Every AI term from the articles, in plain language, with links between them.
An open, tool-agnostic "README for agents" placed at a repo root (the nearest one wins), read by many coding agents including GitHub Copilot.
Un « README pour les agents » ouvert et neutre, placé à la racine d'un dépôt (le plus proche gagne), lu par de nombreux agents de code dont GitHub Copilot.
A model wrapped in a loop that can plan, call tools, act and observe results — turning a passive "brain" into something that gets things done.
Un modèle enveloppé dans une boucle capable de planifier, appeler des outils, agir et observer les résultats — transformant un « cerveau » passif en quelque chose qui accomplit des tâches.
What an agent keeps beyond its context window: durable notes and facts (files, databases) recalled across sessions, plus summaries when the context overflows.
Ce qu'un agent conserve au-delà de sa fenêtre de contexte : notes et faits durables (fichiers, bases) rappelés d'une session à l'autre, plus des résumés quand le contexte déborde.
A mode where the assistant works autonomously across several steps (editing files, running commands) instead of just answering a single message.
Un mode où l'assistant travaille en autonomie sur plusieurs étapes (éditer des fichiers, lancer des commandes) au lieu de répondre à un seul message.
Coordinating several specialized agents toward one goal: an orchestrator decomposes the task, dispatches the parts, and assembles the results. The conductor's job, applied to AI.
Coordonner plusieurs agents spécialisés vers un même objectif : un orchestrateur découpe la tâche, distribue les parties et assemble les résultats. Le métier de chef d'orchestre, appliqué à l'IA.
Rebranding ordinary automation (a chatbot, a script, RPA) as an autonomous "agent" without the substance. The test: ask what the system actually decides on its own.
Rebaptiser « agent » une automatisation ordinaire (chatbot, script, RPA) sans la substance. Le test : demander ce que le système décide réellement tout seul.
The cycle at the heart of every agent: plan, act (a tool call), observe the result, repeat — until the model judges the task done or gets blocked. The model itself decides the next step.
Le cycle au cœur de tout agent : planifier, agir (un appel d'outil), observer le résultat, recommencer — jusqu'à ce que le modèle juge la tâche finie ou soit bloqué. C'est le modèle lui-même qui décide de l'étape suivante.
A recurring solution that looks sensible but reliably backfires: the documented "what not to do" of a craft. Naming them, like naming patterns, makes them easy to spot mid-mistake.
Une solution récurrente qui a l'air sensée mais échoue de façon prévisible : le « à ne pas faire » documenté d'un métier. Les nommer, comme on nomme les patterns, permet de se prendre la main dans le sac.
A public, standardized exam for models: a fixed set of exercises, identical conditions and automatic scoring, so results are comparable across models. Olympic disciplines with leaderboards for podiums; your own private exams are called evals.
Un examen public standardisé pour les modèles : exercices figés, conditions identiques et correction automatique, pour des scores comparables d'un modèle à l'autre. Des disciplines olympiques avec les leaderboards en guise de podiums ; vos examens privés à vous s'appellent les évals.
Getting a model to reason step by step before answering, which improves accuracy on hard problems.
Amener un modèle à raisonner étape par étape avant de répondre, ce qui améliore la justesse sur les problèmes difficiles.
The simplest way to use a model: one message in, one answer out, then it stops completely. You drive every step; if the job takes ten steps, you type ten prompts.
La façon la plus simple d'utiliser un modèle : un message entre, une réponse sort, puis il s'arrête complètement. Vous pilotez chaque étape ; si la tâche demande dix étapes, vous tapez dix prompts.
A saved snapshot of a workflow's state at a given step, so a long or interrupted run can resume where it stopped instead of replaying everything.
Une sauvegarde de l'état d'un workflow à une étape donnée, pour qu'une exécution longue ou interrompue reprenne où elle s'était arrêtée au lieu de tout rejouer.
Slicing documents into passages of a few paragraphs before indexing them for RAG. Too big drowns the signal in noise; too small loses its context.
Découper les documents en passages de quelques paragraphes avant de les indexer pour le RAG. Trop gros, le morceau noie l'information ; trop petit, il perd son contexte.
A model you can only use through its vendor's API or app; the weights never leave their servers. You eat at the restaurant and pay per plate (per token).
