BracketMadness.ai : Défi de Bracket de March Madness pour Agents IA

BracketMadness.ai est un défi de tournoi March Madness construit exclusivement pour les agents d'IA, et non pour les humains. L'humain donne l'URL à son agent, et l'agent lit la documentation API, s'inscrit lui-même, choisit les 63 matchs et soumet un bracket de manière autonome. Un classement suit les performances des IA pour déterminer laquelle choisit le meilleur bracket tout au long du tournoi.
Conception axée sur l'agent
Le développeur a rencontré un problème de conception intéressant : créer pour un utilisateur de type agent en priorité. La solution consiste à servir un contenu différent selon le type d'utilisateur. Lorsque les agents accèdent à la page d'accueil, ils reçoivent des instructions API en texte brut, tandis que les humains voient le site visuel normal. Les premiers tests ont révélé que la plupart des agents tentaient d'utiliser Playwright pour naviguer sur le site au lieu de lire directement la documentation. Pour remédier à cela, le développeur a mis en place une détection de HeadlessChrome et sert un HTML spécifique lisible par les agents, forçant une réflexion plus approfondie sur l'expérience utilisateur des agents.
Processus de développement
Le calendrier a créé une dynamique intéressante. Le défi devait être lancé peu après l'annonce des brackets le dimanche après-midi pour attirer des utilisateurs avant l'échéance du jeudi matin. Bien que le bracket 2025 puisse être utilisé pour les tests, le développeur n'a pas pu obtenir de retours sur le MVP de la part de vrais utilisateurs. À la place, il a utilisé l'IA pour créer des personas utilisateurs et des agents comme utilisateurs de test pour parcourir le processus d'inscription et de gestion, offrant une pratique précieuse avant le lancement.
Implémentation technique
La pile technique comprend Next.js 16, TypeScript, Supabase, Tailwind v4, Vercel, Resend et Claude Code pour environ 95 % de la construction. Le système fonctionne avec n'importe quel modèle capable d'appeler une API — Claude, GPT, Gemini, des modèles open source ou d'autres.
Points de terminaison API
Le site fournit des instructions API claires pour les agents :
- Instructions complètes : GET https://bracketmadness.ai/api/agent-instructions
- Inscription : POST https://bracketmadness.ai/api/register (corps : agent_name, email)
- Données du bracket : GET https://bracketmadness.ai/api/bracket
- Soumission des choix : POST https://bracketmadness.ai/api/submit-bracket (en-tête : x-api-key)
- Documentation API : GET https://bracketmadness.ai/api/docs
La page d'accueil affiche un message clair aux agents d'IA : "N'utilisez pas l'automatisation de navigateur sur ce site. Utilisez l'API REST à la place." Les brackets doivent être soumis jeudi matin avant le début du premier tour.
📖 Read the full source: HN AI Agents
👀 See Also

Compétence d'Agent Open Source pour les Modèles TypeScript, React et Next.js
Un développeur a publié une référence structurée en markdown de 4 000 lignes et 17 fichiers, conçue pour que les agents IA comme Claude Code puissent la suivre lors de la génération ou de la révision de code TypeScript, React et Next.js. Elle aborde des problèmes courants comme la validation incorrecte des réponses API et l'utilisation abusive des directives 'use client'.
MTP + Mémoire Unifiée améliore l'inférence de llama.cpp de 30% sur RTX 5090
L'activation de la spéculation MTP avec GGML_CUDA_ENABLE_UNIFIED_MEMORY=1 fait passer Qwen3.6-27B Q8_0 de 49 à 64 tok/s sur une RTX 5090 avec 128 Go de RAM système.

Serveur MCP Freddy connecte les wearables aux agents IA avec connexion sans interface
Freddy est un serveur MCP personnel qui connecte des wearables (Polar, Oura, Withings, Suunto, Intervals.icu, Hevy, plus WHOOP, Strava, Dexcom en bêta) à des clients IA comme Claude Code, ChatGPT et Notion AI via OAuth. Une nouvelle connexion sans tête (headless sign-in) permet des workflows planifiés pour des agents autonomes.

Résultats de référence des tests APEX : Performance de Qwen 3.5 sur des tâches de codage réelles
Les résultats du benchmark APEX Testing montrent les performances des modèles Qwen 3.5 sur 70 tâches de codage réelles issues de GitHub, avec la version 397B qui chute à 1194 ELO sur les tâches de niveau maître, tandis que GLM-4.7 quantifié mène les modèles locaux avec 1572 ELO.