AWS publie un tutoriel pour déployer une récupération agentique sur Amazon Bedrock Managed Knowledge Base via une application CDK en Python. L'agent route les questions entre deux bases de connaissances financière et météo, appelle AgenticRetrieveStream via AgentCore Gateway en MCP et renvoie des réponses citées. Le déploiement inclut deux tableaux de bord CloudWatch couvrant sept couches de télémétrie et une évaluation en ligne et à la demande.
Claudio Mazzoni, architecte solutions chez AWS, explique comment le cache de prompt d'Amazon Bedrock évite aux agents de renvoyer à chaque tour l'intégralité du contexte.
REA est un ensemble d'outils qui permet à un agent de codage d'inspecter un logiciel et de répondre à des questions sur son fonctionnement. Il s'installe avec npx rea-agents@latest setup et se connecte à un agent existant, qui peut alors lire le code, observer l'exécution et s'en servir pour expliquer ou reconstruire une fonctionnalité. Deux exemples sont détaillés : dans le jeu du dinosaure de Chrome, l'agent a retrouvé la règle de vitesse (départ à 6, +0,001 à chaque mise à jour sans collision, arrêt à 13), et l'analyse de Windows Calculator 11.2508.4.0 sur x64 explique pourquoi 200 + 10% donne 220, le bouton % se comportant différemment après + et après ×. D'autres cas couvrent les codes de connexion à six chiffres d'un APK Android, la gestion du presse-papiers de Notion en JavaScript packagé et l'audio positionnel d'un jeu Windows de 1996. REA peut aussi enregistrer une session d'application web et la transformer en environnement local pour entraîner et tester des agents.
Motif de la recommandation :L'original montre par des cas concrets comment un agent inspecte du code en exécution pour en extraire des règles, avec un jeu d'outils installable via npx.
Motif de la recommandation :Le découpage en trois parties reliées par un dépôt git et les restrictions de permissions du token Pico offrent un modèle de déploiement réutilisable.
Josephine Pfeiffer, mainteneuse de paquets Arch Linux, a réussi à faire tourner Arch Linux ARM sur un ASUS ProArt P16 H7607BA-SE033W en configuration 128 Go avec 6 144 cœurs CUDA.
Motif de la recommandation :Le récit détaille les correctifs ACPI, HID et audio nécessaires pour faire tourner Arch Linux ARM sur un portable RTX, avec des mesures concrètes sous vLLM.
Le Fruit Jam est désormais certifié ARISS et la page du guide d'apprentissage dédiée à l'ARISS SSTV a été mise à jour. Une nouvelle galerie rassemble les meilleures photos capturées avec le récepteur SSTV Fruit Jam lors de la série 34 « ARISS Hardware », et la section antenne a été enrichie de photos et de détails sur les antennes utilisées et les plus efficaces. Le guide permet de préparer le Fruit Jam et son antenne pour les prochains événements ARISS, dont les dates sont à surveiller sur la page dédiée.
Les stations météo compactes tout-en-un SenseCAP de Seeed Studio collectent en continu des données environnementales locales pour aider les exploitants routiers à détecter plus tôt les risques liés à la météo. Elles mesurent notamment la température de l'air, l'humidité relative et le point de rosée afin d'identifier les conditions propices au gel, en particulier sur les ponts, les routes ombragées et les itinéraires de montagne. Ces mesures continues complètent les inspections périodiques et les prévisions régionales en fournissant des informations propres à chaque tronçon routier.
Un programme UDP Ethernet basé sur EthernetUDP sur Teensy 4.1 provoque un redémarrage de la carte après le passage de Teensyduino 1.56.2 à 1.62.0. Le sketch.
Les talkies-walkies ESP-NOW se construisent autour d'un Feather ESP32-S3 Reverse TFT exécutant du code Arduino qui échange des paquets audio I2S via le protocole sans fil ESP-NOW.
Austin Shijo a reproduit sous Linux un effet audio spatial Windows en mesurant le filtre plutôt qu'en reconstruisant l'algorithme. Après un premier essai avec PipeWire.
Motif de la recommandation :Une méthode concrète pour reproduire un effet audio commercial sans son algorithme, en mesurant ses réponses impulsionnelles.
Bayer Crop Science a construit l'Agentic Decision Engine (ADE), une interface multi-agents en langage naturel au-dessus de son Connected Decision Engine (CDE).
Un construct CDK réutilisable, basé sur des custom resources CloudFormation, permet de mettre à jour un endpoint SageMaker AI et ses paramètres d'auto scaling en un seul déploiement.
Adafruit présente la carte Feather RP2040 SCORPIO, conçue spécifiquement pour piloter des NeoPixels (WS2812) grâce au périphérique PIO du RP2040 de Raspberry Pi.
Hugging Face met en ligne un Space qui indique si un modèle Transformers du Hub s'exécute sans modification sur AWS Trainium via le backend PyTorch natif torch-neuronx. Chaque fiche précise le résultat du test, le nombre de cœurs Trainium utilisés, le temps d'exécution compilation incluse et la mémoire device de pointe, avec le script run.py et les versions de neuronx-cc et de Transformers. Les tests se limitent pour l'instant aux modèles de génération de texte et image-texte tenant sur 4 instances Trainium2 (16 cœurs au plus), et les résultats proviennent du dataset public aws-neuron/torch-neuronx-model-support.
Cytron Technologies a publié un guide pour construire la Haunted Box, un projet Halloween à détection de mouvement basé sur la carte ESP32 Maker. Lorsqu'un capteur PIR détecte un passage.
Le modèle 3D de seb7986 propose un boîtier pour Raspberry Pi 5 accueillant la Pimoroni NVMe Base (SSD M.2) et un ventilateur Noctua 40×10mm 5Vdc. Deux versions partagent le même couvercle.
AWS explique comment réduire la latence vocale d'un agent IA en envoyant chaque phrase au modèle TTS Kokoro-82M hébergé sur un point de terminaison bidirectionnel Amazon SageMaker AI dès sa génération, plutôt qu'après la réponse complète. Le tutoriel couvre la gestion des trames WebSocket binaires, le maintien de la session entre messages, le découpage incrémental des phrases et le choix entre audio base64 dans des événements SSE et multiplexage binaire et JSON. En isolant le transport TTS, l'envoi de la seule première phrase fait passer le délai moyen jusqu'au premier octet audio de 329,3 ms à 156,7 ms, et le mode bidi est 2,4 à 3,5 fois plus rapide que le mode batch sur un agent déployé.