Découvrez comment Deep Agent CLI révolutionne les workflows de développement avec des systèmes de mémoire persistante, permettant aux agents IA d’apprendre aux côtés des développeurs et de conserver le contexte entre les projets.
Le paysage du développement logiciel connaît une transformation fondamentale à mesure que l’intelligence artificielle s’intègre de plus en plus dans les workflows des développeurs. Deep Agent CLI marque une avancée majeure dans cette évolution, introduisant une approche novatrice de l’assistance au codage par IA qui va bien au-delà de la simple complétion ou suggestion de code. Cet outil open source, basé sur le package deep agents, apporte une innovation essentielle : des systèmes de mémoire persistante qui permettent aux agents IA d’apprendre et d’évoluer aux côtés des développeurs. Plutôt que de considérer chaque session de codage comme une interaction isolée, Deep Agent CLI permet aux agents d’accumuler des connaissances, de se souvenir du contexte des projets et de bâtir leur expertise au fil du temps. Ce guide complet explore le fonctionnement de Deep Agent CLI, l’importance de son architecture mémoire et la façon dont il redéfinit la relation entre développeurs et assistants de codage alimentés par l’IA.
Deep Agent CLI est un outil de codage open source innovant qui repense fondamentalement la façon dont les développeurs interagissent avec les assistants IA. Contrairement aux éditeurs de code traditionnels ou aux plugins IDE qui reposent sur des interactions sans état, Deep Agent CLI intègre l’intelligence artificielle directement dans l’environnement terminal où les développeurs passent la majeure partie de leur temps. L’outil s’appuie sur le package deep agents, un framework sophistiqué conçu pour créer des agents IA autonomes capables de raisonner, planifier et exécuter des tâches complexes. Au cœur de Deep Agent CLI, les développeurs disposent d’une interface conversationnelle avec leur base de code, leur permettant de poser des questions sur la structure du code, de demander des modifications, de générer de nouvelles fonctionnalités et de comprendre des implémentations complexes en langage naturel.
L’architecture de Deep Agent CLI est délibérément conçue pour être accessible et pratique. L’installation est simple — une commande pip install deep-agent-cli suffit pour démarrer. Une fois installé, l’outil nécessite la configuration d’une clé API OpenAI ou Anthropic pour accéder aux modèles de langage. Cette flexibilité dans le choix du modèle est importante car elle permet aux développeurs de choisir selon leurs préférences, considérations de coût ou exigences organisationnelles. L’outil propose ensuite une interface terminal épurée qui paraît naturelle aux développeurs déjà familiers avec l’environnement en ligne de commande. Ce choix de design est significatif car il réduit les frictions — les développeurs n’ont pas besoin de changer de contexte ou d’apprendre de nouvelles interfaces ; ils peuvent exploiter l’IA directement dans leur workflow existant.
L’introduction de systèmes de mémoire persistante dans les assistants de codage IA représente un changement de paradigme dans la façon dont les machines peuvent soutenir les développeurs humains. Les outils de codage IA traditionnels fonctionnent de manière sans état, c’est-à-dire que chaque interaction est traitée indépendamment sans référence aux conversations ou au contexte précédents. Cette limitation crée une friction importante : les développeurs doivent sans cesse réexpliquer le contexte du projet, les choix d’architecture, les conventions de codage et les exigences spécifiques à l’assistant IA. À la longue, cela devient fastidieux et inefficace, en particulier sur des projets de longue durée où la cohérence et la compréhension approfondie sont cruciales. Les systèmes de mémoire persistante résolvent ce problème fondamental en permettant aux agents IA de conserver et de consulter des informations à travers plusieurs sessions, projets, et même différentes fenêtres terminal.
Les implications pratiques de la mémoire persistante sont considérables. Imaginons un développeur travaillant sur une architecture microservices complexe. Avec des assistants IA traditionnels sans mémoire, il faudrait réexpliquer l’architecture globale, le rôle de chaque service, les modèles de communication et les standards de codage à chaque demande d’aide. Avec le système de mémoire de Deep Agent CLI, l’agent peut rédiger des notes détaillées sur l’architecture lors de l’exploration initiale, puis s’y référer lors des sessions suivantes. Cela crée une forme de connaissance institutionnelle qui grandit au fil du temps. L’agent devient de plus en plus efficace pour aider le développeur car il comprend non seulement la tâche immédiate, mais aussi le contexte plus large dans lequel elle s’inscrit. Ceci est particulièrement précieux lors de l’onboarding de nouveaux membres d’équipe ou lorsqu’on revient sur un projet après une longue absence — l’agent peut servir de référentiel de connaissance projet qui persiste au-delà de la mémoire individuelle de chaque développeur.
