Airbyte Agents : Une couche de contexte pré-indexée pour les agents IA vs MCPs d'API brutes
Airbyte a lancé aujourd'hui Airbyte Agents, une couche de données unifiée qui pré-indexe les informations provenant de plusieurs systèmes opérationnels afin que les agents d'IA puissent découvrir et interroger les données sans effectuer des dizaines d'appels API à l'exécution. Le cœur est un Context Store — un index de données optimisé pour la recherche agentique, alimenté par les connecteurs de réplication existants d'Airbyte.
La motivation vient d'une trace réelle : un agent a demandé « quels clients risquent de partir ce trimestre ? » a pris 47 étapes, principalement des appels API, et a renvoyé une réponse erronée. Airbyte Agents vise à réduire cela à une seule recherche.
Benchmarks : Consommation de jetons vs MCPs des fournisseurs
Michel Tricot, PDG d'Airbyte, a construit un banc d'essai public (GitHub) comparant le MCP d'Airbyte Agent avec les MCPs des fournisseurs pour la récupération et la recherche, en utilisant la consommation de jetons comme indicateur de l'efficacité des agents. Résultats :
- Gong : jusqu'à 80% de jetons en moins
- Zendesk : jusqu'à 90% de moins
- Linear : jusqu'à 75% de moins
- Salesforce : jusqu'à 16% de moins (le SOQL natif de Salesforce est déjà efficace)
Décisions de conception clés
- Pré-indexation : Les données sont répliquées et indexées à l'avance, de sorte que les agents n'ont pas à paginer, s'authentifier ou joindre des entités entre systèmes à l'exécution.
- Correspondance d'entités : Le contexte store gère la résolution d'entités inter-systèmes (par exemple, mapper des comptes à des clients avec des tickets de support).
- Passage en lecture/écriture : Les agents peuvent toujours appeler directement les API en amont pour les écritures ou les lectures en temps réel si nécessaire.
Airbyte positionne cela comme une solution au problème que la plupart des MCPs sont de « simples wrappers autour d'API » avec des primitives faibles. Le banc d'essai est open source et les contributions de la communauté sont les bienvenues.
📖 Lire la source complète : HN AI Agents
👀 See Also
Mise à l'échelle de l'Autorecherche de Karpathy avec 16 GPU : Résultats et Méthodes
L'équipe SkyPilot a donné à Claude Code l'accès à 16 GPU sur un cluster Kubernetes pour exécuter le projet Autoresearch de Karpathy. Sur 8 heures, l'agent a soumis environ 910 expériences, réduisant les bits par octet de validation de 1,003 à 0,974 (amélioration de 2,87 %), et a atteint la meilleure perte de validation 9 fois plus vite qu'une exécution séquentielle.
read-once : Un crochet de code Claude qui empêche les lectures redondantes de fichiers
Un développeur a créé un crochet PreToolUse appelé read-once qui suit les fichiers que Claude Code a déjà lus dans une session, bloquant les relectures de fichiers inchangés et utilisant des différences pour les fichiers modifiés. L'outil économise des milliers de jetons par session en empêchant Claude de relire à plusieurs reprises le contenu du même fichier.
Claude Code Skill refactore les composants React en utilisant les principes de « Ne me faites pas réfléchir »
Une nouvelle compétence Claude Code refactorise automatiquement les composants React pour l'utilisabilité selon les principes de Steve Krug — supprime le blabla, met en avant les CTA primaires, corrige les états vides/erreur et resserre les libellés.
Mascotte Clawd imprimée en 3D avec Mochi Bot motorisé par ESP32
Un développeur a construit un Clawd 3D physique inspiré par la mascotte Claude Code, avec un robot Mochi piloté par ESP32 et doté d'un petit écran. Les fichiers et le code sont disponibles sur MakerWorld et GitHub.