// LAB

Expérimentations en cours.

Certaines vont marcher, d'autres non. C'est le but. Ici, pas de promesse — juste ce que je creuse en ce moment, avec ce que j'en ai appris.

En cours ↗ GitHub

Pipelines Claude Code dans le CI/CD

// Objectif : Agent autonome dans GitHub Actions

Tester si un agent Claude peut écrire, reviewer et refactoriser du code en étant déclenché depuis GitHub Actions. Branches de test, garde-fous, coûts maîtrisés.

Ce que j'ai apprisLes prompts qui marchent en local cassent souvent en CI à cause du manque de contexte. La clé : documenter agressivement dans le repo.
ClaudeGitHub ActionsPHP
En cours

Agents IA pour tâches métier

// Objectif : Agent qui gère le support N1

Construire un agent qui trie les tickets entrants, répond aux questions fréquentes et escalade proprement vers un humain quand il faut. Sur données réelles.

Ce que j'ai appris80% du travail n'est pas le modèle. C'est la boucle de retrieval et la définition claire du "quand ne pas répondre".
ClaudePHPOrchestration custom
Exploration

Comparaison Claude vs Ollama · Tiering

// Objectif : Matrice de décision cloud vs local

Comparatif structuré sur plusieurs use-cases : coût, latence, qualité, confidentialité. Matrice de décision pour savoir quand utiliser Claude (cloud) et quand basculer sur Ollama (local).

Ce que j'ai apprisPour une bonne partie des tâches courantes, un modèle local suffit. Le gap se creuse surtout sur le raisonnement multi-étapes et les tâches nécessitant un grand contexte.
ClaudeOllamaLlama 3
En cours ↗ GitHub

Monitoring local avec Ollama

// Objectif : Assistant terminal local-first

Un service local qui surveille mon infrastructure (VPS, Synology) et peut répondre à des questions en langage naturel sur son état. Local-first : aucune donnée n'est envoyée vers un cloud externe.

Ce que j'ai apprisUn modèle local 8B tient parfaitement ce rôle sur une machine modeste. Zéro dépendance cloud — pour ce type d'usage, c'est libérateur.
OllamaDockerPHP
En pause

Home automation + IA

// Objectif : Home Assistant + agent n8n

Router les intentions vocales vers les bonnes automatisations via un LLM, plutôt que de maintenir des listes de phrases exactes. En pause — les LLM gèrent mal le tout-ou-rien.

Ce que j'ai apprisLes LLM sont mauvais pour du "tout ou rien" déterministe. À réessayer avec un système de confirmation explicite avant action.
Home Assistantn8nOllama
// VEILLE IA

Ce que je lis pour rester à jour.

Filtrage humain, pas algorithmique. Peu de sources, lues vraiment.

Anthropic Research blog
Simon Willison's Weblog blog · quotidien
Latent Space podcast + newsletter
Hacker News · /ai tri manuel
ArXiv cs.CL papers · hebdo
The Pragmatic Engineer newsletter
Martin Fowler blog · architecture
Ollama releases github watch

Une expérimentation à mener ensemble ?

Les meilleures expérimentations sortent de vrais problèmes. Le vôtre pourrait être la prochaine.

Prendre contact →