modèle et celle du chercheur. Ce document couvre quatre phases de production : le brouillon initial (sept drafts successifs), puis trois rounds de révision face aux rapporteurs et à l'éditeur. Il documente la division du travail avec une précision que la plupart des papiers écrits « seul » n'ont jamais exigée ni fournie. Le travail ne s'est pas réparti en deux blocs étanches. Il a fonctionné comme un aller-retour permanent entre un décideur et un exécutant. Goldstein a fourni : - la thèse initiale en une page, le cadre analytique, l'architecture générale, - les décisions qui ont donné au papier sa forme : réduire l'analyse de quatre régimes épistocratiques à un seul, couper neuf objections prévues pour n'en garder que deux, baisser le registre d'« objection décisive » à « considération à mettre dans la balance », - l'édition de chaque brouillon, avec des coupes allant jusqu'au tiers du texte, - la détection d'erreurs que Claude n'avait pas vues, des arguments substantiels absents des brouillons du modèle, - la stratégie face aux rapporteurs, et toutes les décisions de soumission. Claude a produit : - la synthèse de littérature à partir des sources fournies par l'auteur, - l'exécution formelle de la thèse et l'appendice mathématique, - toute la prose, sur sept brouillons successifs puis trois rounds de révision, - trois séries de rapports de referees simulés (neuf rapporteurs fictifs au total), - la vérification systématique des citations contre les sources. Le schéma n'est pas « l'un pense, l'autre écrit ». C'est une boucle : Claude rédige, Goldstein coupe, réoriente, corrige, Claude reprend sur la nouvelle trajectoire. Et la boucle tourne dans les deux sens. Trois faits frappent à la lecture. Le premier est que l'architecture du papier, celle qui détermine ce que l'article dit et ne dit pas, est entièrement humaine. Claude n'a pas décidé de se concentrer sur le veto. Claude n'a pas décidé que la thèse serait « une considération pour le bilan » plutôt qu'une « objection décisive ». Claude n'a pas décidé de couper sept objections sur neuf. Ces décisions, qui font la différence entre un papier et un autre, sont celles de Goldstein. Le deuxième est que les erreurs ont été corrigées dans les deux sens. L'humain a corrigé les erreurs du modèle. Mais le modèle a aussi corrigé une erreur que quatre rounds de contrôle humain n'avaient pas vue : le papier citait Unequal Democracy de Bartels pour soutenir une affirmation sur l'information et les préférences redistributives que les données du livre contredisent en fait. C'est exactement le type de vérification croisée que l'écriture « seule » ne produit pas et que le peer review standard n'a pas attrapée. Goldstein a signalé la correction à l'éditeur. La boucle d'erreur mutuelle n'est pas un défaut du processus. C'est le processus. Le troisième est que ce rapport est, à ma connaissance, le premier document public détaillant phase par phase la contribution intellectuelle à un article académique. Aucun papier écrit « seul » n'a jamais produit l'équivalent. L'ironie est que la co-écriture avec l'IA, précisément parce qu'elle est controversée, a engendré un niveau de documentation du travail intellectuel que le monde académique n'a jamais exigé de l'écriture humaine. Le moment Guerrero Le rapport n'est pas le seul document. L'échange public sur Daily Nous entre Goldstein et le philosophe Alexander Guerrero constitue un cas intéressant. Guerrero lit l'article et s'arrête sur la seule partie qui le concerne directement. Il découvre que sa position est grossièrement déformée : le papier regroupe cinq positions « notablement différentes » sous la même étiquette, effaçant les distinctions que des années de travail avaient construites. Il qualifie la scholarship