AI Coding

Coder avec une IA LLM.

• Build a local AI co-pilot using IBM Granite 4, Ollama, and Continue

Autres pages:

• La page d'index AI LM
• Quelques essais perso
• Un peu de GPU bench
• AI Image pour la génération d'image avec un LM
• Pour d'Autres usages que la programmation informatique (codage)

• LangChain: un framework open-source conçu pour faciliter la création d’applications alimentées par des modèles de langage (comme GPT, Llama, etc.). Il permet de combiner des LLMs avec d’autres sources de données, outils externes, ou encore des bases de connaissances, pour construire des workflows complexes.
• LLPhant : A comprehensive PHP Generative AI Framework, inspired by Langchain, sur lequel est construit AutoPHP an agent PHP framework. Avec notamment présentation et usage de vectorstores et embeddings
• LangSmith: une plateforme de débogage, de test et de monitoring pour les applications construites avec LangChain ou d’autres frameworks similaires
• LangGraph: une extension de LangChain qui permet de modéliser des workflows d’IA sous forme de graphes. Contrairement à LangChain, qui utilise des chaînes linéaires ou séquentielles, LangGraph permet de créer des processus dynamiques et non linéaires, où les étapes peuvent s’enchaîner de manière conditionnelle ou parallèle.
• STM (Short Term Memory): permet à un agent IA de se souvenir des entrées récente. Généralement mise en œuvre à l’aide d’une mémoire tampon circulaire ou d’une fenêtre contextuelle (context window), qui contient une quantité limitée de données récentes avant d’être écrasée.
• LTM (Long Term Memory): permet aux agents IA de stocker et de récupérer des informations entre différentes sessions. souvent mise en œuvre à l’aide de bases de données, de graphes de connaissances ou d’embeddings vectoriels.
  • RAG (Retrieval-Augmented Generation): combine deux capacités de l’IA : la récupération d’informations et la génération de texte.
• ACP (Agent Communication Protocol): transformeles agents d’IA en coéquipiers interconnectés.
• MCP (Model Context Protocol): une couche de standardisation pour permettre aux applications d’IA de communiquer efficacement avec des services externes tels que des outils, des bases de données et des modèles prédéfinis.

• What are AI agents? by Mistral
• guide des agents d’IA par Ibm
  • Frameworks pour agents IA
• Le RAG est mort. Voici pourquoi. Article comparent RAG et GREP ; les commentaires sont une bonne source de connaissance.

Pour de l'assistance au code

GGUF Models Metadata Viewer : Un viewer des meta-données des modèles que j'essaye en local réalisé sans coder, juste assistant IA et “OpenCode Zen Big Pickle” et “Mistral Devstral 2”.