Le système de mémoire de Deep Agent CLI est conçu avec élégance pour équilibrer persistance et flexibilité. Lorsque vous lancez Deep Agent CLI avec un nom d’agent spécifique, l’outil charge le profil mémoire de cet agent à partir d’un répertoire dédié dans le système de fichiers. Ce répertoire contient des fichiers markdown et d’autres documents représentant les connaissances accumulées par l’agent. L’agent peut lire ces fichiers pour comprendre les apprentissages précédents, et il peut écrire de nouvelles informations afin de maintenir et d’actualiser sa base de connaissances. Cette interaction bidirectionnelle avec le stockage persistant permet le comportement d’apprentissage qui rend Deep Agent CLI unique.
Le système de mémoire fonctionne via un mécanisme simple mais puissant. Lorsqu’un agent rencontre une information à retenir — telle que l’architecture du projet, des motifs de codage ou des exigences spécifiques — il peut écrire cette information dans des fichiers markdown dans son répertoire de mémoire. Ces fichiers sont organisés logiquement, avec des noms reflétant leur contenu (par exemple, “deep-agents-overview.md” pour des informations générales sur le projet). L’agent pourra alors accéder à ces fichiers lors de sessions futures, lire et intégrer les informations stockées dans son raisonnement. Cette approche présente plusieurs avantages sur d’autres architectures mémoire. Premièrement, elle est transparente — les développeurs peuvent inspecter exactement ce que l’agent a appris en consultant directement les fichiers markdown. Deuxièmement, elle est portable — les profils mémoire peuvent être facilement copiés sur d’autres machines ou partagés entre membres d’équipe. Troisièmement, elle est versionnable — les fichiers mémoire peuvent être suivis dans des dépôts git, permettant aux équipes de garder un historique de l’évolution de la compréhension du projet.
Les principes à la base du système de mémoire de Deep Agent CLI s’alignent étroitement avec la manière dont les plateformes d’automatisation IA modernes comme FlowHunt abordent l’orchestration des agents. FlowHunt propose une plateforme complète pour construire, déployer et gérer des agents IA capables de traiter des workflows complexes à l’échelle de l’organisation. De la même façon que Deep Agent CLI permet aux développeurs de créer des agents de codage spécialisés avec mémoire persistante, FlowHunt permet aux entreprises de bâtir des équipes d’agents IA spécialisés travaillant ensemble pour accomplir des tâches sophistiquées. Le parallèle est instructif : les deux systèmes reconnaissent qu’une assistance IA efficace nécessite des agents capables de conserver le contexte, d’apprendre des interactions et d’évoluer au fil du temps.
L’approche de FlowHunt pour la gestion des agents inclut des fonctionnalités comme des journaux détaillés montrant comment les agents raisonnent, un historique des agents retraçant les décisions passées pour améliorer les suivantes, et la possibilité de créer des agents verticaux fonctionnant comme des collègues IA spécialisés. Ces capacités reflètent l’innovation principale de Deep Agent CLI — la reconnaissance que les agents IA sont plus efficaces quand ils peuvent accumuler des connaissances et maintenir une continuité entre les interactions. Pour les développeurs et organisations souhaitant étendre les principes de Deep Agent CLI à des workflows d’automatisation plus larges, FlowHunt offre une plateforme no-code où ces concepts s’appliquent aux processus métier, au service client, à la génération de contenu, et à de nombreux autres domaines. La philosophie sous-jacente reste la même : les agents intelligents qui se souviennent, apprennent et évoluent sont fondamentalement plus capables que les systèmes sans état.
La configuration de Deep Agent CLI est pensée pour être simple, permettant aux développeurs de bénéficier de l’assistance IA en quelques minutes. La première étape consiste à créer un environnement virtuel Python pour isoler les dépendances de l’outil des autres projets. C’est une bonne pratique en développement Python qui évite les conflits de version et garde les projets propres. Une fois l’environnement activé, l’installation de Deep Agent CLI se fait simplement via la commande pip install deep-agent-cli. Cette commande télécharge le package et toutes ses dépendances, rendant l’outil immédiatement disponible.
