Fenêtre contextuelle LLM expliquée : Jetons, limites et comment en ajuster davantage, mesurés
Une fenêtre de contexte LLM correspond au nombre total de jetons qu’un modèle peut lire et écrire en une seule requête. Découvrez ce qui le remplit, comment les mots se transforment en jetons, comment budgétiser les entrées et les sorties et comment réduire l’historique des discussions en toute sécurité, grâce aux chiffres que nous avons mesurés.
- La fenêtre contextuelle LLM est une limite de jetons partagée par tout : l’invite système, l’historique, les documents et la réponse.
- Les jetons ne sont pas des mots. Notre prose anglaise utilisait 1,14 jetons par mot, le code Python 2,22 et le texte hindi 1,41 avec un tokenizer mais environ 4,6 avec un plus ancien.
- L’historique des discussions s’agrandit à chaque tour. Supprimez les messages les plus anciens mais conservez toujours l’invite du système ; une coupe naïve l’a laissé tomber lors de notre test.
- Une grande fenêtre n’est pas un laissez-passer gratuit. Les invites longues coûtent plus cher, s’exécutent plus lentement et peuvent occulter les détails importants.
Vous collez un long contrat dans un chatbot et celui-ci répond comme si les dix dernières pages n’avaient jamais existé. Ou encore, un robot de support « oublie » lentement les règles que vous lui avez données. Les deux se résument à la fenêtre contextuelle LLM : le nombre fixe de jetons avec lesquels un grand modèle de langage peut fonctionner dans une seule requête. Savoir comment il se remplit vous aide à créer des fonctionnalités d’IA qui restent précises et abordables.
Nous avons mesuré les nombres ci-dessous avec la bibliothèque open source tiktoken d’OpenAI, version 0.14.0, en utilisant ses encodages o200k_base et plus anciens cl100k_base sur Python 3.13. D’autres familles de modèles utilisent d’autres tokeniseurs, alors considérez nos décomptes comme des exemples réalistes, et non comme des chiffres exacts pour chaque modèle. Pour les bases des jetons, consultez notre Guide des jetons LLM.
Qu’est-ce qu’une fenêtre contextuelle ?
Un modèle ne se souvient pas automatiquement des demandes antérieures. Chaque fois que vous l’appelez, vous envoyez un texte et le modèle le lit en entier avant de générer une réponse. La fenêtre contextuelle correspond à la taille maximale de ce texte combiné, mesurée en jetons. Si la fenêtre contient 128 000 jetons, l’entrée et la sortie doivent tenir ensemble à l’intérieur. Notre guide sur ce qu’est un grand modèle de langage explique pourquoi les modèles fonctionnent de cette façon.
La taille des fenêtres va de quelques milliers de jetons sur les petits modèles à des centaines de milliers, voire plus d’un million, sur les grands. Les tailles changent à chaque version, alors consultez la documentation de votre fournisseur pour connaître la limite exacte et tout plafond distinct sur les jetons de sortie.
Qu’est-ce qui remplit la fenêtre contextuelle
- Invite système : instructions, règles et personnalité.
- Historique des conversations : chaque message précédent de l’utilisateur et de l’assistant que vous renvoyez.
- Contenu récupéré ou collé : documents, résultats de recherche, fichiers de code.
- Définitions et résultats des outils : schémas de fonctions et données qu’ils renvoient.
- La réponse elle-même : les jetons de sortie proviennent du même budget.
Ce dernier point surprend beaucoup de monde. Une invite qui utilise presque toute la fenêtre ne laisse aucune place à une réponse, la réponse est donc écourtée.
Mots vs jetons : ce que nous avons mesuré
Nous avons répété trois textes courts 20 fois chacun et compté les mots et les jetons :
| Texte | Mots | o200 000 jetons | Jetons par mot | jetons cl100k |
|---|---|---|---|---|
| prose anglaise | 740 | 841 | 1.14 | 841 |
| Code Python | 180 | 400 | 2.22 | 400 |
| Texte hindi | 300 | 422 | 1.41 | 1,381 |
Trois leçons ressortent. L’anglais simple est proche d’un jeton par mot. Le code utilise environ deux fois plus de jetons par « mot », car les symboles, les indentations et les noms courts prennent chacun des jetons. Et la langue compte énormément : le même texte en hindi prenait 422 jetons avec le nouveau tokenizer et 1 381 avec l’ancien, soit plus de trois fois plus. Une fenêtre contenant un long document en anglais peut en contenir beaucoup moins dans une autre langue.
import tiktoken
enc = tiktoken.get_encoding("o200k_base")
print(len(enc.encode("Your text here")))
Conseil : n’estimez jamais les jetons en divisant les caractères par quatre pour respecter les limites de production. Comptez avec le tokenizer pour votre modèle, puis gardez une marge de sécurité.
