Apideck CLI : Une alternative à faible contexte au MCP pour les agents IA
Le Problème de Fenêtre Contextuelle de MCP
L'article décrit un scénario spécifique : connecter GitHub, Slack et Sentry via des serveurs MCP (environ 40 outils au total) consomme plus de 55 000 tokens avant même que l'agent ne traite un seul message utilisateur. Cela représente plus d'un quart de la limite de 200k de Claude. Chaque définition d'outil MCP coûte 550 à 1 400 tokens pour son nom, sa description, son schéma JSON, les descriptions de champs, les énumérations et les instructions système.
Une équipe a rapporté que trois serveurs MCP consommaient 143 000 des 200 000 tokens (72 % de la fenêtre contextuelle), ne laissant que 57 000 tokens pour la conversation réelle, les documents récupérés, le raisonnement et la réponse.
David Zhang (@dzhng), en développant Duet, a décrit avoir supprimé complètement les intégrations MCP en raison d'un "trilemme" : tout charger au départ et perdre la mémoire de travail, limiter les intégrations pour que l'agent ne puisse communiquer qu'avec quelques services, ou construire un chargement dynamique d'outils qui ajoute de la latence et de la complexité middleware.
Résultats des Benchmarks
Un benchmark réalisé par Scalekit a effectué 75 comparaisons directes (même modèle : Claude Sonnet 4, mêmes tâches, mêmes prompts) et a constaté :
- MCP coûte 4 à 32 fois plus de tokens que CLI pour des opérations identiques
- Vérifier la langue d'un dépôt a consommé 1 365 tokens via CLI contre 44 026 via MCP
- La surcharge est presque entièrement due aux schémas : 43 définitions d'outils injectées dans chaque conversation, dont l'agent n'en utilise qu'une ou deux
L'Approche Apideck CLI
L'Apideck CLI utilise un prompt d'agent d'environ 80 tokens qui remplace des dizaines de milliers de tokens de schéma. Il propose une divulgation progressive via --help et une sécurité structurelle intégrée au binaire. Tout agent capable d'exécuter des commandes shell peut l'utiliser sans nécessiter de support protocolaire.
Réponses de l'Industrie à l'Encombrement Contextuel
L'article identifie trois approches de l'industrie :
- MCP avec astuces de compression : Compresser les schémas, utiliser la recherche d'outils pour charger les définitions à la demande, ou construire un middleware qui découpe les spécifications OpenAPI en morceaux plus petits. Cela fonctionne pour des interactions petites et bien définies mais ajoute des besoins en infrastructure (registre d'outils, logique de recherche, mise en cache, routage).
- Interfaces CLI-first : L'approche adoptée par Apideck CLI.
- Protocoles natifs aux agents : Mentionnés mais non détaillés dans le texte source fourni.
📖 Read the full source: HN AI Agents
👀 See Also
Transcription vocale locale pour OpenClaw utilisant Parakeet TDT 0.6b v3
Un développeur a converti le modèle Parakeet TDT 0.6b v3 de NVIDIA pour fonctionner localement via ONNX sur CPU, prenant en charge 25 langues européennes. Le modèle fournit un point de terminaison API compatible OpenAI via un conteneur Docker, permettant l'intégration avec OpenClaw pour la transcription de fichiers audio.
Système d'exploitation Création : Un runtime LLM local à porte σ qui permet aux modèles de dire « Je ne sais pas » plutôt que d'halluciner
Creation OS enveloppe les LLM locaux (BitNet, Qwen, Gemma, tout GGUF) avec une σ-gate qui mesure plusieurs canaux d'incertitude et décide ACCEPTER, REPENSER ou S'ABSTENIR par sortie. Pas de cloud, pas d'API. Précision TruthfulQA améliorée d'environ 29% grâce à la régénération sélective.
Titre en français : Tableau de bord open source Grafana pour suivre les coûts et l'utilisation de Claude Code via OpenTelemetry
Un SRE a créé un tableau de bord Grafana gratuit pour visualiser les dépenses Claude Code, l'utilisation des tokens, les taux de cache hit et les décisions d'édition en extrayant les métriques OpenTelemetry dans des backends compatibles Prometheus.
VS Code Agent Kanban : Gestion de tâches basée sur Markdown pour les agents d'IA de codage
VS Code Agent Kanban est une extension qui crée un tableau kanban compatible GitOps dans VS Code en utilisant des fichiers markdown comme enregistrements de tâches. Il résout le problème de la dégradation du contexte dans les agents d'IA de codage en préservant les conversations de planification, les décisions et les détails d'implémentation dans des fichiers .md versionnés.