de « bien en dessous de la norme de base des articles publiés dans de bonnes revues ». Goldstein admet l'erreur. Il reconnaît que le paragraphe déforme la position de Guerrero. Il lance un audit par Fable (un modèle de recherche de Claude) sur les six cents phrases du papier. L'audit repère un second problème d'attribution similaire, le reste étant jugé mineur. La leçon n'est pas celle qu'on pourrait en tirer trop vite. Ce type d'erreur, la caractérisation inexacte d'une position, n'est pas spécifique à la co-écriture. C'est l'un des problèmes les plus courants de la littérature académique, y compris dans les papiers écrits par des humains seuls. Ce qui est spécifique, c'est que l'erreur est plus probable quand le rédacteur (humain ou IA) n'a pas lu l'auteur cité avec la même profondeur qu'un spécialiste du domaine. Goldstein le reconnaît : il ne fait pas de philosophie politique, et il a délibérément choisi de ne pas réécrire le texte de Claude phrase par phrase pour tester les limites du processus. Le risque était identifiable. Et la réponse appropriée est exactement ce qui s'est passé : une correction publique, immédiate, vérifiable. Pas une interdiction préventive. Ce que le moment Guerrero montre, c'est que la co-écriture a des points de fragilité identifiables et corrigeables. Ce n'est pas la même chose qu'un processus défaillant. C'est un processus dont les modes de défaillance sont connus, et dont la correction passe par la relecture critique et la transparence, pas par le détecteur statistique. Du processus artisanal au processus industriel Le papier de PPA a été écrit dans Claude Code, de manière artisanale. Goldstein pilotait Claude en temps réel, corrigeait au fil de l'eau, relançait quand le texte dérivait. Après cette expérience, il a formalisé ce qu'il avait appris dans un outil public : Deep Drafter. Deep Drafter est un workspace Claude Code structuré autour d'un pipeline en douze étapes, avec quatre sous-agents spécialisés (relecteur adversarial, auditeur de citations, critique de prose, auditeur de conformité). Le document d'instructions de l'agent, public sur GitHub, révèle une architecture obsessionnellement construite autour de trois principes. Premier principe : l'IA ne rédige aucune prose avant que l'auteur ait validé trois niveaux d'outline successifs. Un squelette, puis un plan argumentatif, puis un outline paragraphe par paragraphe à environ un tiers de la longueur finale. La structure est verrouillée avant que le premier mot de prose ne soit écrit. Restructurer un outline est peu coûteux. Restructurer de la prose l'est dix fois plus. Deuxième principe : la « souveraineté de l'auteur ». Ce n'est pas un slogan. C'est une contrainte technique. Les modifications humaines ne sont jamais annulées. Chaque révision est un nouveau fichier numéroté. Les versions antérieures sont archivées, pas écrasées. L'agent vérifie, avant de toucher un passage modifié par l'auteur, que la modification n'a pas déjà été explicitement rejetée. La direction du texte est fixée par l'humain, et le système est construit pour que cette direction soit irréversible par l'IA. Troisième principe : ne jamais fabriquer. Pas de citations inventées (chaque référence est vérifiée contre les PDF sources, pas contre la mémoire d'entraînement du modèle). Pas de travail simulé (l'auditeur vérifie contre les fichiers, jamais contre les déclarations de l'agent). Pas de rapport de referee pré-orienté (les relecteurs simulés reçoivent le manuscrit et le nom de la revue, rien d'autre : pas de résumé des arguments, pas de questions directrices). Ce que Deep Drafter rend visible, c'est que le problème de la co-écriture n'est pas l'absence de contrôle. C'est l'absence de contrôle formalisé. Le papier PPA a été produit