Un modèle utilisable uniquement via l'API ou l'application de son fournisseur ; les poids ne quittent jamais ses serveurs. Vous mangez au restaurant et payez à l'assiette (au token).
An autonomous agent you assign a coding task (often a GitHub issue); it researches, edits on a branch and opens a pull request on its own.
Un agent autonome à qui vous confiez une tâche de code (souvent une issue GitHub) ; il explore, modifie sur une branche et ouvre une pull request tout seul.
Rewriting a long conversation history into a dense summary (decisions, current state, open questions) so the work can continue in a fresh, smaller context. Detail is lost; the thread survives.
Réécrire un long historique de conversation en résumé dense (décisions, état courant, questions ouvertes) pour continuer le travail dans un contexte neuf et plus petit. Le détail se perd ; le fil survit.
A model's maximum working memory: the total tokens (input + output) it can consider at once. Exceed it and older context must be dropped or summarized.
La mémoire de travail maximale d'un modèle : le nombre total de tokens (entrée + sortie) qu'il peut considérer d'un coup. Au-delà, il faut oublier ou résumer l'ancien contexte.
Persistent project rules a coding assistant reads on every request (e.g. .github/copilot-instructions.md): conventions, stack, preferences.
Des règles projet permanentes qu'un assistant de code lit à chaque requête (ex. .github/copilot-instructions.md) : conventions, stack, préférences.
Training a smaller "student" model to imitate the answers of a bigger "teacher" model. A standard technique for making cheap fast models, and a geopolitical flashpoint when the teacher belongs to someone else.
Entraîner un petit modèle « élève » à imiter les réponses d'un gros modèle « professeur ». Une technique standard pour obtenir des modèles rapides et peu chers, et un sujet géopolitique quand le professeur appartient à quelqu'un d'autre.
A list of numbers that captures the meaning of a piece of text, so similar meanings sit close together. It's the basis of semantic search and RAG.
Une liste de nombres qui capture le sens d'un texte, pour que des sens proches soient proches. C'est la base de la recherche sémantique et du RAG.
A fixed set of real test cases with expected outcomes, re-scored after every prompt or code change. The crash tests of an AI system, the opposite of grading on vibes.
Un jeu fixe de cas de test réels avec les résultats attendus, re-noté après chaque changement de prompt ou de code. Les crash-tests d'un système IA, le contraire de la note au feeling.
A loop pairing a generator LLM with an evaluator LLM that critiques against explicit criteria, until the output passes (or a retry cap is hit).
Une boucle associant un LLM générateur et un LLM évaluateur qui critique selon des critères explicites, jusqu'à validation (ou plafond d'essais).
Giving a model a few worked examples in the prompt so it copies the pattern (versus "zero-shot", asking with no examples at all).
Donner au modèle quelques exemples résolus dans le prompt pour qu'il copie le schéma (par opposition au « zero-shot », demander sans aucun exemple).
Further-training a base model on your own examples to specialize it. Powerful, but heavier than prompting or RAG, and often not needed.
Ré-entraîner un modèle de base sur vos propres exemples pour le spécialiser. Puissant, mais plus lourd que le prompting ou le RAG, et souvent inutile.
Microsoft Foundry Local, a free runtime that runs models on your machine and exposes an OpenAI-compatible API, so tools can point to it.
Microsoft Foundry Local, un runtime gratuit qui exécute des modèles sur votre machine et expose une API compatible OpenAI, pour que des outils s'y branchent.
Designing an AI system as a graph: nodes that do the work (code, LLM calls, tools), edges that say what comes next, and conditional edges where a route is picked. You draw the allowed routes; the model only chooses at the junctions.
Concevoir un système IA comme un graphe : des nœuds qui travaillent (code, appels LLM, outils), des arêtes qui disent la suite, et des arêtes conditionnelles où une voie est choisie. Vous dessinez les routes autorisées ; le modèle ne choisit qu'aux embranchements.
Anchoring a model's answer in real, provided sources (documents, tools) instead of its memory. The main cure for hallucinations.
Ancrer la réponse d'un modèle dans des sources réelles fournies (documents, outils) plutôt que sa mémoire. Le principal remède aux hallucinations.
Rules and filters around a model that block unsafe inputs or outputs: the seatbelts of an AI system.
Des règles et filtres autour d'un modèle qui bloquent les entrées ou sorties dangereuses : les ceintures de sécurité d'un système IA.
