Trouvez des outils d’IA selon ce que vous voulez faire.
Outils par objectif26 guides étape par étape→Toutes les catégoriesPar objectif
Une fonctionnalité d’IA qui marche dans une démonstration n’est qu’une petite partie du travail. La démo, c’est un prompt, un modèle et cinq entrées bienveillantes. Le produit, c’est la même chose face à des milliers d’utilisateurs imprévisibles, avec vos propres données derrière, une facture qui grossit avec l’usage et le besoin de savoir quand les réponses se dégradent.
La pile compte donc plusieurs couches. Un modèle, atteint par une API ou hébergé par vos soins. Des prompts versionnés comme du code. De la recherche d’information et de la mémoire, pour que le modèle réponde à partir de votre contenu plutôt qu’au hasard. Éventuellement une boucle d’agent avec des outils qu’il peut appeler. Du code d’application ordinaire autour de tout cela, puis des tests, une évaluation et un endroit où déployer.
Les agents de code écrivent désormais une large part de ce code d’application, et les builders d’applis peuvent produire un front-end fonctionnel à partir d’une description. Ce qu’ils ne règlent pas, c’est le jugement d’ingénierie : quel modèle suffit pour la tâche à un coût acceptable, comment mesurer la qualité avant que les utilisateurs ne le fassent, quelles données peuvent quitter votre système, et que se passe-t-il quand le modèle se trompe avec assurance. Les modèles et leurs conditions changent aussi souvent : concevez donc l’appli de façon à pouvoir changer de modèle sans tout réécrire.
À qui s’adresse ce guide Les développeurs, fondateurs techniques et petites équipes produit qui ajoutent une fonctionnalité de modèle de langage à un produit ou bâtissent une nouvelle appli autour d’un tel modèle, et qui veulent une carte des outils avant de choisir leur pile.
Un premier passage courant pour un prototype : comparer les modèles sur vos propres prompts, écrire le code avec un agent, ajouter tôt le traçage, puis déployer. Les outils suivent cet ordre, pas un classement.
Transformez la description approximative de votre tâche en un prompt structuré, puis testez-le sur vingt entrées réelles.
Décrivez la plus petite version de la fonctionnalité et relisez le plan avant d’accepter la moindre modification.
Activez le traçage dès le premier prototype pour que chaque mauvaise réponse devienne un cas de test.
Vous décidez quel modèle, ou quels modèles, l’appli appellera, en pesant la qualité des résultats sur votre propre tâche, la vitesse, la taille du contexte, le coût par requête, les exigences de confidentialité et le choix entre une API hébergée et un modèle ouvert que vous faites tourner vous-même.
Offers its language models through a token-billed API that accepts OpenAI-style and Anthropic-style requests, with JSON output and tool calls.
Entreprise de recherche en IA qui propose un assistant de chat, un harness de bureau et une API facturée au token pour ses modèles de langage.
Runs open-source models inside secure hardware enclaves and exposes them through an OpenAI-compatible API, for apps that handle sensitive data.
Cloud d’IA privé qui exécute des modèles dans des enclaves matérielles sécurisées, proposé sous forme d’appli de chat, d’API d’inférence et de conteneurs.
Avant d’écrire le code de l’appli, vous mettez au point les consignes : prompt système, exemples, format de sortie. Vous les essayez sur des entrées réelles, y compris délicates, et gardez chaque version pour pouvoir comparer les changements.
Transforme une demande courte et approximative en prompt clair et structuré et range chaque prompt dans une bibliothèque consultable pour le réutiliser.
Générateur de prompts qui transforme une demande brute en prompt structuré pour ChatGPT, Claude, Gemini et d’autres modèles.
Analyzes a prompt for strengths and weaknesses, rewrites it in rounds and records each version so earlier ones can be recovered.
Espace de travail pour générer, analyser, optimiser et rétro-concevoir des prompts destinés aux modèles de texte, d’image et de vidéo.
Vous connectez l’appli aux modèles de façon à tenir en production : clés gardées côté serveur, nouvelles tentatives et solutions de repli quand un fournisseur tombe, limites de débit, suivi des dépenses, et hébergement GPU si vous servez vous-même un modèle ouvert.
Son AI Gateway route les requêtes vers de nombreux modèles d’IA par un seul service, avec repli, répartition de charge, nouvelles tentatives et suivi des dépenses.
Plateforme cloud pour déployer des applications web et des agents d’IA, avec passerelle d’IA, sandboxes, workflows et CDN mondial.
Serves LLMs and media models through endpoints on autoscaling GPU containers that scale to zero when idle.
Plateforme cloud serverless pour exécuter sur GPU de l’inférence d’IA, de l’entraînement, des sandboxes et des traitements par lots.
