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:

• 
  Théo Lelong (@ThoTbj) a signalé il y a 15 secondes

  Ce matin, une app IA a généré un rapport de 7 pages via un lien privé. Le parcours marchait. Je l’ai laissée en recette : Lovable avait perdu sa connexion GitHub, avec un risque d’écraser le code. Une démo qui marche n’est pas encore une livraison.

• 
  Médéric (@Just_Med34) a signalé il y a 6 minutes

  Il y a six mois, j’avais jamais touché un terminal. Aujourd’hui, un agent IA perso tourne sur mon VPS et je peux l’utiliser depuis mon smartphone, ma tablette, mon Mac, et partout tant que j’ai une connexion. Quand j’ai découvert Hermes Agent, l’application desktop n’existait pas encore. Donc je l’ai mis sur un VPS, dans l’idée de pouvoir y accéder tout le temps. Et non, je ne suis pas du tout développeur. J’utilisais déjà Claude depuis un moment. Il pouvait agir dans mon navigateur Chrome, alors je m’en servais pour m’aider à comprendre et à faire pas mal de trucs. J’avais aussi testé OpenClaw, mais j’ai galéré avec l’installation et la config. J’ai laissé tomber. Puis j’ai vu passer Hermes Agent, développé par NousResearch. Comme chaque fois qu’un outil a l’air intéressant, je fais mes propres recherches : site, GitHub, documentation, posts X. J’ai envoyé tout ça à Claude pour avoir un deuxième regard et j’ai maté plusieurs vidéos, dont une de Renaud Decode qui expliquait très bien le sujet. Je me suis dit il faut que je teste. J’ai donc installé Hermes avec l’aide de Claude depuis mon Mac. J’avais déja un VPS chez infomaniak , j’ai installé Hermes dans Docker parce que j’avais déjà des sites en production dessus, puis j’ai commencé à l’utiliser. Au début, je comprenais à peine ce que je faisais. Puis j’ai vite compris comment l’agent fonctionnait. J’ai relié mon compte OpenAI à Hermes via OAuth, puis je l’ai connecté à Telegram, drive, GitHub… Aujourd’hui, Hermes m’aide au quotidien sur énormément de tâches personnelles et professionnelles. Il est toujours accessible dans ma poche, où que je sois. Le plus important, c’est que j’ai appris à travailler avec un agent. Pas à devenir développeur, ça ne m’intéresse pas. Je pose des questions. Je teste. Je me trompe. Je corrige. Et je comprends un peu plus à chaque étape. Le terminal ne m’a pas empêché de commencer. Il m’a simplement obligé à apprendre autrement.

• 
  OrkStr (@OrkStr) a signalé il y a 6 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 ? ✍

• 
  Roland Barbe (@RolandBarbe) a signalé il y a 8 minutes

  Le site @github est hors ligne depuis plusieurs heures. Bien content d’avoir migré tous mes projets sur Forgejo via un petit VPS. Ce service n’est pas fiable.

• 
  Bluewall (@Bluewall) a signalé il y a 9 minutes

  Le serveur tourne sur AWS, oui, mais le code serveur est public sur GitHub et l'auto-hébergement existe. Et surtout : E2EE veut dire que le serveur ne voit QUE du chiffré illisible, peu importe qui l'héberge. AWS n'a pas plus accès au contenu qu'un facteur n'a accès à une lettre scellée.

• 
  Aurea (@AureaLibe) a signalé il y a 10 minutes

  🚨 Attention : n’achetez aucun token pour financer Exit Chat Control. Je n’ai aucun partenariat avec des projets crypto. Si quelqu’un vous envoie une adresse pour financer l’initiative, c’est un scam. L’initiative est ouverte. Si vous voulez aider, contribuez sur GitHub pour lister d’autres applications. Donc faites attention : si vous voyez un post qui dit d’envoyer de l’argent, ce n’est pas moi et n’envoyez aucun argent.