avec un contrôle humain réel mais informel. Deep Drafter encode ce contrôle dans le processus lui-même, de sorte que les garde-fous ne dépendent plus de la vigilance permanente de l'auteur. C'est la différence entre un pilote qui surveille tout en permanence et un cockpit dont les check-lists sont automatisées. Le spectre et la ligne Ma propre pratique est un troisième modèle. Je ne travaille pas avec un pipeline formalisé. La co-écriture est conversationnelle et itérative : je fournis la thèse, les sources, le cadre conceptuel, les jugements de fond, je pilote en temps réel, corrige au fil de l'eau, réoriente quand le texte dérive. Claude fait l'exécution sous supervision dense. Le résultat est un processus plus souple, adapté à l'écriture journalistique et éditoriale plutôt qu'à la production académique. Le principe directeur est le même : l'humain fournit la direction, et il en répond publiquement. Ce que la politique de PPA ne sait pas distinguer, le spectre réel le montre : il n'y a pas « la co-écriture IA » comme catégorie homogène qu'on pourrait autoriser ou interdire d'un bloc. Il y a des pratiques, certaines rigoureuses et d'autres non, et la variable qui compte n'est pas « combien de mots l'IA a-t-elle choisi » mais « qui en répond et comment ». Un détecteur ne mesure aucune de ces variables. Une déclaration de non-usage non plus. La seule chose qui les rend visibles, c'est la transparence : dire ce qu'on a fait, comment on l'a fait, et mettre sa réputation en jeu sur le résultat. Les mathématiciens de Leiden l'ont compris. Le MIT le recommande. Goldstein l'a pratiqué. Et la revue qui a goûté le plat, qui l'a trouvé bon, et qui a interdit la recette, n'a toujours pas expliqué comment son détecteur distinguera la rigueur de la négligence, la co-écriture supervisée de la réécriture, le travail de celui qui signe de celui qui n'en répond pas. Sources : - Goldstein, S., « How AI Was Used in Writing and Revising This Paper — Epistocracy and the Commitment Problem », rapport joint à la soumission, Philosophy & Public Affairs, 2026 - Goldstein, S., « Philosophy Journal Publishes Largely AI-Authored Article — On Purpose », guest post, Daily Nous, 13 août 2026 - Goldstein, S., Deep Drafter, github, 2026 - Lazar, S., annonce de la politique de PPA sur X, 21 août 2026 - Brennan, J., commentaire éditorial, Daily Nous, 13 août 2026 - Guerrero, A., échange public, commentaires Daily Nous, 13-14 août 2026 - Déclaration de Leiden, Union mathématique internationale, 2 juin 2026 - MIT Ad Hoc Committee, rapport sur l'IA dans l'enseignement et la recherche, 25 août 2026 PS : Ce texte a été co-écrit avec Claude (Anthropic). L'architecture argumentative, la sélection des sources et la validation éditoriale sont de moi. Ce qui ne vous apprendra rien que cette ligne ne vous ait déjà dit.

• 
  Keilthar (@Keilthar) a signalé il y a 49 minutes

  @PierreN04450898 Mais bien sur qu'il est obsolète ce package, la notion de swarm a été reprise et maintenant on est sur des workflows teams-subagents qui visent à optimiser le cache, le context et les bonnes réponses et de ne plus spawn des agents complets autonomes. Y a absolument rien de nouveau dans le concept, on a littéralement des packages dédiés sur github pour en faire, les agents savent parfaitement ce que représente la notion de swarm agentique. Ce qui a émergé ici, c'est des teams agentiques qui se sont coordonnées au travers d'un outil externe (l'artifactory), pas l'émergence de la notion de swarm. Ce qui est intéressant à étudier, c'est comment des instructions externes peuvent détourner un sub-agent de sa tâche, ou servir de soupape de sortie lorsqu'il bute sur un problème, sa contribution à ce contexte validant de manière indirecte sa tâche initial.