La configuration vient ensuite, c’est là que les développeurs choisissent leur fournisseur de modèle IA. L’outil prend en charge OpenAI et Anthropic, deux des principaux fournisseurs de modèles de langage. Pour utiliser les modèles OpenAI, il faut définir la variable d’environnement OPENAI_API_KEY avec la clé API. Pour utiliser les modèles Claude d’Anthropic, il suffit de définir ANTHROPIC_API_KEY à la place. Cette flexibilité est précieuse car les organisations ont des préférences, des coûts et des exigences de performance différents. Certains préfèrent les capacités de raisonnement de Claude, d’autres la vaste connaissance de GPT-4. Deep Agent CLI s’adapte à ces préférences sans modification de code. En outre, il est possible de configurer une clé API Tavily pour activer la recherche web, permettant à l’agent d’enrichir ses réponses avec des informations à jour provenant d’internet.
Une fois la configuration terminée, il suffit de lancer Deep Agent CLI en exécutant la commande deep agents dans le terminal. Une interface interactive s’ouvre alors, affichant des informations importantes sur la session en cours. Elle indique si la recherche web est activée (ce qui nécessite la clé Tavily) et affiche le mode d’opération courant — acceptation manuelle ou automatique. Ce paramètre est crucial pour la sécurité et le contrôle. En mode acceptation manuelle, l’agent s’arrête avant d’effectuer des opérations potentiellement dangereuses comme écrire dans des fichiers ou exécuter des commandes bash, attendant l’approbation humaine. Cela offre un filet de sécurité aux développeurs souhaitant garder la main sur les actions de l’agent. En mode acceptation automatique (surnommé “mode YOLO”), l’agent procède à ces opérations sans attendre, privilégiant la rapidité au détriment de la sécurité. Les développeurs peuvent basculer entre les modes via des raccourcis clavier, ajustant le niveau d’automatisation selon leur confiance et la tâche à accomplir.
L’une des fonctionnalités phares de Deep Agent CLI est la possibilité de créer plusieurs agents spécialisés, chacun avec son propre profil mémoire et domaine d’expertise. Cette capacité transforme l’outil d’un simple assistant de codage en une équipe de spécialistes IA pouvant être sollicités pour différents types de tâches. La création d’un nouvel agent se fait via la commande deep agents -d-agent, qui invite l’utilisateur à nommer cet agent. Le nom doit refléter la spécialisation de l’agent — par exemple, “deep-agent-expert” pour un agent spécialisé dans la compréhension du framework deep agents lui-même.
Une fois créé, un agent spécialisé peut être chargé de rechercher et d’apprendre sur des sujets précis. Par exemple, on pourrait demander à l’agent de “rechercher deep agents, aller sur le dépôt, et mémoriser des informations à leur sujet.” L’agent explore alors le code, lit les fichiers pertinents et synthétise ses découvertes dans des documents markdown stockés dans son répertoire mémoire. Ce processus démontre la capacité de l’agent à prendre des initiatives, explorer son environnement et extraire des informations pertinentes. L’agent décide lui-même de ce qu’il doit retenir et écrit ces informations dans sa mémoire à long terme de façon organisée. Les interactions ultérieures profitent de ces connaissances accumulées — lors de questions sur deep agents dans de futures sessions, l’agent peut se référer à ses fichiers mémoire pour fournir des réponses informées et contextuelles.
La gestion de plusieurs agents se fait simplement via la commande deep agents list, affichant tous les agents disponibles ainsi que les chemins de leurs profils mémoire. Cette transparence est précieuse pour les développeurs souhaitant savoir où résident les données de leurs agents, les sauvegarder ou les partager. L’agent par défaut, créé automatiquement à l’installation, sert d’assistant généraliste. Des agents spécialisés peuvent être créés pour des projets, domaines ou tâches spécifiques. Cette architecture permet des workflows sophistiqués où différents agents gèrent différentes responsabilités, chacun apportant des connaissances spécialisées dans son domaine.
