Répertoire

Guides

Comprenez les concepts essentiels et choisissez une approche adaptée à votre projet.

AI SDK : choisir entre generateText, streamText et ToolLoopAgent

Choisir la bonne abstraction de l’AI SDK pour une génération ponctuelle, une interface en streaming ou une boucle d’agent avec outils.

Comprendre quand utiliser un agent, un outil ou un workflow Mastra, et structurer une application TypeScript observable et testable.

Choisir l’abstraction Agno adaptée à une tâche autonome, une collaboration de spécialistes ou un processus métier déterministe.

Comprendre quand remplacer l’ajustement manuel des prompts par des programmes DSPy mesurés sur un jeu d’exemples.

Comparer les trois frameworks selon pipelines, orchestration, couche de données, agents, exploitation et coût de maintenance.

Évaluer Semantic Kernel pour intégrer modèles, plugins, agents et processus dans des applications .NET, Python ou Java.

Choisir entre agent autonome et workflow explicite selon la nature de la tâche, le contrôle, l’état et les validations humaines.

Évaluer AutoGen aujourd’hui selon ses API, équipes multi-agents, état, terminaison, observabilité et coût de migration.

Comparer Mem0 managé et auto-hébergé selon données, exploitation, personnalisation, sécurité et coût total.

Comparer RAGFlow, LangChain et LlamaIndex selon le niveau d’abstraction, l’ingestion, l’orchestration et l’exploitation.

Comprendre le rôle des documents, nœuds, index et retrievers dans LlamaIndex, puis concevoir une récupération pertinente et évaluable.

Comprendre comment la mémoire KV, PagedAttention et le batching continu améliorent débit et latence lors du service de modèles de langage.

Comparer vLLM, Ollama et Hugging Face TGI selon le développement local, le débit en production, l’exploitation et la pérennité.

Décider si un fine-tuning est justifié, ou si prompt, RAG, exemples et API suffisent pour améliorer une application IA.

Comprendre pourquoi les modèles lisent des tokens plutôt que des mots, et éviter les erreurs de coût, de contexte et de prétraitement.

Comparer CPU et GPU avec Ollama selon modèle, quantification, contexte, mémoire, latence et nombre d’utilisateurs.

Comparer Ollama et une API de modèle selon confidentialité, qualité, matériel, coût, latence et exploitation.

Sélectionner un modèle local selon la tâche, la mémoire disponible, la qualité, le contexte et le débit attendu.

Choisir entre JavaScript et TypeScript selon taille du projet, équipe, outillage, validation runtime, migration et maintenance.