Harness Mince, Compétences Épaisses : La véritable source d'une productivité IA multipliée par 100
Basé sur l'article, l'auteur Garry Tan (PDG de Y Combinator) affirme que la véritable productivité de l'IA ne provient pas des modèles eux-mêmes, mais de la conception systémique qui les entoure. Il introduit le cadre « Thin Harness, Fat Skills » (Harnais mince, Compétences épaisses), qui décompose les applications d'IA en cinq composants clés :
1. **Skill File** : Un document markdown réutilisable qui enseigne à un modèle « comment » accomplir une tâche, comme une méthode invocable avec des paramètres.
2. **Harness** : Une couche logicielle mince qui exécute le modèle, gère les entrées/sorties et applique des contraintes, sans logique métier lourde.
3. **Resolver** : Un système de routage contextuel qui charge la documentation ou les instructions pertinentes au bon moment.
4. **Latent vs. Deterministic** : Une séparation stricte entre le traitement intelligent (jugement, synthèse) et les opérations déterministes fiables (requêtes, calculs).
5. **Diarization** : La capacité du modèle à lire de nombreux documents sur un sujet et à en synthétiser une analyse structurée.
L'article illustre ceci avec un exemple concret de matching pour un événement Y Combinator, où le système apprend et s'améliore automatiquement en réécrivant ses propres fichiers de compétences basé sur les retours, sans réécriture de code. La conclusion est que l'avantage décisif (10x à 100x) vient de cette capacité à construire des systèmes qui capitalisent et améliorent continuellement leurs compétences, et non simplement d'utiliser le modèle le plus récent.
marsbit04/13 04:27
