GitHub Carte de Panne

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:

• 
  #22 (@salah_dinnn) a signalé il y a 3 minutes

  @senaaaaa04 Attends github est en panne mais fait confiance jss majeur de promo

• 
  AD la légende (@fuji445) a signalé il y a 8 minutes

  @nadirmilleback @iFeyz2 Github par contre c’est bêtement une entreprise qui héberge un serveur Git chez elle, et qui rajoute quelques fonctionnalités en plus pour ameliorer la collaboration avec des inconnus et c’est pas les seul, il y a aussi Azure Devops, Gitlab et autres

• 
  groovy (@imsogroovy__) a signalé il y a 8 minutes

  Je viens de passer 10h de suite sur l’ordi. J’ai programmé une IA pour gérer pas mal de trucs. Je push tout sur GitHub et je ferme tout!

• 
  Mohamed Akaarir (@mohamedakaarir) a signalé il y a 10 minutes

  @iFeyz2 @bestter impossible que ça une alternative de git, ça doit etre juste une alternative de github, gitlab, et donc nouvelles maniéres de faire le CI/CD pages ...

• 
  WIDED (@gowided) a signalé il y a 16 minutes

  @MennelDev Je pense que ça passe par GitHub maintenant, OpenClaw l'a clairement démontré pourtant le mec avait fail une quarantaine de projets avant.

• 
  Orion (@orion_offi) a signalé il y a 18 minutes

  @shedclip71748 Et non ils vont pas pourrir sur GitHub vu que j'ai mon propre serveur Git 🤓

• 
  Julien Doclot (@JulienDoclot) a signalé il y a 19 minutes

  @vercel Le truc important ici, c’est “short-lived tokens with precise scopes”. Pour les agents, c’est probablement le vrai garde-fou de prod. Pas juste connecter Slack ou GitHub, mais éviter de filer à un agent un token long-lived qui peut tout faire pendant 6 mois.

• 
  Benjamin Lobet (@BenjaminLobet) a signalé il y a 20 minutes

  J'ai donc vibe codé cette app avec OpenCode et le modèle GPT-Codex, auquel j'accède via Github Copilot. Elle est gratuite, ne demande aucun login, n'a aucune pub. Elle sera également open source, tout le code sera publié sur Github.

• 
  Liberty Fox (@LibertyF0x) a signalé il y a 21 minutes

  @Sonic_urticant Le dépôt GitHub est libre, t’as le droit d’aller le lire. Je vois pas ce que ma technique a qui ne marche pas. Mon feed algo est très bien pour mon usage. Si je cherchais à faire des vues et de l’engagement à tout prix, je serais déjà pas une renarde et je ferais que des mèmes. J'ai fais un compte rendu du dépôt publié aujourd'hui.

• 
  Hentai Kamen!! ** (@UltimateHentaiK) a signalé il y a 22 minutes

  @Qyoon_FR @absurd______93 @Lalunaly_ Pour le retirer Plus besoin de passer par une installation github, juste à le brancher, le connecter à internet pour qu'il fasse les maj, et tu l'utilises comme tu veux, cassette en place ou non

• 
  Nevai (@ThisIsNevai) a signalé il y a 25 minutes

  @LurkMoarTV Oui, impossible également de connecter mon domaine à mon repo GitHub en Node.js depuis 2 jours. Le support @Hostinger est perdu : ils ne savent pas d’où vient le problème et disent qu’ils investiguent…

• 
  OrkStr (@OrkStr) a signalé il y a 28 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 ? ✍

• 
  rootedFET (@rootedFR) a signalé il y a 29 minutes

  @ilyescanor69 si il est junior sans certif ni gros bagage technique (ctf,lab personelle, github rempli) il va surement galérer le marché des juniors est bouché la cyber ne manque pas de personne elle manque de talents compétant. Si il fait de la GRC la c'est different plus simple de trouver

