LLM on Simple Enough Blog

Serveurs MCP : intégration et écosystème

Wed, 17 Jun 2026 10:00:00 +0200

Dans le premier article, nous avons posé les bases du Model Context Protocol ; dans le deuxième, nous avons construit un serveur de A à Z. Reste la question qui transforme un prototype en outil du quotidien : comment intégrer un serveur MCP dans son environnement de travail, en réutilisant l’écosystème existant, sans ouvrir une faille de sécurité ? C’est l’objet de ce dernier article.

I. Connecter un serveur à Claude et Claude Code

Dans le tutoriel, nous avons branché notre serveur à Claude Desktop via claude_desktop_config.json. Claude Code, l’assistant en ligne de commande, offre une approche encore plus directe avec la sous-commande claude mcp :

Tutoriel : construire son premier serveur MCP en Python

Wed, 10 Jun 2026 10:00:00 +0200

Dans le premier article sur les serveurs Model Context Protocol nous avons posé les bases sur : son architecture hôte / client / serveur et ses trois primitives (outils, ressources, prompts). Place à la pratique. Dans ce tutoriel, nous construisons de bout en bout un petit serveur MCP en Python qui expose un outil et une ressource, puis nous le branchons à un hôte pour voir un modèle s’en servir.

Les serveurs MCP : comprendre le Model Context Protocol

Wed, 03 Jun 2026 10:00:00 +0200

Les modèles de langage sont brillants pour raisonner sur du texte, mais ils sont, par nature, coupés du monde. Un modèle ne peut pas lire vos fichiers, interroger votre base de données ou appeler une API tant qu’on ne lui en donne pas explicitement les moyens. Le Model Context Protocol (MCP) est le standard qui résout ce problème de façon générique. Ce premier article pose les bases ; les suivants entreront dans le détail de la construction d’un serveur et de son intégration à un écosystème.

Qu’est-ce qu’un Harness pour agents IA ? Comprendre l’infrastructure derrière Claude Code et Cursor

Wed, 27 May 2026 15:55:01 +0200

I. Qu’est-ce qu’un Harness pour agents IA ?

Lorsque l’on découvre des outils comme Claude Code, Cursor ou OpenAI Codex, il est facile d’avoir l’impression qu’un simple modèle de langage est capable de comprendre un projet complet, corriger du code, exécuter des commandes ou encore lancer des tests de manière autonome.

Pourtant, la réalité technique est bien plus intéressante.

Écrire un Prompt : Guide Technique

Fri, 18 Apr 2025 11:02:00 +0100

I. Comprendre ce qu’ est un prompt dans LangChain

Dans LangChain, un prompt représente une structure textuelle destinée à guider un modèle de langage. Un prompt bien construit intègre plusieurs composants essentiels :

Instruction : Ce que vous demandez explicitement au modèle.
Context : Informations supplémentaires permettant de cadrer la réponse.
Input Data : Les données d’entrée spécifiques à chaque exécution.
Output Indicator : Ce que vous attendez comme type de sortie.

Ce format permet de formuler des requêtes claires, encadrées, et reproductibles. Voici un autre exemple utilisant LangChain en Python avec cette structure :

J'hallucine avec Langchain

Mon, 07 Apr 2025 09:22:00 +0100

I Qu’est-ce qu’une hallucination ?

Une hallucination désigne une réponse générée par un modèle de langage qui est factuellement incorrecte, inventée, ou qui interprète mal la réalité. Cela peut aller d’un détail erroné à une citation fictive, en passant par une pure invention technique ou historique.

Exemple :

“Einstein a découvert la relativité générale en 1975.”

C’est faux (c’était en 1915), mais le modèle peut produire ce type d’assertion s’il n’a pas la bonne contrainte contextuelle ou s’il est trop confiant dans son raisonnement.

1000 le nombre magique dans le monde des LLM

Wed, 26 Mar 2025 09:05:00 +0100

I. Taille des chunks : pourquoi ~1000 tokens ?

La valeur par défaut de 1000 tokens par chunk n’est pas arbitraire :

Un chunk de cette taille contient généralement assez d’information pour être sémantiquement cohérent, sans être trop lourd.
Il reste compatible avec les fenêtres contextuelles des LLMs modernes (4k, 8k, 32k voire 1M tokens).
Il évite de diluer la compréhension ou de casser des unités de sens.

Certains cas nécessitent des tailles différentes :