Je prépare à changer de carrière pour devenir ingénieur en IA, et la plupart des ressources d'apprentissage que j'ai trouvées en ligne sont des tutoriels éparpillés ou des contenus générés par IA, il est donc difficile de trouver des conseils systématiques. J'ai justement découvert sur GitHub le projet open source AI Engineering Field Guide, qui est basé sur 1765 descriptions de postes réelles et des expériences d'entretien concrètes, ce qui le rend axé sur les données et très pratique. L'auteur a analysé les exigences des postes, les compétences requises, le processus d'entretien, des cas réels, etc., et a également fourni des parcours d'apprentissage pour les ingénieurs souhaitant se reconvertir, en fonction de leurs antécédents en données, backend, frontend, etc. GitHub : Le contenu couvre l'analyse des rôles et des compétences, un guide complet de préparation aux entretiens, une sélection de ressources d'apprentissage en ingénierie IA, ainsi que des données réelles du marché des postes et des études de cas de projets. Il inclut également les processus d'entretien réels et les partages d'expérience de 51 entreprises telles qu'OpenAI, Anthropic, Google, Meta, ainsi que 17 analyses de cas de devoirs à domicile réels. Si vous envisagez de vous reconvertir en ingénieur IA ou si vous souhaitez comprendre systématiquement la réalité de ce poste, ce guide vaut la peine d'être conservé.

Aujourd'hui, le projet open source Hermes Agent figure sur le tableau des tendances de GitHub, c'est plutôt intéressant. C'est un agent AI doté d'un mécanisme complet de boucle d'apprentissage, capable de s'auto-évoluer et de grandir avec nous. Il crée automatiquement des compétences à partir de l'utilisation réelle, s'améliore au cours de l'exécution et se rappelle de se souvenir des informations importantes. De plus, il peut accumuler sa compréhension de vous à partir de l'historique des recherches et des conversations, ce qui signifie qu'il vous comprend de mieux en mieux au fur et à mesure de son utilisation. GitHub : En outre, il est équipé d'un planificateur de tâches intégré, permettant de définir des tâches automatisées telles que des rapports quotidiens et des sauvegardes régulières en langage naturel. Il offre également une interface terminal complète, prenant en charge l'édition multi-lignes, l'auto-complétion des commandes, l'historique des sessions, etc. Si vous souhaitez un assistant AI personnel avec mémoire et croissance accompagnée, ce projet peut être déployé pour une expérience.

Gérer plusieurs agents AI intelligents, vouloir voir en temps réel ce qu'ils font, les historiques de chat, l'avancement des tâches, et même les coûts. Mais les outils existants sont soit dispersés dans leurs fonctionnalités, soit nécessitent une configuration supplémentaire de clés API, ce qui est assez ennuyeux. J'ai découvert par hasard ClawPort, ce projet open source, un centre de commandement visuel conçu spécialement pour les équipes d'agents AI OpenClaw, permettant de gérer tous les agents depuis une seule interface. Il suffit de connecter la passerelle OpenClaw locale pour obtenir un organigramme, les conversations des agents, un tableau de bord, la surveillance des tâches programmées, le suivi des coûts, un flux de journaux en temps réel et un navigateur de mémoire. GitHub : Il offre un organigramme interactif, prend en charge le chat textuel en continu, la reconnaissance visuelle des pièces jointes d'images, et la lecture des formes d'onde des messages vocaux. Il y a aussi un tableau de tâches avec glisser-déposer pour l'attribution, la surveillance en temps réel de l'état des tâches programmées, ainsi qu'un tableau de bord d'analyse des coûts et de l'utilisation des jetons, y compris des graphiques de coûts quotidiens, la détection d'anomalies, et les tendances hebdomadaires. Découverte automatique des agents dans l'espace de travail OpenClaw, sans configuration de fichier, offrant cinq thèmes à changer, et peut être rapidement lancé par une installation globale via npm.