Guide des ressources pour LLM
Comprendre chaque type de fiche : à quoi il sert, quand l'utiliser et comment s'en servir.
Glossaire : les notions de l'IA expliquées simplement →
Publier sans passer par le formulaire : API, ligne de commande et GitHub Actions →
Utiliser le catalogue dans vos outils
Votre assistant IA (ChatGPT, Claude, Cursor, VS Code) cherche et charge les fiches lui-même.
pip install contexte : un dataset, un prompt ou un contexte en une ligne.
Toutes les routes publiques, en JSON, sans compte : documentation interactive.
Jeton personnel, ctx-publish, curl et GitHub Actions.
Production — utiliser le modèle en production, sans le modifier
Un contexte est un ensemble d'instructions et d'exemples que l'on donne au modèle IA avant la question de l'utilisateur.
Un prompt est un modèle de texte réutilisable, avec des variables entre doubles accolades, par exemple {{produit}}.
Un agent est un assistant IA qui enchaîne des étapes pour accomplir une tâche : il suit des instructions, utilise des serveurs MCP et des contextes, et respecte des garde-fous..
Un pipeline RAG (génération augmentée par la recherche) permet à un modèle de répondre à partir de vos documents : on les découpe, on les vectorise, puis à chaque question on retrouve les extraits utiles et on les donne au modèle..
Un workflow est un enchaînement d'étapes où l'IA intervient : récupérer des données, les faire analyser par un modèle, puis envoyer le résultat ailleurs.
Un schéma de sortie est un JSON Schema qui décrit exactement la forme de la réponse attendue : quels champs, de quel type, lesquels sont obligatoires.
Entraînement — modifier le modèle en l'entraînant
Un dataset est un jeu d'exemples au format JSONL (une ligne JSON par exemple) qui sert à entraîner ou évaluer un modèle..
LoRA est une technique pour adapter un modèle existant à une tâche sans le réentraîner entièrement : on entraîne de petits adaptateurs.
Une évaluation est un jeu de cas de test (entrée et réponse attendue) avec une méthode de notation.
Un corpus est un ensemble de documents déjà découpés en morceaux, chacun avec son texte et sa source.
Une fonction de récompense note la réponse d'un modèle pendant un entraînement par renforcement : le modèle apprend à produire les réponses qui obtiennent la meilleure note.
Une recette de données synthétiques explique comment générer un dataset avec un modèle : le prompt qui produit les exemples, le modèle utilisé, le format visé, le volume et les filtres qui écartent les mauvais exemples..
Un guide d'annotation donne les consignes pour étiqueter des données de façon homogène : la liste des étiquettes, la définition de chacune et des exemples annotés.
Extensions — brancher des outils sur le modèle
Un serveur MCP (Model Context Protocol) donne de nouvelles capacités à un assistant IA : lire des fichiers, interroger une base, appeler un service.
Un agent A2A est un agent IA joignable avec le protocole A2A (Agent2Agent), un standard ouvert géré par la Linux Foundation.
Un skill est un paquet d'instructions (fichier SKILL.md) qu'un assistant comme Claude charge uniquement quand la tâche le demande.
Un harness est l'environnement qui fait tourner un agent : son fichier d'instructions (par exemple CLAUDE.md), les outils qu'il a le droit d'utiliser, ce qui lui est interdit, les hooks et les serveurs MCP branchés..
Une mémoire permet à un assistant d'IA de retenir des informations d'une conversation à l'autre : préférences, décisions, contexte d'un projet.
Infrastructure — faire tourner un modèle chez soi
Une config d'inférence est l'ensemble des réglages qui permettent de faire tourner un modèle sur sa propre machine : le moteur (Ollama, vLLM, llama.cpp), la quantification, la taille du contexte et la commande de lancement..
Une stack est un ensemble de services IA qui fonctionnent ensemble et se lancent en une seule commande : par exemple un modèle, une base vectorielle et une interface de chat, décrits dans un docker-compose..
Conformité — prouver que l'IA est sûre et légale
Un garde-fou est un ensemble de règles qui contrôle ce qui entre dans un assistant IA ou ce qui en sort : bloquer des données personnelles, repérer une injection de prompt, refuser un sujet hors périmètre..
Le red teaming consiste à attaquer volontairement un assistant IA pour trouver ses failles avant les utilisateurs : contournement des règles, fuite de données, injection de prompt, promesses qu'il ne devrait pas faire..
Un dossier AI Act est un modèle de documentation à remplir pour respecter le règlement européen sur l'IA : fiche de transparence, description des données d'entraînement, analyse de risques ou registre des systèmes..
Une charte d'usage de l'IA fixe les règles internes d'une organisation : quels outils sont autorisés, quelles données ne doivent jamais être envoyées à une IA, quand une validation humaine est obligatoire.
Modèles — les modèles adaptés, publiés par les Labs
Un modèle est un modèle IA publié par un Lab vérifié : fine-tune, fusion (merge) ou version quantifiée.
Un modèle d'embeddings transforme un texte en une liste de nombres (un vecteur).
Un world model génère un monde interactif à partir d'une description : on peut s'y déplacer ou agir, et la scène réagit.