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
Claude DevTools : Un lecteur de journaux pour une meilleure visibilité du code Claude
Claude DevTools est un outil local et open-source qui lit les fichiers journaux existants de Claude Code dans ~/.claude/ pour fournir une visibilité détaillée des sessions, incluant les opérations sur fichiers avec différences en ligne, la répartition des tokens, la visualisation de la fenêtre contextuelle et les arbres d'exécution complets des sous-agents.
L'application Focusmo pour macOS ajoute un serveur MCP local pour l'intégration avec Claude AI.
Focusmo, une application de concentration pour macOS, intègre désormais un serveur MCP local qui permet à Claude AI d'accéder à des données réelles de concentration pour les bilans hebdomadaires et la planification. Le serveur fonctionne localement sur Mac sans nécessiter de serveurs externes, gardant toutes les données sur l'appareil.
Script et Processus de Fusion de Modèles GGUF pour les Variantes Qwen3.5-35B
Un utilisateur de Reddit a partagé un script Python pour fusionner des fichiers de modèles GGUF avec une perte minimale, combinant spécifiquement le modèle Qwen3.5-35B-A3B-Uncensored de HauhauCS avec la version Claude-4.6-Opus-Reasoning-Distilled de samuelcardillo. Le script fonctionne sur Google Colab Free Tier et inclut le support de la quantification via llama-quantize.
Une architecture de base de connaissances à 4 niveaux pour améliorer la précision des agents d'IA
Un développeur a construit une base de connaissances structurée avec plus de 200 articles pour fournir un contexte spécifique à un domaine aux agents d'IA, en mettant en œuvre un pipeline à 4 niveaux avec classification des requêtes qui a réduit les coûts en tokens d'environ 40 %.