Budgétiser une demande
Nous avons planifié une requête avec une invite système de 600 jetons, 4 200 jetons d’historique de discussion et 25 000 jetons de documents, puis l’avons vérifiée par rapport à trois tailles de fenêtre, en réservant 2 000 jetons pour la réponse :
window 8000: input 29800 tokens, left -21800, room for 2,000-token answer: False
window 32000: input 29800 tokens, left 2200, room for 2,000-token answer: True
window 128000: input 29800 tokens, left 98200, room for 2,000-token answer: True
La fenêtre 8K ne pouvait pas du tout prendre en charge la demande. La fenêtre de 32 Ko convient, mais avec seulement 2 200 jetons de rechange, donc un document supplémentaire suffirait à répondre. Écrivez ce chèque dans votre code avant chaque appel : comptez les pièces, soustrayez un budget de sortie réservé et décidez quoi couper s’il ne rentre pas.
Que se passe-t-il lorsque vous dépassez
Le comportement dépend de l’API et de l’application. Certaines API rejettent la demande avec une erreur. Certaines applications de chat suppriment silencieusement les messages les plus anciens. Certains documents tronqués. Et si l’entrée s’adapte mais laisse trop peu de place, la réponse s’arrête au milieu de la phrase lorsqu’elle atteint la limite de sortie. Aucun de ces éléments n’est évident pour les utilisateurs, c’est pourquoi le modèle peut sembler « oublier » ou ignorer une partie d’un document.
L’historique des discussions s’agrandit à chaque tour
Les applications de chat renvoient l’intégralité de la conversation à chaque tour afin que le modèle puisse la voir. À environ 350 jetons par tour :
chat of 10 turns x 350 tokens = 3500 tokens
chat of 50 turns x 350 tokens = 17500 tokens
chat of 200 turns x 350 tokens = 70000 tokens
Une longue discussion d’assistance peut tranquillement atteindre des dizaines de milliers de jetons, et chaque nouveau message paie à nouveau pour tous les anciens.
Réduire l’historique sans perdre les règles
Nous avons créé un chat de 31 messages de 1 455 jetons et l’avons réduit à une limite de 800 jetons de deux manières. La méthode intelligente conservait l’invite du système, puis ajoutait les messages du plus récent au plus ancien jusqu’à ce que le budget soit plein. La manière naïve a simplement conservé les 800 derniers jetons du texte joint.
history: 31 messages, 1455 tokens -> kept 17 (783 tokens), system kept: True, oldest kept: 'message 14'
naive tail-truncation keeps system prompt: False
La version naïve a supprimé l’invite système, qui contenait l’instruction « Toujours répondre en anglais ». C’est exactement ainsi qu’un bot perd ses règles lors de longues discussions. De meilleures stratégies, grosso modo par ordre d’effort :
- Épinglez toujours l’invite du système et le dernier message utilisateur.
- Supprimez ou résumez d’abord les tours les plus anciens.
- Remplacez les anciens tours par un bref résumé rédigé par le modèle.
- Stockez les faits en dehors du chat et récupérez uniquement ce dont la question actuelle a besoin.
Une fenêtre contextuelle plus grande est-elle toujours préférable ?
Non. Une grande fenêtre vous permet d’en inclure davantage, mais des recherches telles que l’étude « Lost in the Middle » de Liu et ses collègues de 2023 ont révélé que les modèles utilisaient les informations au début et à la fin de longues entrées de manière plus fiable que les informations au milieu. Nous n’avons pas testé cela nous-mêmes. En pratique, il est souvent préférable d’envoyer uniquement les parties pertinentes plutôt que de tout envoyer, et cela réduit les hallucinations causées par des textes distrayants ou contradictoires. Mettez les instructions clés au début et reformulez la question à la fin.
Blocage et récupération (RAG)
La génération augmentée par récupération conserve les documents en dehors de l’invite. Vous les divisez en morceaux, recherchez les morceaux liés à une question et envoyez uniquement ceux-là. Nous avons divisé un document de 4 201 jetons en morceaux d’au plus 500 jetons avec un chevauchement de 50 jetons et avons obtenu 10 morceaux. Le chevauchement permet de conserver les phrases qui franchissent une limite lisibles dans au moins un morceau.
def chunks(text, size, overlap):
ids = enc.encode(text)
step = size - overlap
return [enc.decode(ids[i:i + size]) for i in range(0, max(1, len(ids) - overlap), step)]
Les morceaux sont associés aux questions à l’aide des intégrations stockées dans un index vectoriel. Notre qu’est-ce que le guide RAG parcourt l’intégralité du pipeline.
