Guides, comparatifs et actualités sur les outils d'IA

Le message « You've hit your session limit · resets 3:45pm » de Claude Code n'est ni une erreur ni un bug : c'est ainsi que fonctionnent les limites d'usage de l'abonnement. La référence officielle en liste quatre variantes : session (la fenêtre glissante de 5 heures), weekly (la fenêtre hebdomadaire), et Opus et Sonnet (plafonds propres à une famille de modèles) ; comme les limites de session et hebdomadaire sont communes à tous les modèles, changer de modèle ne rétablit pas l'accès. Cet article explique le sens de chaque message et l'évolution du texte depuis l'ancien « Claude usage limit reached », ce qui épuise le quota et quoi faire au moment du plafond : changer de modèle avec /model pour un plafond Opus/Sonnet, attendre la réinitialisation (automatique depuis la v2.1.234), utiliser des crédits d'usage avec /usage-credits ou basculer sur l'API à l'usage. Il montre aussi comment voir ce qu'il reste avec /usage et les messages ressemblants qui ne sont pas votre limite.

Claude Code affiche « Prompt is too long » lorsque l’entrée totale, comprenant historique, fichiers et résultats d’outils, dépasse la limite de contexte. Cet article distingue la compaction d’un historique long, la réduction d’une première entrée excessive et la résolution de la cause d’un échec de compaction, comme une erreur d’authentification. Les définitions MCP sont chargées à la demande par défaut ; l’accès à 1M dépend du modèle, de la connexion et du forfait. Le comptage de tokens et les motifs d’arrêt pour l’API directe sont également expliqués.

Quand un serveur MCP ne se connecte pas dans Claude Code, examinez ensemble le statut, le mode de connexion et les détails d’Issue. failed peut indiquer un échec de démarrage stdio, une panne de communication HTTP ou le rejet d’un en-tête fixe d’authentification. Cet article explique Connection closed, les variables d’environnement et les références non définies, la configuration et l’approbation du projet, le lancement de npx sous Windows, les journaux de débogage et les tests après reconnexion. Il explique aussi pourquoi zéro outil n’est pas forcément une erreur et pourquoi un démarrage indépendant ne garantit pas une connexion MCP réussie.

Lors de longues sessions dans Claude Code, un mot « court » suivi de balises <invoke>/<parameter> brutes peut fuir à l'écran sans que l'outil ne s'exécute. Ce n'est ni votre environnement ni votre commande : c'est un dysfonctionnement côté modèle (Opus 4.8 / 4.7). Cet article détaille le mécanisme, les deux causes racines, les idées reçues, et les correctifs côté utilisateur et côté API/SDK.

Votre compte ChatGPT ou Claude peut être suspendu sans mauvaise intention, et revenir avec un autre compte aggrave la situation. Nous avons lu en entier, au 4 octobre 2026, les conditions d'OpenAI (ChatGPT, Codex) et d'Anthropic (Claude, Claude Code) — Terms of Use, Usage Policies, Consumer Terms et Usage Policy — ainsi que leurs centres d'aide, pour présenter : les motifs de suspension que chaque entreprise publie ; ce qu'il ne faut pas faire, avec la clause de chaque cas (partage de compte, automatisation de l'interface, jailbreak, contournement d'un bannissement, Claude depuis un pays non pris en charge via VPN, distillation, revente, création de comptes en masse) ; comment la formulation d'Anthropic sur l'usage de la connexion d'un forfait personnel dans d'autres outils a changé entre février 2026 et aujourd'hui (utiliser soi-même l'Agent SDK est prévu, confier ses tokens au service d'un tiers est interdit) ; les avertissements et vérifications qui ne sont pas des violations ; la distinction entre la détention de plusieurs comptes et leur utilisation (mise à jour du 9 octobre : sélecteur officiel d'OpenAI, limite de vérification téléphonique d'Anthropic, nécessité d'une réponse précise pour le changement manuel après une limite, et différence avec le partage, la revente et le contournement d'un bannissement) ; une checklist en huit points ; et les étapes de l'appel (OpenAI : lien de l'e-mail ou openai.com/form/appeal ; Anthropic : connexion à claude.ai avec le compte banni ; avertissements : usersafety@anthropic.com).