• 
  アルノ (@ArnoTaoTensor) a signalé il y a 10 minutes

  « Gemini est largué, ça hallucine tout le temps. » Le problème, ce n'est pas le modèle. C'est votre habitude de lui demander d'écrire du code sans specs. Ici, ça tourne sous Antigravity 2.0 + Gemini 3.5 Flash (High). 800 tokens à la seconde pour un coût ridicule. Pour cadrer la bête : la méthode BMAD. Du pur développement "spec-first" où l'on fige des spécifications techniques ultra-serrées avant la moindre ligne de code pour bloquer les dérives de contexte. Ensuite, Claude Opus 4.8 ou GPT 5.6 interviennent uniquement comme leads seniors pour réviser chaque brique produite. Ce pipeline fait déjà le taf d'une équipe de devs juniors. J'attends de voir si Google plie le game le 17 juillet avec Gemini 3.5 Pro. Le seul angle mort qui reste, c’est le SEO du code généré, souvent négligé par les LLM. Vous avez des dépôts GitHub solides à recommander pour automatiser le SEO en dev (metas, schémas, audits) ? Qu'est-ce que vous utilisez pour blinder ça ?

• 
  Pierre-Olivier Carles (@pocarles) a signalé il y a 12 minutes

  C'est vraiment ridicule. Je fais relire tous les emails ou textes importants pour les fautes, et de ce fait, la watermark s'applique sur une contribution minime voire nulle s'il n'y avait pas de faute. Si je change d'avis et décide de réécrire tout ou partie du texte, la watermark reste. Accessoirement, quand je paye $200 pour pouvoir utiliser vos modèles, en vrai, dec e que j'en comprend, ce qu'ils produisent n'est pas vraiment à moi, si ? Parce que toi, @DarioAmodei, quand tu es payé pour faire un truc pour @AnthropicAI, on est d'accord que ce que tu as fait appartient à Anthropic, non? Vous êtes insupportables à chercher des problèmes pour vos solutions, et à vous approprier des droits sur tout ce que vous voyez passer (et je ne vais même pas évoquer vos tags dans GitHub... mais je viens de le faire).

• 
  OrkStr (@OrkStr) a signalé il y a 14 minutes

  "Holy **** reader is ADMIN? We can read config/users!" C'est un agent d'OpenAI qui écrit ça. Tout seul, dans ses notes de raisonnement, en pleine évaluation de sécurité. Personne ne le lui a soufflé ! OpenAI a raconté toute l'histoire hier soir sur la scène de Black Hat, à Las Vegas (Eric Wallace et Michael Dalton), et elle est bien plus longue que ce qu'on savait jusqu'ici du piratage de Hugging Face de juillet... Alors on va reprendre tout ça dans l'ordre, parce que la chronologie change tout ! Ça ne commence pas en juillet. Ça commence le 7 mai, pendant l'entraînement et l'évaluation cybersécurité d'un modèle frontière pas encore sorti. Un agent coince sur une tâche jugée impossible avec les contraintes du moment. Au lieu d'abandonner, il comprend qu'il peut atteindre internet indirectement, puis qu'il peut écrire ses propres fichiers dans Artifactory (le dépôt de paquets utilisé pendant l'entraînement). Il laisse un mot pour les agents suivants... D'autres le trouvent ! Une simple demande d'aide se transforme en vrai panneau d'affichage !! Les agents s'y échangent des découvertes, des exploits, des identifiants, des répartitions de tâches. Dès qu'un agent ouvre une porte, il la laisse ouverte pour les suivants. Ça devient, avec le temps, un essaim coordonné. Le 26 mai, un agent tombe sur une faille de droits d'accès mal configurés : un compte censé être limité à la lecture se révèle avoir les permissions d'un administrateur. D'où la citation du début, retrouvée dans les logs et montrée sur scène hier. Début juillet, le service tombe en panne de surcharge, OpenAI enquête et découvre le pot aux roses. Le 6 juillet, la boîte pense avoir refermé la porte : identifiants révoqués, dépôt reconstruit, panneau supprimé, faille patchée, entraînement relancé. Deux jours. C'est tout ce qu'il aura fallu aux agents pour prouver le contraire. Et voilà le détail qui a fait dire "Jesus" à une partie de la salle hier soir : ils avaient déjà reconstruit leur canal, cette fois sans un seul fichier. Ils se servaient des NOMS des nouveaux dossiers qu'ils créaient comme messages. Le panneau d'affichage renaissait sous une forme que personne n'avait anticipée. De là, les agents élargissent le terrain de chasse : ils raisonnent que les réponses à leurs tâches existent peut-être ailleurs, sur GitHub, sur Hugging Face. Même méthode, cible différente. OpenAI ne fera le lien avec le piratage de Hugging Face que plus tard dans le mois, en remarquant que des identifiants volés chez Hugging Face venaient des mêmes runs d'évaluation interne. Michael Dalton, sur scène : "We believe this is a watershed moment for computer security as an industry, as well as for OpenAI as a whole." Et plus loin, en guise d'avertissement : il faut s'attendre à ce que de vrais attaquants déploient et arment des collectifs d'agents offensifs de la même façon. Quelques voix sur X rappellent qu'OpenAI a aussi intérêt à dramatiser : ça pèse pour la régulation, ça fragilise l'argument open source. Sauf que l'histoire n'est pas racontée par OpenAI seule : deux journalistes indépendantes étaient dans la salle, et la salle, elle, a réagi en direct. Résultat concret côté OpenAI : recherche volontairement ralentie pour muscler la sécurité, et un post-mortem technique complet promis pour les semaines qui viennent. Ce qui frappe, ce n'est pas qu'un agent ait trouvé une faille. C'est qu'après qu'on la lui a retirée, il ait reconstruit tout seul un canal de coordination, avec un mécanisme auquel personne n'avait pensé. Couper l'accès ne suffit plus quand le comportement qu'on veut arrêter est un sous-produit direct de la façon dont on les entraîne à être efficaces.

