Description
LLMs Expérimentés est un outil innovant open-source conçu pour améliorer les agents de codage IA grâce à l'auto-éducation. Développé par Andrey Eremin, ce moteur permet aux agents IA d'apprendre à partir des retours quotidiens et des corrections d'erreurs, les rendant plus adaptés aux besoins individuels des utilisateurs au fil du temps. Contrairement à la mémoire IA traditionnelle, LLMs Expérimentés se concentre sur l'auto-éducation, capturant des heuristiques hors ligne dans SQLite et les compilant en directives opérationnelles claires.
Lire la suite
L'outil fonctionne à travers un cycle d'apprentissage quotidien, capturant les retours pendant les sessions de codage et les consolidant pendant la nuit. Ce processus implique l'enregistrement des corrections et des cas particuliers localement, qui sont ensuite analysés par un LLM pour remplacer les directives obsolètes, dédupliquer les chevauchements et trier les règles en catégories claires. Le lendemain matin, les agents commencent par lire ces directives compilées, qui sont compactes et exemptes de commentaires inutiles.
Conçu avec la confidentialité et la simplicité à l'esprit, LLMs Expérimentés garantit une stricte limitation à des fichiers spécifiques, assurant zéro analyse de dépôt, indexation ou télémétrie. Il utilise une consolidation uniquement par LLM pour la déduplication sémantique et la résolution de contradictions, en faisant un outil robuste pour les développeurs.
L'outil est compatible avec diverses plateformes, y compris macOS, Linux, Windows 11 natif et Windows 11 avec des environnements hybrides WSL. Il est emballé comme une compétence open-source propre compatible avec Antigravity, Claude Code, Cursor et Copilot, et est disponible gratuitement sous la licence MIT. Les développeurs peuvent accéder au dépôt sur GitHub pour inspecter le code ou commencer à adapter leurs agents locaux dès aujourd'hui.
- CatégorieAssistants de codage IA
- Modèle tarifaireGratuit
- DéploiementLocal
- PlateformesmacOS, Linux, Windows 11
Fonctionnalités principales de LLMs Expérimentés
Moteur d'auto-éducation open-source
Capture des retours et corrections quotidiens
Compilation des heuristiques dans SQLite
Fonctionne à travers un cycle d'apprentissage quotidien
Assure la confidentialité avec une stricte limitation des fichiers
Consolidation uniquement par LLM pour la déduplication
Compatibilité multiplateforme
Gratuit sous licence MIT
Comment utiliser LLMs Expérimentés ?
Installer : Configurez l'outil depuis GitHub
Configurer : Ajustez les paramètres pour votre environnement
Utiliser : Enregistrez les retours pendant les sessions de codage
Optimiser : Examinez et affinez les directives compilées
Cas d'utilisation de LLMs Expérimentés
- Personnalisation des Agents
- Intégration des Retours
- Développement Axé sur la Confidentialité
- Développement IA Multiplateforme
- Collaboration Open-Source
