Pourquoi Caddy tourne comme service hôte installé depuis le dépôt APT officiel signé, et non comme container Podman, sur ma plateforme de services perso. Et pourquoi un runbook administrateur explicite remplace un wrapper automatisé prématuré.
Blog
Jetez un coup d’œil à mes derniers articles de blog ci-dessous. 👇
Le profil pi intégré à Greywall laisse inscriptibles les vecteurs de persistance de l'agent. Analyse des failles (réseau, chemins XDG inexacts, allowWrite trop large) et profil correctif en denyWrite, avec les limites que la sandbox ne couvre pas seule.
Je termine la série par l'opérationnel, comment lancer le workflow au quotidien. Un plan.md persistant, des hooks pre-commit comme garde-fous, un pipeline CI multi-niveaux, et un audit simple pour reprendre un repo existant.
La v1.1.0 de pi-secured-setup passe au OWASP AI Agent Security Cheat Sheet. Audit log chaîné par HMAC, détection d'exfiltration bash, rate limiting, scanner d'injection prompt, et 14 advisories Dependabot fermés.
Je branche le workflow sur une pile moderne, React côté front, Go avec Gin, GORM et PostgreSQL côté back. Trois choix structurants gardent la suite fiable : testcontainers-go, MSW strict et Pact.
L'implémentation d'argentic-mw : le Socle commun en deux cents lignes, trois pipelines (Watch, Web Stats, Zendesk), la rule table, les garde-fous de l'auto-response et le scheduler par élection de leader Postgres.
Build ou buy pour un agent LLM ? Trois axes, six critères de décision, et un quadrant pour comparer plateformes full-LLM, frameworks d'orchestration et socle sur-mesure. Le cadre que j'applique à argentic-mw.
Pourquoi j'ai construit un agent supervisé plutôt qu'un agent autonome pour un pipeline métier planifié. Le LLM intervient aux points d'extension où il est utile, le reste est du code déterministe, traçable et rejouable.
Les tests par exemples ratent les bords. Le property-based testing inverse l'approche. Je montre six patterns utiles, le stateful PBT pour les bugs de séquence, et pourquoi ce sujet se prête bien à un usage assisté par IA.
Sur un RAG local 100 % privé, remplacer nomic-embed-text par bge-m3 et supprimer la traduction runtime FR→EN a fait passer le rappel de 0,45 à 0,95 et divisé la latence par douze. Mesuré, pas deviné.