• Qwen
  • Qwen2.5-Coder-7B-Instruct
    • layers=37, n_ctx_train=40960
    • avec 12Go --ctx-size 0
  • Qwen2.5-coder-7b-instruct-q8_0.gguf
    • file: 8.1 Go, n_ctx=131072
    • avec RTX 5060 16Go --ctx-size 0, nvidia-smi Memory-Usage 14920MiB / 16311MiB
  • Qwen3-8B
    • default context 40960, 37 layers
    • avec 12Go --ctx-size 0
  • Qwen3-14B
    • default context 40960, 40 layers
    • avec 12Go --ctx-size 0 --n-gpu-layers 28
  • Qwen3-Coder-30B-A3B-Instruct
    • layers=48, n_ctx_train=262144, n_embd=2048, n_rot=128, n_expert=128, n_expert_used=8, n_vocab=151936, n_merges=151387, max token length=256
    • avec 12Go --ctx-size 70000 --n-gpu-layers 23
    • avec 12Go --ctx-size 40000 --n-gpu-layers 26
• DeepSeek2
  • DeepSeek-Coder-V2-Lite-Instruct 16B by bartowski
    • layers=28, n_ctx_train=163840, n_ctx_orig_yarn=4096, n_embd=2048, n_rot=64, rope scaling=yarn
    • avec 12Go --ctx-size 30000 --n-gpu-layers 15
  • Deepseek-Coder-6.7B-Instruct by second-state
    • default context 16384, 32 layers
    • avec 12 Go --ctx-size 0 --n-gpu-layers 30
    • context trop petit pour projet code
• Google DeepMind Gemma
  • google/gemma-3-4b-it, entraîné Web Documents, 140 langages, Code, Mathematics, Images
  • GetSoloTech/Gemma3-Code-Reasoning-4B
  • GemmaCoder3-12B-IQ4_NL
    • file 8.4 Go, context 131k, 49 layers,
    • RTX3060 12Go:
      • --ctx-size 42000
      • --ctx-size 70000 --n-gpu-layers 41
    • RTX 5060 16Go:
      • --ctx-size 0, ggml_backend_cuda_buffer_type_alloc_buffer: allocating 1440.00 MiB on device 0: cudaMalloc failed: out of memory, alloc_tensor_range: failed to allocate CUDA0 buffer of size 1509949440
      • --ctx-size 0 --n-gpu-layers 42, model loaded
      • --ctx-size 70000, model loaded, nvidia-smi Memory-Usage: 13060MiB / 16311MiB
  • https://huggingface.co/bartowski/codegemma-7b-it-GGUF
• Meta
  • Meta-Llama-3.1-8B-Instruct by bartowski
    • Cutting Knowledge Date: December 2023
    • layers=33, n_ctx_train=131072
    • Avec 12 Go
      • llama-cli --ctx-size 55000
      • llama-server --ctx-size 50000
      • --ctx-size 65000 --n-gpu-layers 29
  • Llama-3-8B-Instruct-Coder-v2 by bartowski
    • layers=33, n_ctx_train=8192
  • codellama-13b-instruct.Q4_K_M.gguf
    • file: 7.9 Go
    • layers=40, n_ctx_train=16384, n_embd=5120, n_rot=128, n_expert=0, n_merges=0, max token length=48, n_vocab=32016
    • --ctx-size 0 --n-gpu-layers 22
    • RTX 5060 16Go
      • --ctx-size 0, ggml_backend_cuda_buffer_type_alloc_buffer: allocating 12800.00 MiB on device 0: cudaMalloc failed: out of memory
      • --ctx-size 0 -n-gpu-layers 30, model loaded
    • context trop petit pour projet code
  • CodeLlama-13B
    • layers=40, n_ctx_train=16384
    • context trop petit pour projet code
• Mistral
  • Mistral-7B-Instruct-v0.3 https://huggingface.co/lmstudio-community/Mistral-7B-Instruct-v0.3-GGUF
    • Q8_0 7.7 GB
  • Codestral-22B-v0.1 https://huggingface.co/lmstudio-community/Codestral-22B-v0.1-GGUF
    • Q5_K_M 15.7 GB, Q4_K_M 13.3 GB
  • Magistral-Small-2509 https://huggingface.co/bartowski/mistralai_Magistral-Small-2509-GGUF
    • Q4_1 14.9 GB, Q4_K_M 14.3 GB
  • Devstral-Small-2507 https://huggingface.co/unsloth/Devstral-Small-2507-GGUF
    • agentic LLM for software engineering tasks, finetuned from Mistral-Small-3.1, context window of up to 128k tokens
    • Devstral: How to Run & Fine-tune
    • Q4_K_XL 14.5 GB
  • Mamba-Codestral-7B-v0.1
    • Codestral on the Mamba2 architecture
• VibeThinker-1.5B (Weibo)
  • https://huggingface.co/Mungert/VibeThinker-1.5B-GGUF
• OpenAI
  • gpt-oss-20b https://huggingface.co/unsloth/gpt-oss-20b-GGUF
• IBM
  • Granite-4.0-H-Tiny
    • layer=40, n_ctx=1048576 (1M !), model type=1B, model params=6.94 B, n_embd=1536, n_merges=100000, max token length=256, n_rot=128, n_expert=64, n_expert_used=6
    • RTX 3060 12 Go
      • --ctx-size 500000, model loaded, nvidia-smi Memory-Usage 9766MiB/12288MiB
  • granite-8b-code-instruct-4k (May 6th, 2024)
  • granite-8b-code-instruct-128
  • Granite 2.0 Code Model granite-8b-code-instruct-128k
  • granite-8b-code-instruct-128k-Q5_K_M.gguf
    • file=5.7 Go, n_ctx=128000, n_layer=36
    • RTX 5060 16 Go
      • --ctx-size 0, model loading error: ggml_backend_cuda_buffer_type_alloc_buffer: allocating 18000.00 MiB on device 0: cudaMalloc failed: out of memory, alloc_tensor_range: failed to allocate CUDA0 buffer of size 18874368000
      • --ctx-size 70000, model loaded, nvidia-smi Memory-Usage 15710MiB/16311MiB
  • granite-8b-code-instruct-128k-Q4_K_M.gguf
    • file=4.9 Go, n_ctx=128000, n_layer=36
    • RTX 5060 16 Go
      • --ctx-size 0, model loading error: ggml_backend_cuda_buffer_type_alloc_buffer: allocating 18000.00 MiB on device 0: cudaMalloc failed: out of memory, alloc_tensor_range: failed to allocate CUDA0 buffer of size 18874368000
      • --ctx-size 70000, model loaded, nvidia-smi Memory-Usage 14910MiB/16311MiB
    • RTX 3060 12 Go
      • --ctx-size 44000, model loaded, nvidia-smi Memory-Usage 11136MiB/12288MiB