Documents how to call its models from application code and coding agents, with thinking mode that can be switched off per request.
Entreprise de recherche en IA qui propose un assistant de chat, un harness de bureau et une API facturée au token pour ses modèles de langage.
La plupart des applis utiles répondent à partir d’un contenu précis : votre documentation, les fichiers d’un client, le web en direct, des conversations passées. Vous ingérez et indexez ce contenu, récupérez les éléments pertinents à chaque requête et les transmettez au modèle avec leurs sources.
Recherche, extrait et parcourt des sites web par une API et renvoie du Markdown ou du JSON structuré adapté aux chaînes de recherche d’information.
API de données web qui recherche, extrait, parcourt et manipule des sites, et renvoie un résultat propre pour les applications d’IA.
Stocke et indexe des embeddings dans une base Postgres pour que l’application puisse faire des recherches par similarité avec les modèles de son choix.
Plateforme de développement Postgres avec authentification, API instantanées, edge functions, temps réel, stockage et embeddings vectoriels.
Ingère documentation, tickets et wikis et propose une API de recherche qui renvoie, pour une requête, les passages pertinents avec leurs URL sources.
Plateforme d’ingestion et de recherche qui transforme documentation, tickets et wikis d’entreprise en agents d’IA et en API de recherche.
Builds a per-user graph of dated facts from data and conversations and returns the context a task needs in one call.
Couche de contexte et de mémoire pour agents d’IA, qui construit des graphes de connaissances maîtrisés à partir de données métier, de documents et de conversations.
Si l’appli doit agir et pas seulement répondre, vous construisez une boucle d’agent : le modèle décide quel outil appeler, votre code l’exécute et renvoie le résultat. Vous définissez les outils, leurs autorisations et les moments où un humain doit confirmer.
Fournit les bibliothèques open source langchain, langgraph et deepagents pour écrire des agents à différents niveaux de contrôle.
Frameworks open source pour agents et plateforme LangSmith pour tracer, évaluer et déployer des agents d’IA.
Publishes ordinary Python functions as MCP tools, generating their schemas and handling validation, transport and authentication.
Framework Python pour créer des serveurs, des clients et des applications interactives Model Context Protocol.
Connecte un agent à des serveurs MCP d’un catalogue et gère OAuth, les identifiants et les sessions de ces connexions.
Registre et couche de connexion qui relie les agents d’IA aux serveurs MCP, avec OAuth et identifiants gérés.
Autour du modèle se trouve une application ordinaire : routes d’API, modèles de données, authentification, tâches de fond, interface utilisateur. Vous écrivez, relisez et testez ce code, de plus en plus en confiant des tâches à un agent de code dont vous relisez les modifications.
Prend une tâche de développement écrite, explore le dépôt, propose un plan et effectue les modifications que vous acceptez ou révisez.
Agent de codage et éditeur par IA qui planifie, écrit et relit du code sur le poste de travail, dans le terminal et dans le cloud.
Planifie des tâches de programmation, édite des fichiers, lance des tests et ouvre des pull requests dans votre dépôt, en demandant avant de modifier des fichiers ou d’exécuter des commandes.
L’agent de programmation IA d’Anthropic, qui planifie, modifie le code, lance les tests et ouvre des pull requests depuis le terminal ou l’IDE.
Runs as an open source coding agent in the terminal, desktop or IDE and connects to many model providers, including locally hosted models.
Agent de programmation d’IA open source pour le terminal, le bureau et l’IDE, compatible avec les modèles de nombreux fournisseurs.
Relit chaque pull request avec des commentaires ligne par ligne et des suggestions applicables en un clic, ce qui aide quand une grande partie du code est écrite par des agents.
Revue de code par IA qui commente chaque pull request, avec tri des PR, explication des changements et suivi de sécurité.
Certaines applis ont besoin de plus que du texte : réponses parlées, transcription, conversation vocale en temps réel, images ou clips générés. Ce sont des modèles distincts, avec leurs propres API, leurs délais de réponse et leurs règles d’usage.
Supplies realtime text-to-speech, speech-to-text and a speech-to-speech API that streams audio over one WebSocket or WebRTC link.
Plateforme d’IA vocale en temps réel : synthèse vocale, reconnaissance vocale, API de conversion parole à parole et routage de LLM.
Fournit une infrastructure WebRTC et maintient Pipecat, un framework open source pour orchestrer des agents vocaux d’IA en temps réel.
Plateforme pour développeurs dédiée à la voix, à la vidéo et aux agents d’IA en temps réel, bâtie sur une infrastructure WebRTC et sur le framework open source Pipecat.