Deep Agent CLI adopte une approche réfléchie pour équilibrer l’automatisation et la supervision humaine via ses modes acceptation manuelle et automatique. Ce design reflète un principe important en sécurité IA : toutes les décisions ne doivent pas être automatisées, et il est crucial de préserver l’agence humaine, surtout lorsque l’IA peut modifier des fichiers ou exécuter des commandes système. En mode acceptation manuelle, lorsqu’un agent doit effectuer une action comme écrire dans un fichier, il présente cette action pour approbation humaine. L’interface montre exactement ce que l’agent compte faire, permettant au développeur de vérifier avant exécution. Cela crée un workflow collaboratif où l’IA gère le raisonnement et la planification, mais l’être humain conserve le dernier mot sur les actions importantes.
Le mode acceptation manuelle est particulièrement utile pendant la phase d’apprentissage, lorsque les développeurs découvrent encore l’agent et évaluent ses capacités et limites. À mesure que la confiance s’installe, ils peuvent passer au mode acceptation automatique pour plus de rapidité. Ce mode est utile pour les tâches répétitives ou lorsque la confiance dans le jugement de l’agent est élevée. La possibilité de basculer de mode via des raccourcis clavier permet d’ajuster la supervision en temps réel, selon la nature de la tâche. Certaines requièrent plus de contrôle, d’autres bénéficient d’une exécution rapide et autonome. Cette flexibilité est caractéristique des systèmes IA bien conçus — ils s’adaptent aux préférences humaines plutôt que d’imposer des modèles d’automatisation rigides.
L’architecture de Deep Agent CLI permet de nombreuses applications pratiques allant bien au-delà de la simple complétion de code. L’un des cas d’usage les plus pertinents est l’exploration et la documentation de bases de code. Lorsqu’on rejoint un nouveau projet ou qu’on revient sur du code après une longue absence, la courbe d’apprentissage peut être raide. Deep Agent CLI peut accélérer ce processus en explorant la base de code, en comprenant sa structure et en créant une documentation détaillée dans sa mémoire. L’agent peut identifier les fichiers clés, comprendre les relations entre modules et synthétiser ces informations en explications cohérentes. Les questions ultérieures sur la base de code s’appuient sur ces connaissances accumulées, faisant de l’agent un guide de plus en plus efficace pour le projet.
Une autre application précieuse est le refactoring et la modernisation du code. Les grandes bases de code accumulent souvent de la dette technique, avec des motifs incohérents, des bibliothèques obsolètes et des structures sous-optimales. Deep Agent CLI peut être chargé de comprendre l’état actuel du code, d’identifier les points à améliorer et de proposer des stratégies de refactoring. En conservant la mémoire de l’architecture et des standards de codage de l’équipe, l’agent peut faire des suggestions de refactoring cohérentes avec la philosophie et les contraintes du projet. Cela va bien plus loin que des suggestions génériques qui ignorent le contexte spécifique du projet.
Le transfert de connaissances et l’onboarding constituent un autre cas d’usage majeur. Lorsque des développeurs expérimentés quittent un projet, leur savoir part souvent avec eux. Deep Agent CLI peut servir de dépositaire de ce savoir. En travaillant avec l’agent pour documenter les choix d’architecture, les motifs de codage et l’historique du projet, les équipes peuvent préserver une connaissance institutionnelle. Les nouveaux arrivants peuvent alors interagir avec cet agent pour comprendre rapidement le contexte et les conventions du projet, réduisant drastiquement le temps d’intégration.
Au fil du temps, à mesure que les développeurs utilisent Deep Agent CLI, les profils mémoire des agents grandissent et évoluent. Cela pose des questions intéressantes sur la gestion de la mémoire et la spécialisation. Les développeurs peuvent éditer manuellement les fichiers markdown du répertoire mémoire d’un agent pour affiner, corriger ou réorganiser les informations apprises. Cet accès direct à la mémoire est puissant, permettant aux développeurs de façonner la compréhension de l’agent sur leurs projets. En cas de mauvaise compréhension ou d’informations mal structurées, ils peuvent corriger cela directement, sans devoir tout réexpliquer à l’agent par conversation.
La possibilité de créer plusieurs agents spécialisés permet des workflows avancés où chaque agent gère un aspect du développement. Par exemple, une équipe peut créer un agent dédié à l’architecture backend, un autre au frontend et un troisième au DevOps. Chacun conserve sa mémoire de domaine et devient de plus en plus expert à mesure que ses connaissances s’accumulent. Lorsque les développeurs ont besoin d’aide sur une tâche précise, ils peuvent solliciter l’agent adéquat et obtenir des réponses informées par une connaissance approfondie, et non de simples conseils génériques. Cela reproduit le fonctionnement d’une équipe humaine — chaque spécialiste met son expertise au service du problème.