Réentraîner une IA géante de zéro coûte trop cher, mais vous voulez l'adapter rien que pour vous ; LoRA (Low-Rank Adaptation) exauce ce vœu en gelant le modèle d'origine et en n'entraînant qu'une minuscule pièce ajoutée (un adaptateur), ramenant les paramètres entraînables à moins de 1 % du modèle d'origine. LoRA rend le fine-tuning bien moins cher et plus rapide, et il est très populaire dans la génération d'images comme Stable Diffusion. Cet article l'explique avec une analogie de la pièce rapportée. LoRA est le fer de lance du fine-tuning efficace en paramètres (PEFT) : laisser les énormes poids d'origine gelés, insérer une petite matrice ajoutée dans chaque couche, et n'entraîner que celle-ci (W = W0 + BA). Avantages : moins de 1 % de paramètres entraînables (environ 10 000 fois moins sur GPT-3 175B dans l'article original), moins de mémoire GPU (1,2 To → 350 Go dans le même cas), entraînement plus rapide et moins cher, aucune latence d'inférence une fois l'adaptateur fusionné, et le modèle oublie moins ses capacités d'origine. Son plus grand atout : des adaptateurs interchangeables. QLoRA combine la quantification, entraînant LoRA sur une base 4-bit : selon son article, un modèle 65B qui exigerait plus de 780 Go en entraînement complet 16 bits tient sur un GPU de 48 Go, et un 33B sur un GPU grand public de 24 Go. Comparé au fine-tuning complet, LoRA suffit pour la plupart des travaux.

Faire tourner un énorme modèle 70B sur un seul PC à la maison au lieu d'un rack de GPU de data center (en confiant au CPU et à la RAM ce qui ne tient pas dans un GPU grand public) est rendu possible par la quantification, qui abaisse la précision numérique des poids d'un modèle pour réduire drastiquement sa taille et sa mémoire. Alors que la distillation transfère le savoir vers un modèle distinct plus petit, la quantification allège le même modèle. Cet article l'explique avec une analogie de compression de photo. La quantification remplace les poids stockés en décimaux FP16/FP32 par des entiers INT8 (8 bits) ou INT4 (4 bits), réduisant les octets par poids (FP32=4, INT8=1, INT4=0,5) ; comme compresser une photo RAW en JPEG, on sacrifie un peu de précision pour un gros gain, et la surprise est le peu qu'on y perd. Côté mémoire, le 4-bit utilise environ un quart du FP16 : un modèle 70B passe de ~140GB à ~35GB, et un 8B en 4-bit fait ~4.5-5GB, tenant dans un GPU de milieu de gamme à 8GB de VRAM pour un usage local (la démocratisation des LLM). Côté précision, INT8 est quasiment sans perte et INT4 se dégrade, selon les rapports, sous 4% sur les tâches générales, mais la perte est plus marquée pour les maths, le code et le raisonnement difficile (cela se voit par une légère hausse de la perplexité), donc choisissez le nombre de bits selon la tâche. Principales méthodes : GPTQ (pionnier du 4-bit précis), AWQ (protège le ~1% de poids les plus importants ; sa supériorité sur GPTQ dépend de l'évaluation), GGUF (format llama.cpp/Ollama, Q2_K-Q8_0, hybride CPU+GPU, pour le local) et QLoRA (base 4-bit plus LoRA pour le fine-tuning sur GPU grand public). Cela diffère de la distillation et du fine-tuning, et les trois se combinent généralement. Pour démarrer, exécutez un modèle GGUF avec Ollama en une commande, choisissez Q4/Q8 selon la VRAM et évitez l'INT4 pour le code ou les maths exactes. La plupart des grands modèles sont livrés déjà quantifiés, il suffit de les télécharger. Garder l'intelligence, ne perdre que le poids.