Expose ses modèles de génération de vidéo et d’images par une API pour développeurs, avec documentation et routeur de modèles.
Plateforme d’IA pour générer et modifier vidéo, images et audio, avec une API pour développeurs et des modèles de monde.
Vous constituez un jeu de test à partir d’entrées réelles, notez les sorties avant chaque modification et, après le lancement, tracez chaque requête pour que les échecs, le coût et la latence soient visibles. La relecture humaine couvre ce que la notation automatique ne peut pas juger.
Sa plateforme LangSmith enregistre chaque étape de l’exécution d’un agent, constitue des jeux de données à partir de traces réelles et lance des évaluations en ligne et hors ligne.
Frameworks open source pour agents et plateforme LangSmith pour tracer, évaluer et déployer des agents d’IA.
Envoie des évaluateurs d’IA contre des agents de chat et vocaux pour détecter hallucinations, biais, toxicité et problèmes de conformité avant la sortie.
Cloud de test logiciel, anciennement LambdaTest, avec des agents d’IA qui planifient, écrivent et exécutent des tests pour le web, le mobile et les applications d’IA.
Son observabilité de l’IA suit les événements générés par les appels de modèle d’une application, à côté des rediffusions de sessions et du suivi des erreurs pour le reste de l’appli.
Plateforme de données produit qui réunit analyse, relecture de sessions, feature flags, suivi des erreurs et entrepôt de données, avec de l’IA par-dessus.
L’appli a besoin d’un front-end, de comptes d’utilisateurs, d’un hébergement, d’un domaine et d’un processus de publication avec aperçus et retour arrière. Pour un prototype ou un outil interne, tout cela peut être généré ; pour un produit, c’est de l’ingénierie délibérée.
Construit et déploie un projet à chaque envoi Git, donne à chaque modification sa propre URL d’aperçu et permet un retour arrière instantané.
Plateforme cloud pour déployer des applications web et des agents d’IA, avec passerelle d’IA, sandboxes, workflows et CDN mondial.
Construit une appli web à partir d’une description en langage courant avec un aperçu en direct, et gère l’hébergement et l’authentification sur la plateforme.
Créateur d’applications et de sites par IA qui transforme une description en langage courant en logiciel full-stack fonctionnel.
Génère une application web à partir d’un prompt, synchronise le code sur GitHub et la publie en production.
Générateur d’applications par IA de Vercel : il transforme des prompts en applications web full-stack et les publie.
Gère inscriptions et connexions et expose les tables de la base par des points d’accès REST, de sorte que l’appli dispose d’un backend sans code serveur sur mesure.
Plateforme de développement Postgres avec authentification, API instantanées, edge functions, temps réel, stockage et embeddings vectoriels.
Commencez par une API hébergée, sauf raison claire de faire autrement. On construit plus vite dessus et elle n’exige aucune exploitation de GPU. Faire tourner soi-même un modèle ouvert se justifie quand les données doivent rester dans votre environnement, quand vous devez l’affiner ou quand le volume est assez élevé pour que posséder la puissance de calcul coûte moins cher. Beaucoup d’équipes prototypent sur une API et réexaminent le choix une fois l’usage connu.
Souvent non. Un seul appel au modèle avec de bonnes consignes et un contexte récupéré couvre beaucoup de fonctionnalités : résumer, classer, extraire, répondre à partir de documents. Un framework se justifie quand le modèle doit choisir entre des outils, enchaîner plusieurs étapes, garder un état ou se remettre d’un échec. En ajouter un trop tôt ajoute aussi des concepts à déboguer : commencez simple et adoptez-en un quand l’approche directe ne suffit plus.
Un prototype ou un outil interne, oui. Les builders d’applis de ce guide génèrent à partir d’une description une appli web fonctionnelle avec connexion et hébergement. Un produit qui traite des données de clients et des paiements, c’est autre chose : il faut que quelqu’un comprenne la sécurité, les coûts et la gestion des pannes. Un parcours raisonnable : prototyper sans code, tester avec de vrais utilisateurs, puis faire appel à un développeur avant de passer à l’échelle.
Rassemblez un ensemble d’entrées réelles, notez à quoi ressemble une bonne réponse pour chacune et évaluez le système sur cette base avant chaque modification. Incluez des cas difficiles et hostiles. Combinez des contrôles automatiques et la relecture humaine d’un échantillon. Lancez auprès d’un petit groupe avec le traçage activé, lisez les échecs et élargissez l’accès à mesure que le taux d’échec devient acceptable pour votre usage.
La rédaction associe chaque outil à une étape à partir de sa fiche. La liste s’allonge à mesure que de nouvelles fiches sont publiées. Tous les guides