Les profils mémoire peuvent aussi être partagés entre membres d’équipe ou projets. Puisque la mémoire des agents est stockée dans des fichiers classiques, elle peut être versionnée dans git, sauvegardée ou copiée sur d’autres machines. Les équipes peuvent donc bâtir des référentiels de connaissance partagée qui perdurent au-delà des individus. Une équipe peut maintenir une mémoire centrale documentant ses standards de codage, motifs d’architecture et meilleures pratiques. Les nouveaux membres héritent de cette mémoire et bénéficient instantanément du savoir accumulé.
Deep Agent CLI est conçu pour s’intégrer naturellement dans les workflows existants plutôt que d’imposer de nouveaux processus. L’outil fonctionne dans le terminal, là où les développeurs passent déjà beaucoup de temps, ce qui en fait une extension naturelle des outils existants. Les développeurs peuvent invoquer l’agent pendant qu’ils travaillent, poser des questions sur des fichiers ou fonctions, demander des modifications, puis retourner à leur éditeur pour continuer. Cette alternance entre assistance IA et outils traditionnels crée un workflow fluide où l’IA augmente les capacités humaines sans les remplacer.
Grâce à sa capacité à travailler avec le système de fichiers, l’outil comprend la structure réelle des projets, lit les fichiers pertinents et fait des suggestions informées à partir de code réel, et non d’abstractions. Lorsqu’un développeur demande de l’aide sur une tâche précise, l’agent peut explorer les fichiers concernés, comprendre l’implémentation courante et proposer des modifications cohérentes avec la base de code existante. Cet ancrage dans le code réel est crucial pour l’efficacité pratique — des suggestions génériques ont bien moins de valeur que des conseils adaptés au contexte d’un projet.
De nombreux assistants de codage IA existent sur le marché, mais le système de mémoire persistante de Deep Agent CLI constitue une vraie différence. Des outils comme GitHub Copilot et autres assistants de complétion de code excellent pour suggérer des snippets ou compléter des implémentations partielles, mais ils fonctionnent sans état. Chaque interaction est indépendante et l’outil ne conserve aucune mémoire des conversations ou du contexte projet. Cela suffit pour de la complétion simple, mais devient limitant pour de l’assistance plus complexe (guidance architecturale, refactoring global…).
D’autres outils tels que Codeium ou Factory CLI offrent une assistance plus avancée, mais l’accent mis par Deep Agent CLI sur la mémoire persistante et la spécialisation des agents le distingue. La possibilité de créer plusieurs agents spécialisés avec leur propre profil mémoire permet des workflows inédits. De plus, la nature open source de Deep Agent CLI permet aux développeurs d’inspecter le code, de comprendre son fonctionnement et de l’étendre selon leurs besoins. Cette transparence et extensibilité sont précieuses pour les développeurs et organisations souhaitant personnaliser leurs outils.
Deep Agent CLI incarne une tendance de fond dans le développement IA : la reconnaissance que l’assistance IA efficace requiert des systèmes capables de conserver le contexte, d’apprendre des interactions et d’évoluer. Ce principe dépasse le simple codage. Les organisations qui utilisent des plateformes comme FlowHunt pour construire des agents IA pour leurs processus métiers découvrent le même constat : des agents qui se souviennent, apprennent et se spécialisent sont fondamentalement plus efficaces que des systèmes sans mémoire. Cela influence la conception des systèmes IA dans tous les domaines.
Le succès des systèmes de mémoire persistante dans l’assistance au codage suggère que des approches similaires seraient précieuses pour le service client, la création de contenu, la recherche, etc. Un agent IA de support client qui se souvient des échanges précédents avec un client pourra offrir un service plus personnalisé et efficace. Un agent de création de contenu IA qui retient les consignes éditoriales et les anciens articles produira du contenu plus cohérent et fidèle à la marque. Un assistant de recherche IA qui accumule des connaissances sur les intérêts d’un chercheur et ses travaux antérieurs pourra faire des suggestions plus ciblées et pertinentes.