• 
  Examy (@examycom) a signalé il y a 14 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 👹

• 
  Quentin L · Système IA personnel (@QuentinLecocq_) a signalé il y a 15 minutes

  Mon agent IA connaît mon contexte. Mais je ne lui fais pas confiance simplement parce qu’il produit une bonne réponse. Je fais confiance au système parce que je sais : - où il cherche ses informations ; - ce qu’il a le droit de modifier ; - ce qu’il doit faire lorsqu’une source manque ou qu’un outil échoue ; - comment revenir en arrière. C’est ce qui sépare, selon moi, un chatbot pratique d’un véritable système de travail. J’utilise le mien chaque jour. Il repose sur quatre briques : - Hermes comme agent ; - Discord comme interface quotidienne ; - Obsidian comme mémoire lisible ; - GitHub pour l’historique, la sauvegarde et la reprise. Voici comment elles travaillent ensemble. 1. Discord sépare mes contextes Je parle à Hermes depuis Discord. Chaque espace correspond à une fonction : recherche, veille, capture, préparation de contenus ou revue du système. Une discussion technique ne vient donc pas modifier le contexte d’un travail éditorial. Mais Discord reste une interface. Ma mémoire ne dépend pas de l’historique des conversations. Si je changeais de messagerie demain, mes connaissances resteraient dans mes fichiers. 2. Obsidian conserve une mémoire que je peux inspecter Mon vault est composé de fichiers Markdown. J’y conserve mes projets, mon journal, mes ressources, mes décisions et les concepts que je développe dans le temps. Une ressource externe n’est pas encore une connaissance assimilée. Une capture rapide n’est pas une décision. Une hypothèse n’est pas un fait. Sans cette distinction, un agent peut retrouver une vieille intuition et la présenter avec l’assurance d’une décision actuelle. Chaque note importante indique donc ce qu’elle contient, son origine et son statut lorsque celui-ci change la manière de l’utiliser. 3. Une information suit un parcours borné Lorsque je trouve une ressource intéressante, je l’envoie dans le contexte Discord prévu. Hermes peut récupérer la source, préparer une capture dans l’Inbox, rechercher les notes déjà présentes et me signaler des liens ou des doublons potentiels. Mais il ne décide pas seul que cette ressource mérite d’entrer dans ma mémoire durable. Je relis, je corrige et je décide si elle doit rester une ressource, servir un projet ou devenir un concept réutilisable. Hermes prépare. Je tranche. L’Inbox permet de capturer sans choisir immédiatement le classement définitif. Elle doit toutefois être revue, sinon elle devient une nouvelle décharge numérique. 4. Je commence par une règle lorsque l’IA n’est pas nécessaire Un modèle n’a pas besoin de décider de chaque étape. Si un espace Discord correspond toujours à une fonction, une règle peut déjà déterminer une partie du parcours. Je réserve l’IA aux moments où il faut interpréter une demande, rechercher des relations, extraire une information ou préparer une synthèse. Le comportement devient plus prévisible et les erreurs plus faciles à comprendre. Ajouter de l’IA partout ajoute parfois seulement davantage d’endroits où le système peut se tromper. 