• 
  @JeanGuillaumeAI (@KentaArcadia) a signalé il y a 29 minutes

  @0xmaxou Bin c'est un festival sur Reddit ou git ou même sur des fils de discussions ici ou tu lis qu'une IA a fait un super site, il tombe dès que tu veux mettre une photo ou ce gars qui a payé très très cher parce que ses API étaient mal configurées et qu'elles ont toutes tourné en mode open bar les hallucinations..les empoisonnements sur moltbook,j'ai mis un agent justement pour aller voir ça bref j'imagine surtout le délire d'aller mettre "une blague" dans une librairie github dont les LLM se servent et on va bien se marrer quand ça arrivera à la surface Nan, on se prépare de belles soirées Et niveau sécurité c'est pas mal aussi les gars sont ingénieux ils passent par les agendas connectés pour faire écrire du code et le faire executer Lunaire

• 
  Affiseo - Romain Brunel (@Affiseo_) a signalé il y a 31 minutes

  La plupart des gens créent de mauvais voice samples pour leurs agents IA. Voici le process exact que j'utilise pour que mes machines produisent du contenu qui sonne vraiment comme moi. Le voice sample classique c'est ça : 'Voici un exemple de post que j'ai écrit. Inspire-toi de ce style.' L'agent produit quelque chose de correct. Générique. Il a vu le texte mais il comprend pas POURQUOI ce texte fonctionne. Quels patterns reviennent. Ce qui sonnerait incongru. Voilà comment je structure les miens. Étape 1 : des vrais posts, pas des exemples inventés. J'utilise uniquement des posts que j'ai réellement publiés et qui ont bien fonctionné. Pas des textes écrits 'pour montrer le style'. Des vrais. Publiés. Avec leur contexte : date, sujet, plateforme. Pour chaque canal minimum 5, idéalement 10+. LinkedIn, X, newsletter, scripts YouTube : fichiers séparés. Étape 2 : annoter ce qui rend chaque post distinctif. Sous chaque exemple, une section 'ce qui marche ici'. Pas des observations génériques. Des observations précises. Exemple réel dans mon fichier voice X : "(et il galère vraiment par rapport à Opus)" est une parenthèse de vécu impossible à inventer. "Y'a pas photo" est du vocabulaire pur, pas du LLM. "0 diversification" au lieu de "Zéro" parce que les chiffres en chiffres sonnent plus brut. Ces annotations apprennent à l'agent exactement où se niche la voix. Pas le ton général. Les détails spécifiques. Étape 3 : documenter les anti-patterns avec des before/after. C'est la partie que presque tout le monde saute. Montrer à l'agent ce qu'il NE doit pas faire est aussi important que montrer ce qu'il doit faire. J'ai dans mon fichier 2 colonnes : 'Ce que l'IA écrit naturellement' et 'Ce que Romain corrige'. Chaque ligne est une correction réelle faite sur un post généré. 'Du coup la panne je la vis comme une pause subie' devient 'C'est pour ça que je build toutes mes machines avec Claude Code. API propres, doc interne, et je file tout ça à mes agents.' Le closer qui résume vs le closer qui ouvre sur quelque chose de nouveau. Vu dans un contexte concret, l'agent intègre la règle bien mieux que si tu l'écris dans l'abstrait. Étape 4 : séparer par canal et par format. Mon voice X n'est pas mon voice LinkedIn. Mon voice newsletter n'est pas mon voice YouTube. Des fichiers séparés, des règles spécifiques par canal. X : flux de pensée, long form autorisé, quasi pas d'emojis, parenthèses de vécu sur les posts longs. LinkedIn : structure plus nette, CTA possible en fin, 800-1500 caractères. Newsletter : ton intime, une idée centrale par email. Un seul fichier voice pour tout ne marche pas. Le canal change trop le format. Étape 5 : le fichier est vivant, pas figé. Un cron tourne chaque semaine. Il récupère mes nouvelles vidéos YouTube, met à jour les voice samples si de nouvelles expressions sont apparues, commit le tout sur GitHub. Mon Second Cerveau grossit en même temps que mon catalogue de contenu. Si je commence à utiliser une expression nouvelle, dans quelques semaines elle est dans le fichier et mes machines l'utilisent naturellement. Le contenu que tu lis là a été produit par des machines qui tournent sur ces 5 étapes. Y'a pas photo sur la différence avec un agent qui a juste eu 'voici mon style, inspire-toi'.