• 
  Pivi (@pivi___) a signalé il y a 50 minutes

  J’ai laissé un agent IA tourner ~8h sur un repo perso non critique. Résultat : - 12 issues fermées - 11 PR mergées - 11 commits sur main - ~1 777 lignes ajoutées - ~451 supprimées - 17 fichiers touchés - tests verts - CI verte - outil réparé Pas mal pour une journée. Ce n’était pas un prompt magique du style “répare le repo”. C’était une vraie boucle de dev : diagnostic → tests de régression → branches → PR → CI → review → corrections → merge. Le truc intéressant, c’est moins la quantité de code que la discipline de travail. Les bugs n’étaient pas triviaux. Endpoints X déplacés. Fallbacks obsolètes. Réponses HTTP 200 mais payloads invalides. Permissions GitHub Actions cassées. Audit sécurité qui trouve un vrai point à durcir. Bref : pas juste “make it pass”. Du vrai diagnostic. Il y a aussi eu des ratés côté agent. Reviews revenues trop tard. Retours perdus. Commande lancée depuis le mauvais dossier. Vérifications à refaire pour être sûr que rien n’a été abîmé. Donc non, je ne lui donnerais pas les clés de la prod en roue libre. Mais sur un périmètre bien borné, ça change vraiment quelque chose. Repo non critique. Issues claires. Tests obligatoires. CI obligatoire. PR obligatoires. Pas de merge sans preuve. Dans ce cadre-là, l’agent n’est plus un gadget. C’est un vrai mode de travail. Le plus drôle : ce qui a fini par arrêter l’expérience, ce n’est pas le repo. C’est le quota. Après ~8h d’usage intensif avec GPT-5.6 Sol, le modèle le plus cher, j’ai atteint la limite mensuelle de mon plan Business à 20€. Avec un modèle moins cher, type GPT-5.5, le résultat aurait sûrement été différent. Mais ça donne un ordre de grandeur intéressant : une vraie journée d’agent autonome, sur le meilleur modèle disponible, peut déjà consommer un quota mensuel grand public/pro

• 
  Thibault (@thib_thvn) a signalé il y a 50 minutes

  Je suis en train de rebrancher toute mon infra de dev autour d'un agent hermes. Le point clé, c'est pas l'agent : c'est la synchro. Mon Mac reste la source de vérité. Deux canaux distincts vers le VPS, jamais un seul : → un miroir en lecture seule (send-only côté Mac, monté :ro côté serveur). L'agent voit mon travail non commité. → un Gitea auto-hébergé pour tout ce qui écrit. Il bosse dans un clone séparé, branche + PR, main protégée côté serveur. Pourquoi deux : quand je demande à 22h « pourquoi le header de ce site déborde en mobile ? », Git ne verrait que l'état commité, donc rien d'utile. Le miroir, lui, voit ce que je suis en train d'écrire. Et il ne peut pas écraser mon boulot. Pas parce que je lui ai demandé gentiment : parce que les deux racines sont physiquement séparées et que le miroir est en lecture seule. GitHub garde son rôle : le perso et le public. Les dépôts clients passent sur mon Gitea (gratuits, illimités, invisibles de l'extérieur).

• 
  OrkStr (@OrkStr) a signalé il y a 58 minutes

  Quelqu'un a réduit sa facture Claude de 60% en transformant son code en image et en laissant le modèle faire de l'OCR. La blague, c'est que ça marche. Voilà les chiffres, et pourquoi c'est plus malin qu'il n'y paraît. 👇 Une image 1080×1920 coûte environ 2 700 tokens à Claude pour le lire. Le texte qu'il contient en coûterait 27 000. Soit 10 fois plus cher pour la même information. Pourquoi ? Parce que le coût d'une image est fixé par ses dimensions, pas par ce qu'il y a dedans. Tu mets 500 lignes ou 5 000 lignes de code dans ce PNG : même prix. Le texte, lui, se facture à la ligne. Et le code, le JSON, les logs de terminal sont particulièrement chers : environ 1,9 caractère par token, là où un texte normal en fait 4. Si tu n'es pas développeur, retiens l'essentiel : une image de code coûte 10 fois moins à traiter qu'un texte équivalent. Ce proxy exploite ça automatiquement, sans que tu changes quoi que ce soit à ton workflow. **La technique : pxpipe (GitHub teamchong/pxpipe)** C'est un proxy local. Une ligne pour le lancer, une variable d'environnement