J'ai essayé de reproduire la page du site officiel de Cursor et je me suis senti découragé, alors je suis revenu voir Agent.
https://01.me/2025/12/silicon-valley-ai-insights-2025/
Dans la partie sur l'efficacité du coding IA, le développement quotidien dans les grandes boîtes m'a fait sourire : le temps passé à vraiment écrire du code est très limité, seulement 15 %. Je n'aime vraiment pas ça.
Research Code peut servir à écrire des agents, des scripts, etc.
Le code d'infrastructure, y compris le noyau Linux et les protocoles de consensus, ne marche pas très bien.
La bonne pratique du vibe coding, c'est de découper : générer le moins de code possible à chaque fois.
Il y a aussi le TDD, le développement piloté par les tests. Honnêtement, je trouve ça un peu plus fiable que le développement à la Ralph…
Le spec est très important pour les gros refactoring. J'ai même vu un article qui écrivait un système de fichiers du noyau Linux à partir d'un spec… je ne sais pas quel en est le résultat.
Un evaluation system rigoureux, c'est aussi un processus d'accumulation de données de code. Tout le monde sait maintenant que les données sont importantes ; chaque entreprise construit ses datasets.
Ce qu'on apprend sur les géants de la Silicon Valley est vraiment instructif.
Les enseignements sur les startups me semblent aussi très utiles. En fait, une startup doit trouver sa niche dans l'industrie : elle ne peut pas faire du généraliste, car les grandes entreprises le font déjà ; il faut trouver un vertical très spécifique.
Je pense qu'il ne faut jamais se couper de la pratique de l'ingénierie. Ce n'est qu'en essayant de ses propres mains qu'on obtient la sensation la plus authentique d'un travail — que ce soit le vibe coding ou l'entraînement de modèles. Pas d'ouï-dire : il faut essayer soi-même.
Pratique technique
Framework de Context Engineering
- System Prompt
- Tools
- Data Retrieval
- Long Horizon Optimizations (optimisation des tâches longues)
Le changement de paradigme du Data-Retrieval
La nouvelle méthode est le chargement just in time
- Stratégie 1 : identifiants légers
- Divulgation progressive
- Exploration autonome
Tous les modèles voient leurs performances baisser sur les longs contextes
Solutions quand la capacité de la context window est dépassée
- Compression du contexte
- L'agent maintient des artefacts de mémoire explicites qui stockent des « notes de travail » : décisions, apprentissages, état. Récupérés à la demande, au lieu d'être conservés dans le contexte
- Sub-Agent. Décomposer les tâches complexes en agents spécialisés, chaque Sub-Agent ayant un contexte ciblé, clair et étroit. Le main agent orchestre et synthétise les résultats
Le fonctionnement du mécanisme Skills
Claude peut les découvrir et les charger dynamiquement
pdf/SKILL.md (主文件)
├── YAML Frontmatter (name, description)
├── Overview (概述)
└── References: "For advanced features, see /reference.md"
pdf/reference.md (详细参考)
└── Advanced PDF processing features...
pdf/forms.md (专门功能)
└── PDF form filling instructions...- Memory (mémoire)
- Sub Agents & Collaboration (sous-agents et collaboration)
- Dynamic Tool Calls (appels d'outils dynamiques)
- Code Generation & Execution (génération et exécution de code)
- Web Search (recherche web)
- Agentic Search (recherche agentique)
- Long Running Tasks (tâches de longue durée)