Coût et rapidité
La plupart des API facturent par jeton d’entrée et de sortie, et les invites plus longues prennent plus de temps à traiter. Une invite de 100 000 jetons envoyée 1 000 fois par jour équivaut à 100 000 000 de jetons d’entrée par jour, même si les réponses sont courtes. Couper l’historique, récupérer au lieu de coller et mettre en cache les préfixes d’invite répétés là où le fournisseur le prend en charge peut réduire considérablement les coûts et la latence. Vérifiez les prix actuels sur la page de tarification de votre fournisseur, car ils changent souvent.
Tester les limites de contexte dans votre application
- Testez avec l’entrée réaliste la plus longue, et non avec un échantillon court.
- Testez les longues discussions : le bot suit-il toujours l’invite du système après 50 tours ?
- Testez les entrées dans une langue autre que l’anglais, qui peuvent utiliser beaucoup plus de jetons.
- Affirmez que votre code réserve les jetons de sortie et gère correctement les erreurs de dépassement de limite.
- Vérifiez que le rognage ne supprime jamais les règles de sécurité, ce qui est également important pour les défenses à injection rapide.
Pour conclure
La fenêtre contextuelle LLM est un budget de jetons partagé, pas une mémoire. Comptez les jetons avec le bon tokenizer, réservez de l’espace pour la réponse, épinglez l’invite de votre système lors de la suppression de l’historique et récupérez les morceaux pertinents plutôt que de tout coller. Faites cela et même une fenêtre modeste sera très utile, tandis qu’une fenêtre énorme restera rapide et abordable. Des invites claires sont également utiles, comme le montre notre guide d’ingénierie des invites.
Questions fréquentes
Qu’est-ce qu’une fenêtre contextuelle dans un LLM ?
Il s’agit du nombre maximum de jetons qu’un modèle peut gérer dans une seule requête, couvrant ensemble l’invite du système, l’historique des conversations, les documents ajoutés et la réponse générée.
Combien de mots peuvent contenir une fenêtre contextuelle ?
Cela dépend du texte et du tokenizer. Notre prose anglaise utilisait environ 1,14 jetons par mot, donc 100 000 jetons correspondent à environ 88 000 mots, mais le code et de nombreuses autres langues utilisent plus de jetons par mot.
Que se passe-t-il lorsque vous dépassez la fenêtre contextuelle ?
L’API peut rejeter la demande, l’application peut supprimer des messages plus anciens ou tronquer des documents, ou la réponse peut être coupée car aucun jeton de sortie n’est laissé.
La sortie compte-t-elle dans la fenêtre contextuelle ?
Oui. L’entrée et la sortie partagent la même fenêtre, réservez donc toujours suffisamment de jetons pour la réponse. De nombreuses API ont également un maximum distinct pour les jetons de sortie.
Une fenêtre contextuelle plus grande est-elle meilleure que RAG ?
Pas toujours. Les grandes fenêtres coûtent plus cher et les modèles peuvent manquer des détails au milieu de longues saisies. Récupérer uniquement les morceaux pertinents est souvent moins cher et plus précis.
Continuez à apprendre
Besoin d’aide pour les tests, WordPress ou le référencement ?
Nous aidons les équipes à proposer de meilleurs logiciels et à développer leurs sites. Dites-nous sur quoi vous travaillez et nous vous proposerons une prochaine étape claire.
Plus de guides sur tests, IA et développement moderne
Vous avez apprécié cet article ? Choisissez un sujet et accédez directement à nos nouveaux didacticiels.