Deep Agent CLI marque une avancée significative dans le développement assisté par l’IA grâce à l’introduction de systèmes de mémoire persistante qui permettent aux agents d’apprendre et d’évoluer avec les développeurs. L’architecture de l’outil — combinant capacités de raisonnement autonome, stockage mémoire à long terme, mécanismes de sécurité “humain dans la boucle” et support des agents spécialisés — crée une assistance IA fondamentalement plus performante que les systèmes sans mémoire. En permettant aux agents d’accumuler des connaissances sur les projets, motifs de codage et décisions d’architecture, Deep Agent CLI transforme l’IA d’un simple outil de suggestion générique en un véritable membre d’équipe spécialisé, capable de guider avec pertinence et contextualisation. Sa nature open source, combinée à une installation et une configuration simples, rend cette avancée accessible à tous les développeurs. À mesure que l’IA s’intègre dans les workflows de développement, les principes mis en œuvre par Deep Agent CLI — mémoire persistante, spécialisation et supervision humaine — deviendront sans doute centraux dans la conception des systèmes IA de demain, dans tous les domaines.
Découvrez comment FlowHunt automatise vos workflows IA — de la recherche à la génération de code, du déploiement à l’analyse — le tout en un seul endroit. Construisez des agents IA spécialisés avec mémoire persistante, comme Deep Agent CLI, mais pour l’ensemble de votre entreprise.
Deep Agent CLI est un outil de codage open source basé sur le package deep agents qui permet aux développeurs d'écrire, modifier et comprendre du code avec des capacités de mémoire persistante intégrées. Il permet aux agents IA d'apprendre aux côtés des développeurs et d'enregistrer des profils de mémoire comme différents agents, accessibles entre les projets et les sessions terminal.
Deep Agent CLI utilise un système de mémoire persistante où les agents peuvent écrire et lire des fichiers de mémoire à long terme. Les agents peuvent enregistrer des informations sur les projets, les motifs de code et le contexte dans un répertoire de mémoires, qui persiste entre les sessions. Cela permet aux agents d'accumuler des connaissances au fil du temps et de se référer aux apprentissages précédents lors de nouvelles tâches.
Deep Agent CLI prend en charge les clés API OpenAI et Anthropic pour l'intégration des modèles de langage. Il peut également s'intégrer à l'API Tavily pour la recherche web, permettant aux agents d'enrichir leurs réponses avec des informations en temps réel provenant d'internet.
Le mode acceptation manuelle requiert l'approbation humaine avant que l'agent n'effectue des actions potentiellement dangereuses comme écrire dans des fichiers ou exécuter des commandes bash. Le mode acceptation automatique (mode YOLO) permet à l'agent d'exécuter ces actions automatiquement sans attendre de confirmation humaine, offrant une exécution plus rapide mais avec moins de supervision.
Vous pouvez créer des agents spécifiques avec la commande 'deep agents -d-agent' et leur donner des noms personnalisés. Chaque agent maintient son propre profil mémoire stocké dans un répertoire dédié. Vous pouvez lister tous les agents disponibles avec 'deep agents list' et basculer entre eux en spécifiant le nom de l'agent lors du lancement du CLI.
Oui, bien que Deep Agent CLI soit principalement conçu pour les tâches de codage, l'architecture sous-jacente prend aussi en charge des applications non liées au code. Le système de mémoire et le cadre agent sont assez flexibles pour gérer divers types de tâches au-delà du développement logiciel.
Arshia est ingénieure en workflows d'IA chez FlowHunt. Avec une formation en informatique et une passion pour l’IA, elle se spécialise dans la création de workflows efficaces intégrant des outils d'IA aux tâches quotidiennes, afin d’accroître la productivité et la créativité.
Découvrez comment les agents IA de FlowHunt peuvent améliorer vos processus de développement logiciel grâce à la mémoire persistante et à des capacités décisionnelles autonomes.
Découvrez comment AMP, l’agent de codage de pointe de Sourcegraph, façonne le paysage du développement IA grâce à l’itération rapide, au raisonnement autonome e...
Découvrez comment GPT-5 Codex révolutionne le développement logiciel grâce à ses capacités avancées de codage agentique, son exécution autonome de tâches pendan...
Découvrez les annonces d’OpenAI lors du DevDay 2025, dont les Apps SDK, Agent Kit et le Model Context Protocol. Comprenez pourquoi le prompting est plus crucial...
Consentement aux Cookies
Nous utilisons des cookies pour améliorer votre expérience de navigation et analyser notre trafic. See our privacy policy.