Plan de test de comparaison par LeChat de Mistral:

Mistral

• IHM: https://console.mistral.ai
• https://codestral.mistral.ai/v1
  • codestral-2508, Our cutting-edge language model for coding released August 2025.
    • max_context_length=256000, default_model_temperature=0.3
    • capabilities: completion_chat, function_calling, completion_fim, fine_tuning, vision, ocr, classification, moderation, audio
• https://api.mistral.ai/v1
  • devstral-2512, Official mistral-vibe-cli-latest Mistral AI model
    • max_context_length=262144, default_model_temperature=0.2
    • capabilities: completion_chat, function_calling, completion_fim, fine_tuning, vision, ocr, classification, moderation, audio

• LUCIE, le modèle d’IA Open Source dédié à l’Éducation
  • Lucie-7B, notre premier modèle fondation entraîné à partir de zéro, est le plus gros modèle fondation qui a été entraîné sur plus de 30 % de données françaises sur openllm-france.fr
  • Model Card for Lucie-7B-Instruct-human-data
• EuroLLM, Large language model made in Europe built to support all official 24 EU languages
  • EuroLLM - Le LLM européen qui tourne sur votre laptop
    • huggingface/utter-project/EuroLLM-9B
      • https://huggingface.co/bartowski/EuroLLM-9B-Instruct-GGUF
• Vigogne modèles réentrainer en français (2023)
  • Voilà Voilà: Unleashing Vigogne Chat V2.0
• LightOn dévoile Reason-ModernColBERT
  • un modèle open source taillé pour la Deep Research et capable de battre des géants du retrieval avec seulement 150 millions de paramètres. L’entraînement complet ne prend que deux heures et moins de 100 lignes de code, ouvrant la voie à un fine-tuning rapide sur des corpus privés

Agentic Capabilities LLMs.

• Why Cline Doesn't Index Your Codebase (And Why That's a Good Thing) ; Code isn't like other data: it's interconnected, constantly evolving ; Cline use AST (Abstract Syntax Tree)

Listes d'agents

• Top 20 des agents de codage IA à essayer absolument en 2025

La concurrence est rude entre les entreprises et startups de l’IA. Dernier terrain de bataille, les agents dédiés au développement web et à la programmation. Google, avec Jules ; OpenAI, avec Codex ; GitHub, avec Copilot ; Anthropic, avec Claude Code, sans oublier les outils comme Lovable. Au tour maintenant du Français Mistral de proposer un « assistant de programmation propulsé par l’IA ». Mais de quoi s’agit-il exactement ?
→ Mistral Code, un nouvel agent IA pour automatiser le développement logiciel

https://docs.continue.dev/

https://claude.com/product/claude-code

THÉRÈSE (Terminal Helper for Engineering, Research, Editing, Software & Execution) est un assistant de code en ligne de commande, 100% français, inspiré de Claude Code mais propulsé par Mistral AI.

https://github.com/ludovicsanchez38-creator/Synoptia-THERESE-CLI

shai is a coding agent, your pair programming buddy that lives in the terminal. Written in rust with love <3 at OVH.

https://github.com/ovh/shai

• https://opencode.ai
• https://github.com/sst/opencode https://github.com/anomalyco/opencode (yep, encore changé de nom…)

Les prompts system:

• https://github.com/sst/opencode/tree/dev/packages/opencode/src/session/prompt
• config
  • agents https://opencode.ai/docs/agents/#json
  • modes https://opencode.ai/docs/modes/#json-configuration

Modèles conseillés :

• GPT 5.1
• GPT 5.1 Codex
• Claude Sonnet 4.5
• Claude Haiku 4.5
• Kimi K2
• GLM 4.6
• Qwen3 Coder
• Gemini 3 Pro

Plus de choses OpenCode

opencode models liste les modèles disponibles sur les providers configurés. Bien pratique pour trouver le nom à mettre dans la config.

