📖 Guides
Step-by-step tutorials and how-to articles
Mise à l'échelle du codage agentique à plus de 150 PR/semaine : leçons tirées de 85 000 $ de jetons chez Lovable
Alexander Lebedev raconte comment il est passé de 20 à 30 PR/semaine avec un humain à plus de 150 PR/semaine avec une nuée d'agents IA, dépensant 85 000 $ en tokens depuis janvier. Principaux enseignements : classification des risques, revue IA remplaçant la revue humaine, et le défi de préserver la diffusion des connaissances.
Tarification des agents IA : Leçons tirées de la vente d'OpenClaw aux petites entreprises
Après des mois à vendre des agents OpenClaw à des cabinets d'avocats et agences immobilières, un développeur partage des stratégies de pricing éprouvées : le prix par siège ne fonctionne pas, le cadrage en « employé IA » gagne, et les coûts LLM refacturés évitent l'érosion des marges.
Méthode de codage AI en laisse courte : battre Fable en gardant le contrôle
La méthode de la laisse courte de Greg Slepak pour les agents de codage IA : planifier, examiner chaque diff, refuser les mauvaises modifications, valider après chaque sous-tâche. Surpasse la qualité de Fable en gardant le développeur dans la boucle.
Comment un agent inactif brûlait 50 millions de jetons par jour – et comment y remédier
Un agent OpenClaw inactif brûlait 50 millions de tokens par jour à cause de pings de heartbeat avec une session gonflée. Un utilisateur de Reddit explique comment il a tracé la fuite et l'a corrigée avec des changements de configuration.
Correction du ralentissement d’OpenClaw lors de longues sessions : continuation-skip d’injection de contexte pour le cache de llama.cpp
Une solution concrète pour les sessions OpenClaw qui ralentissent avec le temps : définir contextInjection sur continuation-skip pour préserver le cache de prompt de llama.cpp, réduisant l'évaluation du prompt de 130s à 1,3s.
OpenClaw Memory Journey : Recherche intégrée vs MemPalace pour le rappel de session en temps réel
Un développeur compare la recherche intégrée, QMD et MemPalace sur Mac Intel. L'indexation en temps réel pose problème ; il adopte une stratégie de rappel fractionné avec réindexation cronée.
Exécuter OpenClaw avec un LLM local sur macOS – Guide pour 16 à 24 Go de RAM
Guide pratique pour configurer un modèle Qwen 3.5 quantifié avec OpenClaw sur macOS (16–24 Go de RAM), incluant une compétence de test pour la vérification.
Construction d'un assistant multi-agent entièrement local avec OpenClaw et Ollama
Un développeur partage sa pile pour un assistant IA personnel entièrement local utilisant OpenClaw et Ollama, incluant les modèles qwen3.5:35b-a3b, gemma3:4b, mistral:7b, des serveurs MCP pour Home Assistant et Gmail, ainsi qu'une interface Telegram Bot.
5 erreurs courantes de configuration OpenClaw et comment les corriger
Solutions pratiques pour les cinq erreurs les plus courantes lors de la configuration d'OpenClaw : ignorer la mémoire persistante, absence d'accès sortant, surcharge du prompt système, comportement de repli manquant et utilisation d'un seul modèle.
Guide d'automatisation de la recherche d'emploi OpenClaw — Préférences, tâches Cron et filtrage
Un guide pratique pour automatiser la recherche d'emploi avec OpenClaw : définir un cahier des charges précis, choisir un outil de récupération des offres (automatisation de navigateur, scraping ou API structurée), et valider le processus avant de configurer un cron job.
7 façons dont les nouveaux ingénieurs peuvent prospérer avec l'IA : maîtriser les fondamentaux, collaborer avec l'IA, construire des projets complets
L'article d'IEEE Spectrum par Lokesh Lagudu offre 7 conseils pratiques pour que les nouveaux ingénieurs prospèrent dans un monde axé sur l'IA, en mettant l'accent sur les fondamentaux, la collaboration avec l'IA et l'apprentissage par projets.
Réglage fin de Qwen 3:0.6B pour la catégorisation de questions – Résultats de base vs résultats ajustés
Ajustement fin d'un petit LLM de 0,6B paramètres (Qwen 3:0.6B) avec ~850 questions domestiques en utilisant Unsloth. Le prompting de base a obtenu 10% de précision ; les résultats après ajustement dépassent probablement 80-90%.