When a model states something false with total confidence. It predicts plausible text, not verified truth, so always check important facts.
Quand un modèle affirme une fausseté avec une confiance totale. Il prédit un texte plausible, pas une vérité vérifiée : vérifiez toujours les faits importants.
Passing a task from one agent to another along with the context needed to continue (goal, work done, work left). The relay baton of multi-agent systems, and their number one source of bugs when fumbled.
Passer une tâche d'un agent à un autre avec le contexte nécessaire pour continuer (objectif, travail fait, travail restant). Le témoin du relais des systèmes multi-agents, et leur première source de bugs quand il tombe.
The scaffolding around a model (tools, memory, loop, prompts) that turns it into an agent. Same model + a better harness = a very different assistant.
L'échafaudage autour d'un modèle (outils, mémoire, boucle, prompts) qui en fait un agent. Même modèle + un meilleur harnais = un assistant très différent.
A design pattern where the AI prepares the work but a human approves the sensitive actions: the irreversible or outward-facing ones.
Un pattern de conception où l'IA prépare le travail mais où un humain valide les actions sensibles : celles qui sont irréversibles ou tournées vers l'extérieur.
The act of running a trained model to get an answer (as opposed to training it). Every message you send triggers an inference.
L'action de faire tourner un modèle entraîné pour obtenir une réponse (par opposition à l'entraîner). Chaque message que vous envoyez déclenche une inférence.
Everything you send the model on a request: system prompt, conversation history, your message, tool definitions, attached documents. Paid on every turn.
Tout ce que vous envoyez au modèle à chaque requête : prompt système, historique, votre message, définitions d'outils, documents joints. Payé à chaque tour.
A model trained on huge amounts of text to predict the next token; the "brain" behind ChatGPT, Claude, Gemini and Copilot.
Un modèle entraîné sur d'énormes quantités de texte pour prédire le token suivant ; le « cerveau » derrière ChatGPT, Claude, Gemini et Copilot.
The delay between sending a request and getting a response. Bigger prompts and outputs raise it; caching lowers it.
Le délai entre l'envoi d'une requête et la réponse. De gros prompts et sorties l'augmentent ; le cache le réduit.
A model that runs entirely on your own machine. Private, offline-capable and free to run, but usually less powerful than big cloud models.
Un modèle qui tourne entièrement sur votre machine. Privé, utilisable hors ligne et gratuit à l'usage, mais souvent moins puissant que les gros modèles cloud.
An agent relaunched by a trigger (a schedule, an interval, an event) instead of a human. Each run checks what changed, does what's needed, leaves notes for the next run — and it never finishes, it runs until you cancel it.
Un agent relancé par un déclencheur (horaire, intervalle, événement) plutôt que par un humain. Chaque passage regarde ce qui a changé, fait le nécessaire, laisse des notes pour le suivant — et ça ne se termine jamais, ça tourne jusqu'à résiliation.
The tendency of models to use the start and end of a long context well and to miss what sits in the middle (named after a 2023 study). A reason to keep prompts lean and put key facts at the edges.
La tendance des modèles à bien exploiter le début et la fin d'un long contexte et à rater ce qui se trouve au milieu (du nom d'une étude de 2023). Une raison de garder des prompts sobres et de placer l'essentiel aux extrémités.
An open standard that plugs an AI agent into external tools and data (databases, Jira, browsers) through "MCP servers".
Un standard ouvert qui branche un agent IA sur des outils et données externes (bases, Jira, navigateurs) via des « serveurs MCP ».
The trained network that turns an input into an output. Each one has its own tokenizer, context window, strengths and price.
Le réseau entraîné qui transforme une entrée en sortie. Chacun a son tokenizer, sa fenêtre de contexte, ses forces et son prix.
Several full agents (each with its own loop, tools and context) coordinated by a lead agent toward one goal. Reserve it for tasks too big for a single context.
Plusieurs agents complets (chacun sa boucle, ses outils, son contexte) coordonnés par un agent chef vers un objectif. À réserver aux tâches trop grandes pour un seul contexte.
A model that handles more than text — images, audio, sometimes video — in the same conversation.
Un modèle qui gère plus que le texte — images, audio, parfois vidéo — dans la même conversation.
The kind of program an LLM is: layers of simple units whose billions of connections (the parameters) are tuned during training. Loosely inspired by the brain's neurons.
