Le contexte Go est un contrôle de flux, non un stockage.
Le context.Context de Go est suffisamment simple pour être utilisé à mauvais — et c’est là que se pose le problème.
Gérer les erreurs à la bonne frontière.
La gestion des erreurs en Go est souvent critiquée. Tout développeur Go a écrit ce code des centaines de fois :
« Cessez de dormir dans vos tests Go concurrents. »
Tester du code Go concurrent a toujours demandé une certaine discipline. Les goroutines sont économiques, les canaux sont simples et l’annulation via contexte est idiomatique — les travailleurs en arrière-plan et les minuteries sont omniprésents dans les services Go réels.
A2A n'est pas mort. Il n'est simplement pas universel.
Le protocole Agent2Agent de Google, généralement abrégé en A2A, a connu une première année étrange.
Des modèles de sondage fiables pour les agents IA.
Les agents de sondage (polling agents) font partie des aspects les moins glamour de l’architecture des assistants IA, mais ils sont aussi parmi les plus utiles.
MCP fournit aux agents des outils. A2A leur donne des pairs.
L’architecture des agents IA commence à se diviser en deux couches.
A2A transforme les agents en pairs du réseau.
Le protocole A2A, sigle d’Agent2Agent Protocol, est une norme ouverte pour la communication entre des systèmes d’agents IA indépendants.
Mettre en œuvre CQRS en Go sans formalités superflues
CQRS est l’un de ces modèles qui est souvent survendu, surcomplexifié et parfois mal diagnostiqué comme un remède à l’ennui du CRUD traditionnel.
Des diagrammes en code, sans les tracas.
Mermaid est un outil de diagrammes basé sur le texte, conçu pour ceux qui préfèrent écrire leurs diagrammes plutôt que de faire glisser des formes sur un canevas. Il utilise une syntaxe proche de Markdown pour décrire des organigrammes, des diagrammes de séquence, des diagrammes de classes, des machines à états, des frises chronologiques, des diagrammes de Gantt, des diagrammes entité-association et bien plus encore.
Choisissez le motif le plus simple qui fonctionne.
Les systèmes mono-modèles sont simples. Les systèmes multi-modèles sont puissants. Le défi ne réside pas dans le choix des modèles, mais dans la conception de l’architecture qui les orchestre.
Contrôlez le risque, pas seulement le modèle.
Les LLMs sont imprévisibles. Ils hallucinent, fuient des données, génèrent du contenu nuisible ou refusent des demandes légitimes. Les garde-fous (guardrails) contraignent le comportement du modèle sans sacrifier ses capacités.
Comment les assistants sérieux sont réellement construits.
Un assistant IA de production n’est pas « un LLM avec un prompt ». C’est un système qui accepte l’intention, maintient un état, décide quand récupérer ou agir, et expose suffisamment de détails d’exécution pour déboguer les échecs.
Arrêtez d’interpréter des vibes. Validez les contrats.
La plupart des tutoriels sur les « sorties structurées » des LLM manquent de sérieux. Ils vous apprennent à demander du JSON poliment, puis à espérer que le modèle se comporte correctement. Ce n’est pas de la validation. C’est de l’optimisme entre accolades.
Évitez les effets de bord en double
L’idempotence dans les systèmes distribués est la propriété qui vous sauve lorsque le réseau ment, que la file d’attente réessaie, que le client panique et que l’opérateur appuie sur « rejouer ». Dans les systèmes de production, la livraison en double est normale. Les effets secondaires dupliqués constituent le bug.
Créer des Claude Skills qui tiennent en situation réelle
La plupart des équipes utilisent mal les Claude Skills de l’une de ces deux manières. Elles transforment soit SKILL.md en une poubelle, soit elles ne parviennent jamais à se départir de prompts géants copiés-collés.
Les compétences à conserver et celles à ignorer
OpenClaw possède deux types d’extensions, et il est facile de les confondre.
Les plugins étendent le temps d’exécution (runtime). Les compétences (skills) étendent le comportement de l’agent.
