Partie 2 de la série “Dans les coulisses d’arbitres.ca” : Partie 1 – Assigner des arbitres sans Excel | English
Dans le premier article, j’ai présenté arbitres.ca et sa stack. Ici, je passe à la méthode. À la fin juillet, le dépôt comptait 280 commits, 68 specs et 9 skills, accumulés sur environ deux mois et demi de soirées.
[Lire]Partie 1 de la série “Dans les coulisses d’arbitres.ca” : Partie 2 – Comment je l’ai bâti avec l’IA | English
J’ai un proche qui arbitre au baseball mineur. C’est comme ça que j’ai vu comment les associations gèrent leurs assignations d’arbitres, souvent avec un fichier Excel et une série de textos. Je voulais aussi un projet assez gros pour tester pour vrai Blazor et Supabase, et ma façon de travailler avec l’IA.
[Lire]Partie 3 de la série “Agent Skills” : Partie 1 – C’est quoi une skill | Partie 2 – Créer sa propre skill | English
Dans le premier article et le deuxième de cette série, on a vu ce qu’est une skill et comment en créer une. Une skill donne des instructions à l’agent, mais elle ne lui donne pas accès à de nouvelles données ou de nouveaux systèmes. Pour ça, il faut des outils, et c’est le rôle de MCP.
[Lire]Partie 6 de la série “Développement IA avec Ollama et .NET” : Partie 1 – Ollama et .NET | Partie 2 – RAG local | Partie 3 – Agents IA | Partie 3.5 – Serveur MCP | Partie 4 – Microsoft Agent Framework | Partie 5 – Aspire | English
Demander à un modèle local de répondre en JSON directement dans le prompt, ça fonctionne la plupart du temps. Le problème, c’est le reste du temps : le parsing explose, et rarement au bon moment. Voici un truc simple pour obtenir du JSON fiable avec Ollama et .NET.
[Lire]Partie 5 de la série “Développement IA avec Ollama et .NET” : Partie 1 – Ollama et .NET | Partie 2 – RAG local | Partie 3 – Agents IA | Partie 3.5 – Serveur MCP | Partie 4 – Microsoft Agent Framework | English
Dans le reste de la série, Ollama tournait à la main : installé localement sur la machine, le ollama pull fait manuellement, et l’application .NET qui pointait sur l’adresse locale d’Ollama codée en dur. Ça fonctionne, mais c’est plusieurs étapes manuelles à refaire sur chaque poste. Aspire prend en charge cette configuration. J’ai voulu voir ce que ça change.
Cet article fait partie de la série Assistant vocal sur Raspberry Pi.
En six articles et deux soirées de travail, on a assemblé un assistant vocal franco-québécois qui tourne entièrement en local sur deux Raspberry Pi 4.
[Lire]Cet article fait partie de la série Assistant vocal sur Raspberry Pi.
À l’article #5, on injectait la météo dans chaque conversation, même pour une question comme “quel est ton nom?”. C’est du gaspillage de tokens. Le function calling règle ça : le LLM décide lui-même quand appeler un outil, et uniquement quand c’est nécessaire.
Le code complet de cet article est disponible sur GitHub.
[Lire]Cet article fait partie de la série Assistant vocal sur Raspberry Pi.
L’assistant répond bien, mais il ne sait pas quel temps il fait dehors. On branche Open-Meteo, une API météo gratuite et sans clé. Tant qu’à y être, on swap aussi Ollama pour Claude API : une seule ligne dans appsettings.json.
Le code complet de cet article est disponible sur GitHub.
[Lire]Cet article fait partie de la série Assistant vocal sur Raspberry Pi.
L’assistant de l’article #3 fonctionne, mais chaque échange repart de zéro. On règle ça en trois temps : mémoire conversationnelle, détection automatique de silence, et démarrage au boot avec systemd.
Le code complet de cet article est disponible sur GitHub.
[Lire]