Le type de programme qu'est un LLM : des couches d'unités simples dont les milliards de connexions (les paramètres) sont réglées pendant l'entraînement. Vaguement inspiré des neurones du cerveau.
What an LLM actually does: given the text so far, guess the most likely next token, then repeat. A giant, well-read autocomplete.
Ce que fait réellement un LLM : au vu du texte jusqu'ici, deviner le token suivant le plus probable, puis recommencer. Une autocomplétion géante et très cultivée.
A model whose trained weights (its parameters) are free to download and run anywhere, but whose training data and code stay private. The take-home dish: yours to run and tune, without the recipe.
Un modèle dont les poids entraînés (ses paramètres) sont téléchargeables et exécutables librement, mais dont les données et le code d'entraînement restent privés. Le plat à emporter : à vous, sans la recette.
A model released with its weights, training code and data under a permissive license, so anyone could study or reproduce it. Much rarer than "open weight", which shares only the weights.
Un modèle publié avec ses poids, son code et ses données d'entraînement sous licence permissive, pour que chacun puisse l'étudier ou le reproduire. Bien plus rare que l'« open weight », qui ne partage que les poids.
A pattern where a lead LLM decides the subtasks at runtime and delegates each to a worker call running in its own fresh context.
Un pattern où un LLM chef décide des sous-tâches à l'exécution et délègue chacune à un appel ouvrier tournant dans son propre contexte neuf.
The tokens the model generates in reply. Usually several times more expensive than input tokens, because generating is the heavy compute.
Les tokens que le modèle génère en réponse. Souvent plusieurs fois plus chers que les tokens d'entrée, car générer est le calcul le plus lourd.
Running several LLM calls at once, either splitting the work (sectioning) or repeating it to cross-check answers (voting), then merging the results.
Lancer plusieurs appels LLM en même temps, pour répartir le travail (découpage) ou le répéter et recouper les réponses (vote), puis fusionner les résultats.
The billions of internal numbers a model adjusts during training. More parameters often means more capable, but heavier and pricier.
Les milliards de nombres internes qu'un modèle ajuste pendant l'entraînement. Plus de paramètres = souvent plus capable, mais plus lourd et plus cher.
A pattern where the model writes its complete plan first, the plan gets validated (human, rules or another model), and only then does execution start — the approved quote before the renovation.
Un pattern où le modèle écrit d'abord son plan complet, le plan est validé (humain, règles ou autre modèle), et seulement ensuite l'exécution démarre — le devis approuvé avant les travaux.
The instruction or question you give a model. The craft of writing good ones is "prompt engineering".
L'instruction ou la question que vous donnez à un modèle. L'art d'en écrire de bons s'appelle le « prompt engineering ».
Reusing an identical prompt prefix (a big system prompt, a long document) so the provider rereads it cheaply instead of recomputing. Up to ~90% cheaper and much faster.
Réutiliser un préfixe de prompt identique (gros prompt système, long document) pour que le fournisseur le relise à prix cassé au lieu de tout recalculer. Jusqu'à ~90 % moins cher et bien plus rapide.
A workflow pattern that cuts a task into a fixed sequence of small LLM calls, each feeding the next, with cheap checks between steps.
Un pattern de workflow qui découpe une tâche en séquence fixe de petits appels LLM, chacun nourrissant le suivant, avec des contrôles peu coûteux entre les étapes.
A saved prompt (.prompt.md) you replay as a slash command, to avoid retyping the same instructions.
Un prompt enregistré (.prompt.md) que vous rejouez comme une commande slash, pour éviter de retaper les mêmes instructions.
An attack where malicious text (in a page, file or tool result) hijacks the model's instructions. The top security risk of agents and MCP.
Une attaque où un texte malveillant (dans une page, un fichier ou un résultat d'outil) détourne les instructions du modèle. Le principal risque de sécurité des agents et de MCP.
Shrinking a model by storing its numbers with less precision, so it runs on smaller hardware with a small quality trade-off.
Réduire un modèle en stockant ses nombres avec moins de précision, pour qu'il tourne sur du matériel plus modeste, au prix d'une légère perte de qualité.
Fetching relevant documents and adding them to the prompt so the model answers from your data, not just its training.
Aller chercher des documents pertinents et les ajouter au prompt pour que le modèle réponde à partir de vos données, pas seulement de son entraînement.