Modèles on-line essayés avec opencode.

• Big Pickle (opencode zen) : résultats impressionants ! Un vrai super assistant
• Codestral (mistral free)
  • baseURL: https://codestral.mistral.ai/v1
  • model : codestral-latest
• Qwen3-Coder-30B-A3B-Instruct (ovhcloud) : ça fonctionne mais juste le minimum
• OvhCloud pas stable 😩
  • mistral-nemo-instruct-2407 (ovhcloud) : Pas de réponse
  • Mixtral-8x7B-Instruct-v0.1 (ovhcloud) : Bad request
  • Llama-3.1-8B-Instruct (ovhcloud) : Failed with “First, let me check the opencode documentation to see if there's any information about …”
  • Meta-Llama-3_3-70B-Instruct (ovhcloud) : Failed with “Unknown agent type: greeting-responder is not a valid agent type”

• GemmaCoder3-12B
  • erreur format de conversation : “Conversation roles must alternate user/assistant/user…”

• https://github.com/cline/cline
• https://docs.cline.bot

Par OpenAi

• https://developers.openai.com/codex/cli
• https://github.com/openai/codex

Par Anysphere Inc

https://cursor.com/pricing

Contient le serveur de model qu'il faut installer.

• https://www.tabbyml.com/
• source https://github.com/TabbyML/tabby
• doc https://tabby.tabbyml.com/docs/

fork de Google's Gemini CLI

• https://github.com/vybestack/llxprt-code
• présentation: https://www.aitoolnet.com/fr/llxprt-code

https://windsurf.com/editor

https://www.tabnine.com/

Apache 2.0 license

• https://docs.mistral.ai/mistral-vibe/introduction
• https://github.com/mistralai/mistral-vibe

Les serveurs MCP sont des programmes qui exposent des capacités spécifiques aux applications d'IA via des interfaces de protocole standardisées. Parmi les exemples courants, on peut citer les serveurs de systèmes de fichiers pour l'accès aux documents, les serveurs de bases de données pour les requêtes de données, les serveurs GitHub pour la gestion du code, les serveurs Slack pour la communication entre équipes et les serveurs de calendrier pour la planification.

3 typologies:

• Tools
• Resources
• Prompts

Articles:

• le site “officiel” du standard MCP modelcontextprotocol.io : What is the Model Context Protocol (MCP)?
• Let AI Interact with Your App via MCP (show how to build an MCP server for a task management app)

Curated lists:

• rohitg00/awesome-devops-mcp-servers A curated list of awesome MCP servers focused on DevOps tools and capabilities.
• Official MCP Registry
  • EU law https://github.com/Ansvar-Systems/EU_compliance_MCP
  • osm tagging schema https://github.com/gander-tools/osm-tagging-schema-mcp
• le Marché des serveurs MCP par LobeHub
  • Blender MCP, Dav MCP, Nextcloud MCP …

A collection of reference implementations for the Model Context Protocol (MCP), as well as references to community-built servers and additional resources.

• https://modelcontextprotocol.io/docs/getting-started/intro
• https://github.com/modelcontextprotocol/servers/

• Everything - Reference / test server with prompts, resources, and tools.
• Fetch - Web content fetching and conversion for efficient LLM usage.
• Filesystem - Secure file operations with configurable access controls.
• Git - Tools to read, search, and manipulate Git repositories.
• Memory - Knowledge graph-based persistent memory system.
• Sequential Thinking - Dynamic and reflective problem-solving through thought sequences.
• Time - Time and timezone conversion capabilities.
• …

• https://github.com/mcp/oraios/serena
• https://apidog.com/fr/blog/serena-mcp-server-fr/

A local, extensible, open source AI agent that automates engineering tasks.