Stratégies de fragmentation RAG expliquées : fixe, chevauchement, phrase, récursif et en-têtes, mesurés
Stratégies de segmentation RAG comparées sur un document avec tiktoken 0.14 : taille fixe, chevauchement, regroupement de phrases, fractionnement ré…
Lire l'article →Développement logicielL'idempotence de l'API expliquée : clés d'idempotence et tentatives sécurisées, testées
L'idempotence de l'API expliquée avec un serveur et un client Python que nous avons exécutés : une réponse perdue provoquait une double charge sans …
Lire l'article →DevOpsGit Stash expliqué : enregistrer, appliquer, afficher et fichiers non suivis, testé
Git stash expliqué avec les commandes que nous avons exécutées sur Git 2.56 : pousser avec un message, fichiers non suivis, lister et afficher, appl…
Lire l'article →Tests logicielsExplication des tests par paires : comment toutes les paires réduisent 216 tests à 13, testé
Tests par paires expliqués avec un générateur que nous avons exécuté dans Python 3.13 : une vérification avec 216 combinaisons couvertes par 13 test…
Lire l'article →Automatisation des testsExplication des doubles de test : factice, stub, espion, simulé et faux, avec du code Python testé
Les tests doubles sont expliqués avec un exemple Python exécuté dans pytest 9.2 : factice, stub, espion, simulé et faux, quand les utiliser, les vér…
Lire l'article →Bases de données et SQLSQL COALESCE expliqué : valeurs par défaut, NULLIF, IFNULL vs ISNULL et Traps, testées
SQL COALESCE expliqué avec les requêtes que nous avons exécutées dans SQLite 3.50 : premières valeurs non nulles, chaînes vides, NULL en mathématiqu…
Lire l'article →Bases de données et SQLSQL Self Join expliqué : employé-manager, comparaisons de paires et de lignes, testés
L'auto-jointure SQL expliquée avec les requêtes que nous avons exécutées dans SQLite 3.50 : employé et manager, gagnant plus que le manager, paires …
Lire l'article →Développement logicielExplication de l'opérateur de propagation JavaScript : propagation vs repos, copies et pièges, testé
L'opérateur de propagation JavaScript expliqué avec le code que nous avons exécuté sur le nœud 24 : tableaux, objets, copies superficielles, paramèt…
Lire l'article →Développement logicielModule de collections Python expliqué : compteur, defaultdict, deque et plus, testé
Les collections Python expliquées avec le code que nous avons exécuté sur Python 3.13 : Counter, defaultdict, deque, approvedtuple, OrderedDict et C…
Lire l'article →Intelligence artificielleFenêtre contextuelle LLM expliquée : jetons, limites et comment en adapter davantage, mesurés
La fenêtre contextuelle LLM expliquée avec le nombre de jetons que nous avons mesurés à l'aide de tiktoken : mots par rapport aux jetons pour la pro…
Lire l'article →Développement logicielLes webhooks expliqués : comment ils fonctionnent et comment les recevoir en toute sécurité
Webhooks expliqués avec un récepteur et un expéditeur que nous avons exécutés en Python : push vs polling, signatures HMAC-SHA256, rejet des requête…
Lire l'article →DevOpsGit Cherry-Pick expliqué : copiez le commit dont vous avez besoin, en toute sécurité et testé
Git Cherry-pick expliqué avec les commandes que nous avons exécutées dans Git 2.56 : copie d'un correctif dans une branche de version, nouveaux hach…
Lire l'article →Automatisation des testsLes tests instantanés expliqués : comment cela fonctionne, quand cela aide et quand cela fait mal
Les tests d'instantanés expliqués avec une démo pytest et sirupeuse que nous avons exécutée : création d'instantanés, lecture de la différence après…
Lire l'article →Tests logicielsTests de mutation expliqués : pourquoi une couverture à 100 % n'a toujours pas détecté notre bug
Les tests de mutation expliqués avec un petit outil de mutation que nous avons construit et exécuté : 14 mutants, une suite de tests avec une couver…
Lire l'article →Intelligence artificielleL'injection rapide expliquée : comment les applications d'IA sont trompées et comment les défendre
L'injection rapide expliquée aux constructeurs : attaques directes et indirectes, pourquoi les filtres de mots clés échouent (notre test a bloqué 1 …
Lire l'article →DevOpsEnregistrements DNS expliqués : A, AAAA, CNAME, MX, TXT et TTL avec de vraies recherches
Enregistrements DNS expliqués avec les recherches que nous avons effectuées : fonctionnement de la résolution, A et AAAA, règles CNAME, MX et null M…
Lire l'article →DevOpsExplication des indicateurs de fonctionnalités : versions sécurisées, déploiements progressifs et hygiène des indicateurs
Les indicateurs de fonctionnalités expliqués avec une simulation de déploiement que nous avons exécutée : types d'indicateurs, déploiements en pourc…