Une IA énorme et très performante est intelligente mais lourde et coûteuse ; la distillation de modèles (distillation des connaissances) résout cela en transférant le savoir d'un grand modèle enseignant vers un petit modèle élève, conservant des performances proches de celles de l'enseignant pour une taille bien plus réduite et une vitesse accrue. Cet article l'explique avec une analogie enseignant-élève. La clé, ce sont les soft labels : l'entraînement ordinaire n'enseigne que « la réponse est chat » (hard label), tandis que la distillation transmet toute la distribution de probabilités de l'enseignant comme « 90 % chat, 8 % chien, 2 % renard », dont le degré d'hésitation porte une information riche ; un paramètre température adoucit les probabilités pour révéler des relations subtiles (exemple réel : la fonction de l'API d'OpenAI lancée en 2024 pour entraîner de petits modèles sur les sorties de grands modèles). Avantages : rapide et bon marché, bien plus compact avec des performances proches de l'enseignant (TinyBERT : 7,5 fois plus petit, plus de 96,8 %), fonctionne sur l'edge, idéal pour la spécialisation. Deux approches : white-box (accès complet aux poids et représentations internes, transfert plus profond ; pour vos propres modèles ou OSS) et black-box (seules les sorties/réponses d'API sont visibles ; utiliser l'API d'une autre entreprise comme enseignant peut enfreindre les conditions). Elle diffère de la quantization (compresser la précision des poids du même modèle) et du fine-tuning (poursuivre l'entraînement d'un modèle existant pour une tâche) — la distillation transfère le savoir dans un petit modèle distinct, et les trois sont combinables. La réalité juridique/ToS a été un grand sujet en 2026 : la technique est légitime, mais OpenAI, Anthropic et xAI incluent des clauses de distillation anti-concurrentielle interdisant d'utiliser les sorties pour construire des modèles concurrents. Le litige OpenAI contre DeepSeek montre que l'évaluation dépend des conditions d'API applicables, et Claude Fable 5/Mythos 5 basculent les requêtes signalées comme distillation vers un modèle Opus moins performant. Conseils : utilisez vos propres modèles ou des OSS sous licence comme enseignant, vérifiez les clauses anti-distillation et jugez si l'usage revient à développer un concurrent. Les chiffres sont cités de documents publics, à titre indicatif.

L'observabilité de l'IA rend visible ce que font réellement les LLM et les agents en production : quels outils, quelles recherches, ce qui est renvoyé, en combien de temps et à quel coût. Contrairement au monitoring classique, l'IA peut renvoyer 200 OK en 50ms et halluciner avec aplomb : la plupart des défaillances sont des problèmes de qualité, pas d'infrastructure. Trois piliers : traces, metrics, logs. On distingue observabilité (ce qui s'est passé) et évaluation (la réponse est-elle bonne), à utiliser en duo. Outils : LangSmith, Langfuse, Arize Phoenix, MLflow, AgentOps et le standard OpenTelemetry.

La suite pratique de « Qu'est-ce qu'un système multi-agents ? ». La règle centrale : construire d'abord avec un seul agent et n'ajouter des agents, au minimum, qu'après avoir atteint une limite (une étude de Google Research a trouvé toutes les configurations multi-agents 39 à 70 % moins bonnes sur une tâche strictement séquentielle, et Anthropic indique que les systèmes multi-agents consomment environ 15 fois plus de tokens qu'un chat). La forme de base est le pattern supervisor : sous-agents dans le Claude Agent SDK, agents as tools dans l'OpenAI Agents SDK. Outre les 5 étapes (décomposer, définir les workers, concevoir le supervisor, passations, mesurer), l'article donne un code minimal pour les deux SDK conforme à leur documentation officielle (un supervisor avec un chercheur et un relecteur), la manière de restreindre les outils de chaque rôle, trois niveaux de plafonds (maxTurns, max_turns, dépense), quand préférer un handoff, les bons et mauvais découpages de rôles et les échecs réellement rencontrés par Anthropic (50 sous-agents pour une requête simple, recherches en double) avec leurs solutions.

