La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Un projet baptisé Lessonweaver propose de transformer des erreurs réellement observées chez des agents en consignes persistantes, sans LLM et sous contrôle humain. L’outil, en alpha et fondé sur des règles, mise sur un pipeline auditable pour n’exposer que des instructions approuvées et révisables.
Lessonweaver est en alpha avec une détection par règles
Le projet s’affiche en statut alpha précoce, avec une détection fondée sur des règles conservatrices et des exigences de format pour les traces. La rédaction est décrite comme un travail visant une qualité supérieure, et l’ensemble s’intègre dans un cadre plus global baptisé Weaver Stack. Les promoteurs encouragent les utilisateurs à tester l’outil sur leurs propres traces et à remonter les cas que le détecteur risquerait d’ignorer.
Un pipeline sous contrôle humain et sans LLM
Conçu comme un outil déterministe contrôlé par des humains, Lessonweaver fonctionne sans LLM dans la boucle. Les leçons candidates passent par une révision humaine structurée, leur promotion étant conditionnée par des vérifications de lint ; seules les consignes approuvées sont exportées sous forme d’artefacts révisables, tels que des fragments AGENTS.md, des compétences ou règles pour Claude et des instructions Copilot. L’étape d’approbation bloque les révisions incomplètes, sauf contournement explicite et traçable. À l’exécution, les leçons sont chargées par récupération lexicale avec un budget de caractères, ce qui permet aux agents de démarrer chaque run munis de consignes validées par des humains.
Éviter que les mêmes erreurs se répètent
L’outil vise à convertir des échecs d’agents en instructions persistantes. Un cas cité en exemple met en lumière la difficulté : un agent a validé une demande de tirage un mardi sans consulter le diff, avant l’intervention d’un humain. Le problème réside dans le fait que les corrections ne sont pas conservées dans la durée, ce qui conduit à privilégier une solution intermédiaire entre l’auto-édition automatisée – considérée comme peu fiable et difficilement vérifiable – et les mises à jour manuelles, jugées peu adaptables. Sur le plan technique, Lessonweaver s’appuie sur des traces d’exécution pour identifier des motifs d’échec récurrents et applique un pipeline composé de cinq phases : détecter, interroger, répondre, approuver, exporter.