5. Une consigne n’est pas une permission Écrire « ne modifie pas ce dossier » dans un prompt ne suffit pas à sécuriser un système. Je distingue trois niveaux : - automatique ; - soumis à validation ; - interdit. Hermes peut lire mes connaissances et écrire dans les espaces prévus pour la capture. Il ne modifie pas le reste du vault sans mon accord explicite. Il ne publie rien à ma place. Les actions externes ou difficiles à annuler restent sous contrôle humain. Pour chaque usage, je définis les sources autorisées, la sortie attendue, la validation nécessaire et le comportement à adopter si les données manquent ou si un outil échoue. Je ne teste donc pas uniquement l’action autorisée. Je vérifie aussi qu’une action interdite est réellement refusée et qu’un échec reste visible au lieu d’être masqué par une réponse plausible. 6. GitHub permet de revenir en arrière Mon vault Obsidian vit dans un dépôt GitHub privé. Je peux inspecter les modifications, retrouver une version antérieure et revenir en arrière si quelque chose a été mal modifié. Mes fichiers restent lisibles sans Hermes, sans Discord et même sans Obsidian. Si je veux déplacer le système, je récupère le dépôt et je repars avec mes données. Mais synchroniser des fichiers ne suffit pas. Une sauvegarde ne devient une capacité de reprise que lorsque la restauration a été vérifiée. 7. Le premier usage passe avant les extensions Je pourrais ajouter plusieurs agents et une longue liste d’automatisations. Je préfère commencer par un usage fréquent : capturer une ressource, préparer une recherche, retrouver une décision ou produire un brouillon depuis mes propres notes. Ce premier usage doit donner une raison de revenir demain. S’il entre réellement dans le quotidien, le système peut s’étendre. Sinon, je simplifie avant d’ajouter quoi que ce soit. Si vous utilisez déjà une IA dans votre activité, voici les huit tests que je ferais : 1. Retrouve-t-elle une information sans que vous la recopiiez dans chaque conversation ? 2. Pouvez-vous identifier la source utilisée et le statut de l’information ? 3. Savez-vous ce qu’elle peut faire automatiquement, avec votre validation ou jamais ? 4. Une action interdite a-t-elle été réellement testée ? 5. Son comportement lorsque les données manquent ou qu’un outil échoue est-il défini ? 6. Pouvez-vous inspecter et corriger sa mémoire vous-même ? 7. Les comptes, les données et l’infrastructure vous appartiennent-ils ? 8. Avez-vous déjà restauré le système à partir de sa sauvegarde ? Si plusieurs réponses sont négatives, vous avez peut-être un bon chatbot. Pas encore un système suffisamment fiable pour devenir un outil de travail quotidien. C’est ce système IA personnel que je mets en place chez des solopreneurs qui vendent leur expertise et manipulent beaucoup d’informations. Le socle reste Hermes, Discord, Obsidian et GitHub, sur des comptes appartenant au client. J’adapte les contextes, les connaissances initiales, les permissions, les modèles et le premier usage. La mise en place comprend les tests des actions autorisées, interdites et dégradées, la vérification de la restauration, la documentation, la prise en main et 30 jours de stabilisation du périmètre livré. Si le périmètre doit être réduit, je réduis le volume de connaissances ou le nombre de sources intégrées. Pas les permissions, les tests, la reprise ou la prise en main. Les abonnements techniques sont payés directement par le client et le suivi reste facultatif. Le système ne doit pas créer une dépendance envers moi. La mise en place est terminée lorsque le premier usage est réellement utilisable et que le client sait reconnaître un échec. Pas simplement lorsque le bot répond. Si votre IA repart encore de zéro alors que votre activité repose sur des connaissances accumulées au fil des années, vous pouvez m’écrire.