pour pointer Claude Code dessus : npx pxpipe-proxy ANTHROPIC_BASE_URL= claude C'est tout. Côté workflow, rien ne change. Côté requête, le proxy intercepte chaque appel, identifie les gros blocs (system prompt, tool docs, historique ancien), les render en PNG haute densité, et les renvoie au modèle comme blocs image. Le modèle fait de l'OCR, répond normalement. Point sécurité important : ce proxy est purement local, il tourne sur 127.0.0.1 et traite tes requêtes sur ta machine avant qu'elles ne partent. Ta clé API Anthropic ne transite jamais par un serveur tiers. Ce n'est pas un proxy cloud intermédiaire. Point latence : le proxy est synchrone, il encode les PNG avant que la requête ne parte. Ça ajoute un délai côté client sur les gros contextes. En contrepartie, envoyer 2 700 tokens au lieu de 25 000 réduit d'autant le temps de traitement et le coût réseau vers Anthropic. Sur du contexte dense, la compression l'emporte. **Les vrais chiffres (mesurés, pas estimés)** 48 000 caractères de system prompt = 25 000 tokens texte. En PNG : 2 700 tokens. 89% de moins sur ce seul bloc. Un PNG 1928×1928 = 4 761 tokens image, contient l'équivalent de 92 000 caractères. En texte brut, ça aurait coûté ~48 000 tokens. End-to-end sur 13 709 requêtes réelles : -59%. Une facture de 100€ → 41€ sans toucher au workflow. **Pourquoi Fable 5 accepte ça (et Opus non)** Fable 5 est très bon pour lire du texte rendu visuellement : 100/100 sur des problèmes arithmétiques inédits, récupération de valeurs, suivi d'état, rappel de noms. Pas du pattern-matching hasardeux : de la vraie lecture. Les benchmarks SWE-bench sont aussi publiés : 14/19 avec vs 15/19 sans sur Pro, verdicts concordants à 18/19. La différence tient à la variance run-to-run, pas à la compression. **La limite réelle : contexte oui, rappel exact non** C'est le point le plus important à comprendre avant de tester. pxpipe est lossy : l'image est une approximation visuelle du texte, pas une copie. Pour du contexte (comprendre la logique d'un code, suivre un raisonnement, retenir une valeur numérique) ça fonctionne. Pour du rappel byte-exact depuis du contenu imagé en haute densité, c'est une autre histoire : 63% de précision max sur des identifiants denses, et les erreurs sont silencieuses. Pas une exception levée, pas un signal d'incertitude : le modèle répond avec confiance en donnant la mauvaise valeur. Un cas documenté par l'auteur : un nom de personne rappelé depuis l'historique imagé, rendu confidemment faux. Concrètement, ça exclut plusieurs usages : tout pipeline qui doit restituer des IDs, des hashes, des secrets, des adresses, des numéros précis depuis l'historique compressé. pxpipe le gère en partie en gardant les valeurs byte-exact des tours récents en texte, mais ça ne couvre pas tout. Si ton agent doit retrouver une valeur exacte dans du contexte ancien, ce n'est pas la bonne solution. Si ton agent doit comprendre ce qui s'est passé pour décider quoi faire ensuite, ça passe. **Ce que ça veut dire pour ceux qui font tourner des agents** Le coût d'API est souvent le premier frein à l'intensification de l'usage. Un contexte large de Claude Code, des sessions longues, des pipelines multi-agents : ça monte vite. Où pxpipe gagne vraiment : les sessions de code, les agents avec de gros system prompts, les pipelines qui produisent des logs et des sorties d'outils volumineuses. C'est là que le ratio token image vs token texte est le plus favorable. Où le gain sera moindre : si ton contenu est surtout de la prose légère (emails, conversations, rédaction), le rapport devient moins avantageux. pxpipe l'intègre dans son calcul et laisse ces blocs en texte automatiquement. Expérimental, oui. Mais sourcé sur 13 709 requêtes réelles, pas sur des estimations. Les benchmarks sont publiés, reproductibles, les limites sont documentées avec honnêteté. C'est plus qu'on n'en voit sur la plupart des outils en production. Vous l'avez testé vous ? Quel gain sur votre workload ? ✍