Lire l'article →Automatisation des testsGénération de données de test avec Python Faker : données réalistes, reproductibles et sûres
Testez la génération de données avec Python Faker, exécutez et mesurez : amorçage de données répétables, paramètres régionaux, valeurs uniques, enre…
Lire l'article →Tests logicielsExplication des tests Shift-Left : recherchez les bugs plus tôt sans ralentir l'équipe
Les tests Shift-Left ont expliqué : ce que cela signifie, pourquoi les premiers défauts sont moins chers, les pratiques allant de l'examen des exige…
Lire l'article →Bases de données et SQLFonctions de chaîne SQL expliquées : TRIM, SUBSTR, REPLACE, CONCAT et nettoyage des données
Fonctions de chaîne SQL expliquées avec les requêtes que nous avons exécutées : concaténation et NULL, TRIM, UPPER et LOWER, SUBSTR et INSTR, REPLAC…
Lire l'article →Bases de données et SQLDéclencheurs SQL expliqués : déclencheurs AVANT et APRÈS, journaux d'audit et pièges
Déclencheurs SQL expliqués avec les déclencheurs que nous avons exécutés : AVANT ou APRÈS, ANCIEN et NOUVEAU, journaux d'audit, validation, mises à …
Lire l'article →Développement logicielModule Python JSON expliqué : vidages, chargements, types personnalisés et erreurs courantes
Le module Python JSON expliqué avec le code que nous avons exécuté : dumps et chargements, fichiers, conversions de types, dates et décimales, encod…
Lire l'article →Développement logicielModules ES vs CommonJS : fonctionnement des importations JavaScript dans Node.js, testé
Les modules ES et CommonJS expliqués avec le code que nous avons exécuté dans Node.js : syntaxe d'importation et d'exportation, exigences, liaisons …
Lire l'article →Développement logicielPython Regex expliqué : modèles, groupes, anticipations et pièges, testés
L'expression régulière Python expliquée avec les modèles que nous avons exécutés : recherche contre correspondance, recherche tout, groupes et group…
Lire l'article →Intelligence artificielleExplication de la sortie structurée LLM : obtenir un JSON fiable à partir de modèles d'IA
Sortie structurée LLM expliquée avec la validation que nous avons exécutée dans Pydantic : mode et schémas JSON, décodage contraint, façons dont les…
Lire l'article →DevOpsClés SSH expliquées : comment elles fonctionnent, ssh-keygen, Ed25519 et habitudes sûres
Clés SSH expliquées avec les clés que nous avons générées : clés publiques ou privées, ssh-keygen, Ed25519 vs RSA, empreintes digitales, phrases sec…
Lire l'article →DevOpsLa mise en cache HTTP expliquée : Cache-Control, ETag et 304 réponses, avec un test en direct
La mise en cache HTTP expliquée avec un petit serveur que nous avons exécuté : directives Cache-Control, max-age, no-cache vs no-store, revalidation…
Lire l'article →Automatisation des testsExplication des tests des contrats API : détectez les modifications majeures avant leur expédition
Les tests de contrat API ont été expliqués à l'aide d'une vérification de schéma que nous avons effectuée : ce qu'est un contrat, les contrats axés …
Lire l'article →Tests logicielsExplication des tests basés sur les risques : évaluez les risques, créez une matrice et testez ce qui compte
Les tests basés sur les risques sont expliqués étape par étape : identification des risques, notation de la probabilité et de l'impact, création d'u…
Lire l'article →Bases de données et SQLContraintes SQL expliquées : NOT NULL, UNIQUE, CHECK et FOREIGN KEY, testées
Les contraintes SQL expliquées avec les tests que nous avons exécutés : NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY et FOREIGN KEY, les failles NULL, …
Lire l'article →Bases de données et SQLFonctions de date SQL expliquées : ajout, comparaison et regroupement de dates sans bugs
Fonctions de date SQL expliquées avec les requêtes que nous avons exécutées : ajout d'intervalles, surprises de fin de mois, différences de dates, p…
Lire l'article →Développement logicielPython asyncio expliqué : asynchrone, attendre, rassembler et TaskGroup avec des timings réels
Python asyncio expliqué avec le code que nous avons chronométré : coroutines, wait, collect, TaskGroup, gestion des erreurs, délais d'attente, limit…
Lire l'article →Développement logicielDebounce vs Throttle en JavaScript : comment ils fonctionnent, quand les utiliser, testés
Debounce vs throttle en JavaScript expliqué avec les timings que nous avons mesurés dans Node.js : comment chacun fonctionne, implémentations simple…
Lire l'article →Développement logicielLes gestionnaires de contexte Python expliqués : l'instruction with, contextlib et les utilisations réelles