A cousin of RAG where the model queries the data source while it writes: each number or fact triggers a mini-lookup whose real value replaces the model's estimate. Young but promising for statistics.
Un cousin du RAG où le modèle interroge la source de données pendant qu'il écrit : chaque chiffre ou fait déclenche une mini-requête dont la vraie valeur remplace son estimation. Jeune mais prometteur pour les statistiques.
A workflow pattern that classifies each request first, then dispatches it to a specialized path (its own prompt, tools, model).
Un pattern de workflow qui classe d'abord chaque demande, puis l'aiguille vers un parcours spécialisé (son prompt, ses outils, son modèle).
Reusable, on-demand know-how packages (a SKILL.md plus scripts) an agent loads only when a task matches. An open, portable standard.
Des paquets de savoir-faire réutilisables et à la demande (un SKILL.md plus des scripts) qu'un agent charge seulement quand une tâche correspond. Un standard ouvert et portable.
Demanding a machine-readable answer (JSON, fixed fields, closed enums) instead of prose, so code can validate, store and act on it. Shorter too, a big saver on output tokens.
Exiger une réponse lisible par la machine (JSON, champs fixes, énumérations fermées) plutôt que de la prose, pour que le code puisse la valider, la stocker et agir dessus. Plus court aussi, grosse économie de tokens de sortie.
The top-level instruction that sets a model's role and rules for the whole conversation, before your own messages.
L'instruction de plus haut niveau qui fixe le rôle et les règles du modèle pour toute la conversation, avant vos propres messages.
A dial (from 0 to ~1+) controlling randomness: low = focused and repeatable, high = creative and varied.
Un curseur (de 0 à ~1+) qui contrôle le hasard : bas = concentré et reproductible, haut = créatif et varié.
The smallest chunk of text a model reads or writes: not a word, not a letter, but a fragment (often a syllable). Everything is measured and billed in tokens.
Le plus petit morceau de texte qu'un modèle lit ou écrit : ni un mot, ni une lettre, mais un fragment (souvent une syllabe). Tout se mesure et se facture en tokens.
The tool that cuts your text into tokens before the model sees it. Each model family has its own, so the same text can be a different number of tokens from one model to another.
L'outil qui découpe votre texte en tokens avant que le modèle ne le voie. Chaque famille de modèles a le sien, donc un même texte peut faire un nombre de tokens différent d'un modèle à l'autre.
When a model decides to invoke an external function (via MCP or a built-in tool) and use its result. That's how agents actually "do" things.
Quand un modèle décide d'invoquer une fonction externe (via MCP ou un outil intégré) et d'en utiliser le résultat. C'est ainsi que les agents « agissent » vraiment.
A dial that trims the model's word choices to the most probable ones whose probabilities add up to p: a way to cut off the far-fetched options while keeping variety.
Un curseur qui restreint les choix du modèle aux mots les plus probables dont les probabilités cumulées atteignent p : on coupe les options farfelues tout en gardant de la variété.
The one-off, very expensive phase where a model reads enormous amounts of text and adjusts its parameters. Afterwards, using it is called "inference".
La phase unique et très coûteuse où un modèle lit d'énormes quantités de texte et ajuste ses paramètres. Ensuite, l'utiliser s'appelle l'« inférence ».
A database that stores embeddings and finds the closest ones fast: the "memory" a RAG system searches.
Une base qui stocke des embeddings et retrouve vite les plus proches : la « mémoire » qu'un système RAG interroge.
Building software mostly by describing what you want in natural language and letting an AI agent write it: steering by intent rather than typing every line.
Créer un logiciel surtout en décrivant ce que l'on veut en langage naturel et en laissant un agent IA l'écrire : piloter par l'intention plutôt qu'en tapant chaque ligne.
An AI system whose route is fixed by the developer: the model fills in the steps but doesn't choose them. Cheaper and more predictable than an agent; the right default when the steps are known.
Un système IA dont la route est fixée par le développeur : le modèle remplit les étapes mais ne les choisit pas. Moins cher et plus prévisible qu'un agent ; le bon défaut quand les étapes sont connues.
A cap on how many tokens the model may generate in one reply, a safety limit on length and cost.
Un plafond sur le nombre de tokens que le modèle peut générer en une réponse, une limite de sûreté sur la longueur et le coût.