Grok Build (xAI) déploie un projet IA complet en 4 prompts

Un agent opéré dans le terminal a généré des données, entraîné plusieurs modèles, retenu le meilleur pipeline et exposé une API FastAPI opérationnelle, testée en ligne. Les prédictions incluent une estimation en minutes et des métriques de performance, avec un modèle Gradient Boosting en tête. xAI présente Grok 4.6 comme un modèle de codage et d’agents longue durée au niveau des meilleurs, désormais au cœur de Grok Build.

Une API publique fonctionnelle retourne 13,06 minutes et expose ses métriques

Après déploiement sur FastAPI Cloud, l’API de prédiction a répondu avec un predicted_wait_time_minutes de 13,06, une explication indiquant environ 13,1 minutes liées à une file de 5 personnes et à l’horaire de pointe, le nom du modèle (Gradient Boosting) et ses métriques. Le bon fonctionnement du modèle déployé, du pipeline de prétraitement et du point de terminaison FastAPI en production a été confirmé. La même prédiction a également été vérifiée via l’interface Swagger en direct, qui renvoie la prédiction attendue, les métriques et l’explication. Une URL publique de documentation Swagger et une commande curl prêtes à l’emploi ont été fournies pour tester POST /predict sur une instance en ligne. L’exemple de payload comportait notamment une date de commande, l’heure, le type de boisson, la taille, la quantité, la longueur de file et le nombre de baristas. Le pipeline gagnant a été sérialisé au préalable et l’application charge ce fichier au démarrage, tout en exposant des routes de service et de santé.

Un agent de terminal automatise tests, reprise de session et déploiement

L’agent de codage Grok Build, accessible depuis un TUI plein écran et utilisable sans interface graphique, a pris en charge des tâches prolongées de développement, de l’exécution de commandes à la navigation web. Il a lui-même lancé le serveur, envoyé des requêtes de test et vérifié les réponses pour s’assurer du bon comportement des points de terminaison de prédiction et de validation. Lorsque la limite d’utilisation gratuite a été atteinte, la session a pu être reprise après un changement de plan, l’agent continuant exactement là où il s’était arrêté. Durant le déploiement, une authentification par navigateur a été requise, puis le processus a repris automatiquement. Le fait que Grok 4.6 alimente ce TUI permet d’exploiter le modèle de codage le plus récent d’xAI dans un environnement taillé pour lui.

Jeu de données synthétique nettoyé et analyse exploratoire chiffrée

Le projet a débuté par la génération de 3 000 commandes de café réalistes, avec enregistrement d’un fichier de données et production de visualisations. En quelques minutes, un jeu de données brut a été produit ainsi qu’une version nettoyée de 2 986 lignes, avec gestion des valeurs manquantes et suppression de 14 valeurs aberrantes extrêmes. Un temps d’attente moyen d’environ 10,5 minutes a été mis en évidence. L’heure de pointe ajoutait environ 3,3 minutes, tandis que la charge du personnel présentait la corrélation la plus forte avec le temps d’attente, à 0,68. Un modèle de base Random Forest a été établi, avec un MAE de 1,63 minute et un R² de 0,85.

Comparaison de modèles sur 598 commandes et export du pipeline gagnant

Un pipeline de prétraitement scikit-learn réutilisable a été construit avant l’entraînement de trois algorithmes: régression linéaire, Random Forest et Gradient Boosting. La comparaison a été menée sur un ensemble de test de 598 commandes à l’aide de MAE, RMSE et R². Gradient Boosting a obtenu les meilleurs résultats chiffrés avec un MAE de 1,101, un RMSE de 1,408 et un R² de 0,934. La régression linéaire a bien performé et Random Forest s’est classé troisième. Le pipeline gagnant a ensuite été enregistré dans models/coffee_wait_time_pipeline.joblib pour réutilisation.

Endpoints, validation et documentation intégrés dans une application FastAPI

L’application FastAPI produite charge le pipeline au démarrage et fournit trois points de terminaison: un point racine pour les informations de service et un exemple d’usage, un point de santé pour vérifier le chargement du modèle, et un point de prédiction qui renvoie une estimation du temps d’attente assortie d’une brève explication en langage simple. La validation des entrées s’appuie sur Pydantic afin de produire des messages d’erreur structurés en cas de données invalides. Des exemples sont inclus dans la documentation automatique, ce qui facilite les tests et l’intégration.

Installation cross‑plateforme et prise en main dans un dossier dédié

Des versions précompilées sont disponibles pour Windows, macOS, Linux et WSL. L’installation passe par une commande curl sur macOS, Linux et WSL, et par une commande PowerShell dédiée sous Windows. Une fois installé, l’outil renvoie la version 1.0.4 (d846eb93d9). La prise en main s’effectue dans un répertoire de travail dédié et l’agent démarre depuis ce dossier. Au premier lancement, une fenêtre de navigateur s’ouvre en général pour effectuer la connexion avant d’opérer entièrement en terminal.

Positionnement de Grok 4.6 et appréciations sur l’outil

Grok 4.6 est présenté par xAI comme un modèle de pointe dédié au codage, aux agents et au travail de connaissance, avec un accent sur les agents de longue durée capables de suivre des tâches multi‑étapes dans des bases de code. D’après des évaluations internes, il rivaliserait avec GPT-5.6 Sol sur l’Artificial Analysis Intelligence Index. Grok Build, l’agent de codage en terminal et TUI d’xAI, est directement propulsé par ce modèle. Selon le retour d’expérience relaté, l’agent a pris en charge l’ensemble du flux: génération et nettoyage des données, entraînement des modèles, construction de l’API, tests, correction des problèmes et déploiement. L’auteur juge l’outil plus capable et poli pour un travail de codage sérieux, le situe au niveau de Claude Code pour de nombreuses tâches pratiques, et pointe comme principale amélioration la tenue des flux longs sans guidage continu. Il estime qu’avec des progrès réguliers côté modèle et expérience terminale, l’agent pourrait s’imposer parmi les meilleures options.