Les gestionnaires de contexte Python ont expliqué avec le code que nous avons exécuté : comment cela fonctionne, __enter__ et __exit__, contextlib.c…
Lire l'article →Intelligence artificielleTempérature LLM et Top-p expliqués : comment les modèles d'IA choisissent leur prochain mot
La température LLM et le top-p expliqués à l'aide d'une simulation que nous avons exécutée : comment les probabilités sont remodelées, ce que conser…
Lire l'article →DevOpsYAML expliqué : syntaxe, problème norvégien et autres pièges que nous avons testés
YAML expliqué avec un test d'analyseur : syntaxe de base, listes et cartes, le problème de la Norvège, les versions se transformant en flottants, co…
Lire l'article →DevOpsLes tâches Cron expliquées : syntaxe, horaires réels et erreurs qui les interrompent
Les tâches Cron expliquées avec les plannings que nous avons vérifiés : les cinq champs, les opérateurs, des exemples réels, le piège du jour du moi…
Lire l'article →Intelligence artificielleLes hallucinations de l'IA expliquées : pourquoi les modèles de langage inventent les choses et comment les réduire
Les hallucinations de l'IA ont expliqué : ce qu'elles sont, pourquoi les modèles de langage les produisent, les types courants, comment les réduire …
Lire l'article →DevOpsVariables d'environnement expliquées : fichiers .env, secrets et configuration correctement effectués
Variables d'environnement expliquées avec des exemples Python que nous avons exécutés : lecture et définition, pourquoi chaque valeur est une chaîne…
Lire l'article →Développement logicielLimitation du débit de l'API expliquée : algorithmes, en-têtes et gestion des erreurs 429
Limitation du débit de l'API expliquée avec une simulation que nous avons exécutée : compartiment de jetons, fenêtre fixe, fenêtre glissante, 429 ré…
Lire l'article →Automatisation des testsSe moquer en Python : unittest.mock, patch et les erreurs qui font mentir les tests
Moquerie en Python avec unittest.mock, testée : Mock et return_value, side_effect, correctifs où un nom est utilisé, spec et autospec, dates moqueus…
Lire l'article →Tests logicielsCouverture du code expliquée : couverture des lignes par rapport aux branches et ce que signifie réellement 100 %
Couverture du code expliquée avec une véritable exécution de cover.py : couverture des lignes, des branches et des conditions, lecture d'un rapport,…
Lire l'article →Bases de données et SQLDELETE vs TRUNCATE vs DROP dans SQL : différences, restauration et quand les utiliser
DELETE vs TRUNCATE vs DROP expliqué avec SQL testé : ce que chacun supprime, restauration, déclencheurs, réinitialisation d'identité, vitesse et en …
Lire l'article →Bases de données et SQLVues SQL expliquées : créez, utilisez et évitez les pièges, avec des exemples
Vues SQL expliquées avec les requêtes que nous avons exécutées : création d'une vue, résultats en direct, masquage des colonnes, performances, vues …
Lire l'article →Développement logicielInterface TypeScript vs Type : différences réelles, testées avec le compilateur
Interface TypeScript vs type, vérifiée avec le vrai compilateur : ce que les deux peuvent faire, ce qu'un seul peut faire, la fusion des déclaration…
Lire l'article →Développement logicielPython *args et **kwargs expliqués : fonctions flexibles avec des exemples clairs
Python *args et **kwargs expliqués avec le code que nous avons exécuté : emballage et déballage, ordre des paramètres, arguments de mot-clé uniqueme…
Lire l'article →Développement logicielFonctions Python Lambda : syntaxe, utilisations réelles et quand ne pas les utiliser
Fonctions Python lambda expliquées avec le code que nous avons exécuté : syntaxe, tri avec clé, carte et filtre, fermetures, piège de liaison tardiv…
Lire l'article →Intelligence artificielleQue sont les agents IA ? Comment ils fonctionnent, avec une simple boucle d'agent que vous pouvez exécuter
Que sont les agents IA ? Un guide simple sur la boucle d'agent, les outils, la mémoire et les garde-fous, avec une petite boucle Python que nous avo…
Lire l'article →DevOpsSurveillance vs observabilité : la vraie différence, avec les journaux, les métriques et les traces
Surveillance et observabilité expliquées : échecs connus et inconnus, journaux, métriques et traces, présentation pas à pas des incidents de paiemen…
Lire l'article →DevOpsVolumes Docker vs montages Bind : conserver les données du conteneur de la bonne manière
Volumes Docker et montages de liaison expliqués : pourquoi les données du conteneur disparaissent, volumes nommés, montages de liaison, tmpfs, exemp…
Lire l'article →Automatisation des testsTDD vs BDD : principales différences, une fonctionnalité conçue dans les deux sens et quand les utiliser