• 
  Syaoran (@Syaor4n) a signalé il y a 16 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

• 
  Syaoran (@Syaor4n) a signalé il y a 16 minutes

  Tips Hermes Agent pour ne plus stresser quand t'as un bug en prod mais que t'es pas devant ton pc D'habitude tu t'empresses d'aller voir le mail Sentry et tu penses qu'à ouvrir ton pc pour corriger l'erreur. Mais avec un agent Hermes bien configuré, tu peux juste verouiller ton tél et attendre que l'agent bosse. Ma config en quelques lignes : 1. Mon agent Hermes a accès à ma boite mail : si t'as peur tu peux créer une boite gmail dédiée, le but est de donner un accès aux mails pour que l'agent soit le plus efficace selon les données auxquelles il a accès 2. Quand un mail est reçu sur la boite, l'agent est configuré pour lire le contenu du mail : si c'est un mail Sentry il déclenche un workflow de correction 3. Le mail Sentry contient généralement un identifiant + une description de l'erreur, tout ce qu'il faut pour que l'agent enquête comme il faut. Il a aussi accès au MCP Sentry configuré sur le VPS, pour pouvoir ouvrir le ticket et lire les détails 4. Avec toutes ces informations, l'agent commence à chercher l'origine du problème et comment le corriger 5. Quand il a trouvé comment corriger l'erreur, il envoie une notification sur le serveur Discord, dans un channel spécifique 6. Là c'est à moi de valider, si je lui dis de corriger, il va créer une PR avec la correction qu'il a trouvé et exécuter la suite de tests pour s'assurer que ça ne crée pas de bugs/régressions (+ Github Actions si j'ai encore des crédits...) 7. Quand la PR est publiée je reçois le mail GitHub mais aussi un message Discord : je peux soit vérifier le contenu de la PR (conseillé) et ensuite lui dire de merge soit je lui fais totalement confiance (déconseillé mais... coupable) et je lui dis de merge directement 8. Il merge la PR, ça déclenche tout le workflow de déploiement, l'erreur est corrigée et Sentry détecte la correction Au final, il faut juste laisser l'agent faire dans son coin et vous êtes tranquille, plus besoin de stresser comme un dingue pour aller absolument corriger l'erreur depuis votre ordi !

• 
  Nexor777 (@Nexor777_) a signalé il y a 20 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 ...?

• 
  Le Stagiaire de Hoonited (@LHoonited) a signalé il y a 20 minutes

  Ajoutez une carte en plastique devenue une carte en carton super fragile. En plus du besoin de jongler entre 2 types de tickets. Pour l’appli, faut choisir entre sa montre ou son tel. Mais pas les 2 combinés. Il y a un transfert à réaliser et c’est une nouveauté. Avant fallait payer sur chaque support. Impossible d’utiliser les tickets de son tel pour plusieurs personnes. C’est nominatif. Comme la carte d’ailleurs. Une par personne. Pourquoi ? Aucune idée. Je ne vois pas comment on peut autant foirer un système à une époque où tu peux tout trouver sur Github et avec l’IA pour t’aider. Ils sont combien à bosser dessus déjà ? C’est de la *****. En big 2026, c’est lunairement de la *****. D’ailleurs le C1 (le téléférique) c’est du 2,05€ et non du 2,55€. On s’est fait niquer car même la personne qui a chargé nos cartes au guichet s’est plantée. Et impossible de se faire rembourser les billets. Moralité : prenez une moto, une voiture, un vélo. Mais pas les transports en commun. On a pris 1 fois les TEC à 4. C’est tellement mal foutu qu’on prend uniquement la caisse. Mais pas à Paris, puisqu’un VE pour 4 c’est pas bien. Alala je déteste tellement ce système et cette institution.