Schema erzwingen, Ausgabe validieren, mit Fehlerliste neu versuchen, reparieren statt abbrechen – wie die Jobschleuse ein kleines lokales Modell zuverlässig genug macht. Konkreter Code statt Theorie.
Une note sur la spécification plutôt que la taille du modèle : pourquoi la précision de la tâche et une boucle de vérification apportent plus de fiabilité que le prochain modèle de pointe – et pourquoi cela se mesure directement en tokens et en watts.
Le context engineering en pratique : comment des métadonnées de frontmatter structurées issues des content collections Astro deviennent une source de contexte précise et budgétée pour un LLM – avec des exemples TypeScript plutôt qu'une recherche plein texte naïve.
Une méthode du machine learning et du traitement automatique du langage naturel (NLP) qui vise à amener les modèles à expliquer leurs étapes et leur raisonnement lorsqu’ils parviennent à une solution.