TDD vs BDD expliqué avec une fonctionnalité de remise construite dans les deux sens : refactor rouge-vert avec le code que nous avons exécuté, scéna…
Lire l'article →Tests logicielsTests d'acceptation utilisateur (UAT) : processus, liste de contrôle et exemples réels
Les tests d'acceptation des utilisateurs sont expliqués : qui les exécute, en quoi ils diffèrent du contrôle qualité, un processus en sept étapes, u…
Lire l'article →Bases de données et SQLExplication des valeurs SQL NULL : IS NULL, COALESCE, NULLIF et les pièges à éviter
Les valeurs SQL NULL expliquées avec les requêtes que nous avons exécutées : logique à trois valeurs, IS NULL, COALESCE, NULLIF, comment les agrégat…
Lire l'article →Bases de données et SQLInstruction SQL CASE WHEN : syntaxe, exemples réels et erreurs courantes
SQL CASE WHEN expliqué avec les requêtes que nous avons exécutées : formulaires simples et recherchés, ordre des conditions, pivots avec SUM, astuce…
Lire l'article →Développement logicielQu'est-ce que JWT ? Les jetons Web JSON expliqués avec un exemple fonctionnel
Qu’est-ce que JWT ? JSON Web Tokens expliqué : les trois parties, un jeton construit et falsifié dans le code que nous avons exécuté, JWT vs session…
Lire l'article →Développement logicielBoucle d'événements JavaScript expliquée : pile d'appels, microtâches et minuteries avec des exemples
La boucle d'événements JavaScript expliquée avec le code que nous avons exécuté : pile d'appels, files d'attente de tâches et de microtâches, pourqu…
Lire l'article →Développement logicielGénérateurs Python et rendement expliqués : économisez de la mémoire avec des exemples réels
Les générateurs Python et le rendement expliqués avec le code que nous avons exécuté : comment ils s'arrêtent et reprennent, les économies de mémoir…
Lire l'article →Intelligence artificielleQue sont les intégrations ? Vecteurs et similarité cosinus expliqués simplement
Que sont les intégrations ? Un guide en langage simple sur les vecteurs, la similarité cosinus et la recherche sémantique, avec un petit exemple que…
Lire l'article →DevOpsDéploiement Bleu-Vert vs Canary : différences, compromis et comment choisir
Explication du déploiement bleu-vert ou canari : comment chacun fonctionne, coût, risque et restauration, regroupement d'utilisateurs stable que nou…
Lire l'article →Automatisation des testsTests instables : quelles sont leurs causes et comment les corriger définitivement
Des tests irréguliers expliqués avec des démos que nous avons exécutées : les principales causes, comment en confirmer et en diagnostiquer une, les …
Lire l'article →Tests logicielsTests de charge vs tests de contrainte : différences, métriques et exemples k6
Explication des tests de charge et des tests de stress : ce que chacun prouve, les tests de pointe et de trempage, les métriques qui comptent, pourq…
Lire l'article →Tests logicielsScénario de test et scénario de test : principales différences, exemples et quand les utiliser
Scénario de test et scénario de test expliqués : des définitions claires, un tableau côte à côte, une fonctionnalité de réinitialisation de mot de p…
Lire l'article →Bases de données et SQLOptimisation des requêtes SQL : lire les plans d'exécution et corriger les requêtes lentes, avec des délais
Optimisation des requêtes SQL testée sur un million de lignes : lire les plans d'exécution, ajouter les bons index, corriger les filtres non Sargabl…
Lire l'article →Bases de données et SQLSQL UNION vs UNION ALL : différences, exemples et performances testées
SQL UNION vs UNION ALL expliqué avec les requêtes que nous avons exécutées : des doublons, les règles suivent toutes les deux, un véritable bug de d…
Lire l'article →Développement logicielTutoriel API JavaScript Fetch : GET, POST, gestion des erreurs et délais d'attente
Un didacticiel de l'API JavaScript Fetch testé sur un serveur local : GET et POST, pourquoi 404 ne lance pas, un assistant réutilisable, des chaînes…
Lire l'article →Développement logicielGestion des fichiers Python : lecture, écriture, CSV, JSON et pathlib avec exemples
Gestion des fichiers Python expliquée avec le code que nous avons exécuté : modes ouverts, avec lecture de fichiers volumineux, CSV, JSON, pathlib, …
Lire l'article →Développement logicielClasses et objets Python : didacticiel POO avec des exemples réels
Classes et objets Python expliqués avec le code que nous avons exécuté : __init__, méthodes, attributs de classe par rapport à l'instance, héritage,…
Lire l'article →Intelligence artificielleQu'est-ce qu'un grand modèle de langage ? Comment fonctionnent les LLM, expliqués sans battage médiatique
Qu’est-ce qu’un grand modèle de langage ? Les LLM expliqués en langage simple : jetons, intégrations, attention, formation, fenêtres de température …