Maintenant que les agents IA sont courants, le prochain défi est de faire collaborer les agents entre eux. Si MCP relie un agent à ses outils, A2A (Agent2Agent) relie un agent à un autre agent — une norme ouverte permettant à des IA construites sur des éditeurs et des frameworks différents de se découvrir, de communiquer et de coopérer grâce à une convention commune. Google l'a publiée en avril 2025, l'a confiée à la Linux Foundation en juin de la même année, et elle a atteint la v1.0 en 2026. Ce guide pour débutants explique ce qu'est A2A (l'analogie de l'étiquette d'un partenariat commercial), pourquoi c'est nécessaire (des agents spécialisés se relaient le travail — un agent de planification vers un agent de réservation d'hôtel vers un agent de paiement), en quoi cela diffère de MCP (MCP est vertical, agent ↔ outils ; A2A est horizontal, agent ↔ agent ; empiler les deux est la configuration standard à deux couches), comment ça marche (une Agent Card — un JSON « carte de visite » à /.well-known/agent-card.json — sert à découvrir les capacités, puis une Task porte la demande à travers des états comme working, input-required et completed, et un Artifact renvoie le résultat, le tout via HTTP, Server-Sent Events et JSON-RPC 2.0, les agents gardant leurs rouages internes cachés), ainsi que son état actuel et sa mise en œuvre (à la date d'avril 2026, 150+ organisations qui la soutiennent, 22 000+ étoiles sur GitHub, des SDK dans cinq langages — Python, JavaScript, Java, Go, .NET — avec Microsoft, Salesforce, SAP et ServiceNow impliqués). Le moyen mnémotechnique : se connecter aux outils = MCP, se connecter aux pairs = A2A.

Vous avez construit un RAG, mais la qualité de la recherche est médiocre — c'est exactement là que le reranking aide. Le reranking re-score, selon leur pertinence par rapport à la requête, les candidats grossièrement rassemblés par la recherche par embedding (vectorielle) et les réordonne en ne gardant que les meilleurs ; cette seule étape peut transformer radicalement la qualité des réponses d'un système RAG. Ce guide pour débutants explique ce qu'est le reranking (avec l'analogie de la présélection et de l'entretien final), pourquoi il est nécessaire (la recherche par embedding vectorise la requête et les documents séparément, donc elle ne juge la pertinence que grossièrement, et un mauvais ordre fait directement baisser la qualité des réponses — la recherche montre que le reranking peut nettement améliorer la précision de la recherche, et le superposer à la recherche hybride est le standard 2026), comment fonctionne la récupération en deux étapes (« rassembler large » avec une recherche par embedding rapide pour le rappel, puis « affiner intelligemment » avec le reranker pour la précision, avant de transmettre le haut du panier au LLM), pourquoi un reranker est plus précis (un bi-encoder vectorise la requête et le document individuellement, rapide mais approximatif ; un cross-encoder les fournit ensemble et produit un score de pertinence 0–1, précis mais lourd — on rassemble donc avec le bi-encoder rapide et on affine avec le cross-encoder précis), ainsi que les modèles et l'implémentation (type API comme Cohere Rerank, Voyage et Jina ; open source comme BGE reranker, mixedbread et FlashRank ; et scoring par LLM comme RankLLM — il suffit de récupérer 50–100 et d'affiner au top 5). Le principe : rassembler large, affiner intelligemment, et ajuster les nombres avec des évaluations d'IA.