• https://block.github.io/goose/
• https://github.com/block/goose
• integrate and use MCP servers as goose extensions like Selenium, Dev.to, BrowserBase, Auto Visualiser …

Apify Actors scrape up-to-date web data from any website for AI apps and agents, social media monitoring, competitive intelligence, lead generation, and product research. Crawl website to feed AI

• https://apify.com/
• https://mcp.apify.com/

https://grounded.tools/ https://github.com/arabold/docs-mcp-server

Index 3rd party documentation from websites, GitHub, npm, PyPI, and local files. Provide your AI with version-aware search tools via the Model Context Protocol. The open-source alternative to Context7, Nia, and Ref.Tools.

https://context7.com/

Dédié Php Laravel: https://laravel.com/ai/boost

https://github.com/ChromeDevTools/chrome-devtools-mcp/

chrome-devtools-mcp permet à votre agent de codage (tel que Gemini, Claude, Cursor ou Copilot) de contrôler et d'inspecter un navigateur Chrome en direct. Il agit comme un serveur MCP (Model-Context-Protocol), donnant à votre assistant de codage IA accès à toute la puissance de Chrome DevTools pour une automatisation fiable, un débogage approfondi et une analyse des performances.

https://github.com/modelcontextprotocol/servers-archived/tree/main/src/puppeteer

A Model Context Protocol server that provides browser automation capabilities using Puppeteer. This server enables LLMs to interact with web pages, take screenshots, and execute JavaScript in a real browser environment.

puppeteer_navigate, puppeteer_screenshot, puppeteer_click, puppeteer_hover, puppeteer_fill, puppeteer_select, puppeteer_evaluate

• benborla/mcp-server-mysql (Node.js), 22 contributors, 1.1k stars, 281 forks, 14 releases
• designcomputer/mysql_mcp_server (Python), 8 contributors, 1.1k starts, 223 forks, 6 releases

Yen a toute une palanquée mais peu/pas de github stars, contributeurs…

• https://github.com/dpflucas/mysql-mcp-server
  • https://github.com/cano721/mysql-mcp-server
• https://github.com/Darkstar326/mcp-mysql/tree/iflow
• https://github.com/nilsir/mcp-server-mysql
• https://github.com/ashenud/mcp-mysql-server
• https://github.com/GuangYiDing/mysql-mcp-server
• https://github.com/liliangshan/mcp-server-mysql
  • https://github.com/BobLiu1996/mcp-server-mysql
• https://github.com/sajithrw/mcp-mysql
• … on dirait que c'est un exercice favori 😉

https://github.com/modelcontextprotocol/servers/tree/main/src/fetch

• https://github.com/modelcontextprotocol/php-sdk

https://github.com/php-mcp/client

Intelephense (php) https://intelephense.com/docs

Php Actor

• https://github.com/phpactor/phpactor
• https://phpactor.readthedocs.io

• Bifrost: The LLM Gateway That's 40x Faster Than LiteLLM

{
  "fallbacks": {
    "enabled": true,
    "order": [
      "openai/gpt-4o-mini",
      "anthropic/claude-sonnet-4",
      "mistral/mistral-large-latest"
    ]
  }
}

Le “prompt système” est un élément essentiel : c'est la feuille de route pour le modèle, en définissant son comportement, ses limites, et même sa “personnalité”. Son efficacité dépend de sa formulation et des spécificités du modèle.

• Exemple de system message pour un chatbot: Demo: A Chatbot For Super-Spies!
• Les System prompts de OpenCode

• Agents réflexes simples / simple reflex agent
• Agents basés sur des modèles / model based agent
• Agents basés sur des objectifs / goal based agent
• Agents basés sur l'utilité / utility based agent
• Agents d'apprentissage / learning agent
• Agents hiérarchiques / hierarchical agent

• The Agent Client Protocol Agent Client Protocol (ACP) standardizes communication between code editors/IDEs and coding agents and is suitable for both local and remote scenarios.

• Retour d'expérience sur la création d'un agent autonome avec AutoPhp (Youtube, janvier 2024)
• Retour expé entreprises:
  • Leboncoin - La GenAI au service de la relation client (2025-01)
  • Aramis Auto - Nouvelles frontières de l'automatisation avec les agents autonomes (2025-01)
• Exploring AI riding an LLPhant - An Open Source Library to use LLMs and vector DBs in PHP (slide, juillet 2023) - RAG, embeddings …
• RAG frameworks benchmark results: LangChain vs LangGraph vs LlamaIndex vs Haystack vs DSPy

• https://github.com/LLPhant/LLPhant
• https://github.com/LLPhant/AutoPHP
• Essai AutoPhp

A unified interface for working with LLMs in Laravel.

• https://prismphp.com
• https://github.com/prism-php/prism
• Et son client MCP
  • https://github.com/prism-php/relay