Lire l'article →DevOpsCommandes Linux pour les débutants : le guide du terminal essentiel avec des exemples
Commandes Linux pour débutants, regroupées par tâche : navigation, fichiers, affichage des journaux, grep, tuyaux, autorisations, processus et archi…
Lire l'article →Automatisation des testsSelenium vs Playwright : principales différences, code comparé et lequel choisir
Comparatif Selenium vs Playwright : architecture, attente, support du navigateur et du langage, débogage, même test dans les deux outils, conseils d…
Lire l'article →Tests logicielsPartitionnement d'équivalence : technique de conception de tests expliquée avec des exemples concrets
Le partitionnement d'équivalence expliqué : comment trouver des partitions valides et invalides, des exemples concrets d'âges, de mots de passe et d…
Lire l'article →Tests logicielsGravité vs priorité dans les tests logiciels : différences, matrice et exemples réels
Explication de la gravité et de la priorité dans les tests logiciels : des définitions claires, une matrice à quatre voies avec des exemples, des éc…
Lire l'article →Bases de données et SQLTutoriel sur les sous-requêtes SQL : types, sous-requêtes corrélées et EXISTE avec des exemples
Un didacticiel sur les sous-requêtes SQL avec les requêtes que nous avons exécutées : les sous-requêtes scalaires, IN, FROM et SELECT, les sous-requ…
Lire l'article →Bases de données et SQLTransactions SQL et ACID expliquées : COMMIT, ROLLBACK et niveaux d'isolement
Transactions SQL et ACID expliquées avec un virement bancaire que nous avons effectué : COMMIT, ROLLBACK, points de sauvegarde, verrous, niveaux d'i…
Lire l'article →Développement logicielAide-mémoire sur les commandes Git : les commandes que vous utilisez réellement, avec des exemples
Une aide-mémoire sur les commandes Git regroupées par tâche : configuration, transfert, branches, télécommandes, cache, historique et annulation des…
Lire l'article →Développement logicielLes promesses JavaScript expliquées : alors, catch, Promise.all et les erreurs courantes
Les promesses JavaScript expliquées avec le code que nous avons exécuté : les états, les chaînes then et catch, la gestion des erreurs, Promise.all,…
Lire l'article →Développement logicielTutoriel du dictionnaire Python : méthodes, exemples et modèles courants
Un didacticiel de dictionnaire Python avec du code que nous avons exécuté : créer, lire et mettre à jour des dictés, des méthodes clés, des fusions,…
Lire l'article →Intelligence artificielleQu’est-ce que RAG ? La génération augmentée par récupération expliquée avec un exemple fonctionnel
Qu’est-ce que le RAG ? La génération augmentée par récupération expliquée étape par étape : indexation, segmentation, intégrations, récupération, un…
Lire l'article →DevOpsTutoriel Terraform pour les débutants : Infrastructure en tant que code du premier fichier aux modules
Un didacticiel Terraform pour les débutants : commencez sans compte cloud, apprenez l'initialisation, la planification et l'application, puis les va…
Lire l'article →DevOpsDocker vs Kubernetes : principales différences, comment ils fonctionnent ensemble et ce dont vous avez besoin
Docker vs Kubernetes expliqué : ce que chacun fait, la même application s'exécute avec les deux, Docker Compose et Swarm comparés, les dockershim ch…
Lire l'article →Automatisation des testsTutoriel Pytest pour les débutants : luminaires, paramétrage et exemples réels
Un tutoriel pytest pour les débutants avec des tests que nous avons exécutés sur pytest 9.2 : assertions, appareils, paramétrage, conftest, marqueur…
Lire l'article →Tests logicielsCycle de vie des tests logiciels (STLC) : 6 phases, critères d'entrée et de sortie, exemple
Le cycle de vie des tests logiciels expliqué : six phases STLC avec des critères d'entrée et de sortie, des livrables, un exemple de fonctionnalité …
Lire l'article →Développement logicielGit merge vs rebase : différences, exemples et quand utiliser chacun
Git merge vs rebase expliqué avec de vraies sorties de log, un tableau comparatif, la règle d'or du rebase et un flux de travail sûr pour les équipes.
Lire l'article →Développement logicielList comprehension Python : syntaxe, exemples et cas à éviter
La list comprehension Python expliquée : syntaxe, filtres, if-else, boucles imbriquées, temps mesurés et cas où une boucle for classique est préféra…
Lire l'article →Bases de données et SQLJointures SQL expliquées avec exemples (Inner, Left, Right, Full)
Comprenez les jointures SQL pas à pas avec des tables et requêtes d'exemple : INNER, LEFT, RIGHT, FULL, CROSS et SELF, plus erreurs courantes et con…
Lire l'article →