CopilotKit publie en open source Channels SDK : une bibliothèque sous licence MIT pour exécuter n'importe quel agent AG-UI dans Slack et Microsoft Teams

Y Combinator publie en open source QM, un cadre d'agents multijoueurs sous licence MIT, fonctionnant sur Slack et sur le web

Y Combinator a mis en open source QM, pour quartermaster, le harnais multi-agents qu'elle utilise en interne pour faire tourner ses propres équipes comptabilité, juridique, événementiel et ingénierie, y compris pour développer QM lui-même. Le projet est publié sous licence MIT et YC le présente comme une expérimentation encore jeune, avec des bugs connus. QM fonctionne à la fois dans Slack et sur le web, et son déploiement ne nécessite pas de cloner le dépôt : une organisation crée son propre dépôt de déploiement qui dépend du paquet @yc-software/qm, puis lance la commande qm init avec un identifiant d'organisation et une cible d'hébergement, Fly.io ou AWS. Cette initialisation déclenche un parcours guidé couvrant l'infrastructure, la connexion web, les connecteurs, l'accès Slack optionnel et une vérification en conditions réelles. La connexion des utilisateurs repose par défaut sur un système intégré qui envoie un lien à usage unique par email, remplaçable par un fournisseur d'identité externe. YC cible en priorité les startups et entreprises de taille moyenne, entre 10 et 500 salariés, disposant d'au moins un ingénieur plateforme, les grandes entreprises devant d'abord auditer le modèle de sécurité. L'intérêt de QM tient à sa conception : plutôt que de démultiplier un assistant personnel unique à l'échelle d'une entreprise entière, ce qui devient vite complexe selon l'équipe YC, chaque employé dispose d'un espace de travail isolé que les autres ne peuvent pas affecter, tout en pouvant collaborer avec l'agent dans des canaux ou des projets partagés. Chaque personne et chaque salon obtient sa propre mémoire, ses fichiers, ses permissions, ses tâches planifiées et son bac à sable durable et isolé. Côté sécurité, l'agent agit avec les identifiants et permissions de la personne qu'il représente, et chaque action est auditée. Une organisation choisit une posture globale, allant d'un mode strict qui suspend chaque appel d'outil pour validation humaine, à un mode automatique qui filtre les données externes via un classifieur avant qu'elles n'atteignent le modèle, jusqu'à un mode sans filtrage destiné aux usages les plus permissifs. Techniquement, QM repose sur un noyau central sans interface qui gère l'API, l'identité, les politiques et la planification, adossé à une couche PostgreSQL pour les données utilisateurs et l'historique de session. Le cœur tourne en TypeScript sur Node avec Fastify, le plugin Slack utilise Bolt et l'interface web s'appuie sur Vite et Lit. Surtout, QM se veut agnostique du moteur d'agent : Pi, OpenCode, Codex et Claude Code peuvent tous piloter le même noyau, ce qui évite tout verrouillage vers un fournisseur unique dans un marché des outils multi-agents encore en pleine consolidation.

💬 Bon, sur le papier, YC ne réinvente rien, mais l'idée d'isoler chaque salarié dans son propre bac à sable plutôt que de brancher un assistant unique sur toute la boîte, c'est le truc que tout le monde va copier d'ici un an. Selon Le Fil IA, QM déplace le vrai problème des agents en entreprise, qui n'est pas le modèle mais l'isolation des permissions et des données par utilisateur. Reste à voir si ça tient en prod au-delà de YC elle-même, mais l'agnosticisme côté moteur (Claude Code, Codex, peu importe) est la bonne décision dans un marché encore trop verrouillé.

AutoAgent : la bibliothèque open source qui permet à une IA d'optimiser son propre système d'agents

Kevin Gu, ingénieur chez thirdlayer.inc, a publié AutoAgent, une bibliothèque open source qui automatise l'optimisation des agents IA. En l'espace de 24 heures d'exécution autonome, le système a atteint la première place sur SpreadsheetBench avec un score de 96,5 %, et la meilleure performance GPT-5 sur TerminalBench avec 55,1 %. Le projet est disponible sur GitHub avec une architecture délibérément minimaliste : un fichier agent.py qui contient l'intégralité du harness sous test, un fichier program.md que l'humain édite pour donner la directive, et un journal d'expériences results.tsv maintenu automatiquement par le méta-agent pour tracer l'historique de chaque run. Le principe est simple mais radical : là où un ingénieur IA passe des journées à ajuster manuellement les prompts système, les définitions d'outils et la logique d'orchestration de son agent, AutoAgent confie cette boucle d'itération à un second agent, le méta-agent, qui lit la directive, inspecte agent.py, exécute le benchmark, analyse les échecs, réécrit les parties pertinentes et recommence. L'humain ne touche jamais agent.py directement. Ce ratchet loop, proposer une modification, mesurer le score, conserver si meilleur, rejeter sinon, est directement inspiré du projet autoresearch d'Andrej Karpathy, qui applique la même logique à l'entraînement de modèles ML. AutoAgent transpose ce mécanisme au niveau du harness : le prompt système, les outils disponibles, le routage entre sous-agents et la stratégie d'orchestration. Concrètement, toute équipe qui développe des agents complexes pourrait déléguer la phase d'optimisation la plus fastidieuse à un processus nocturne entièrement automatisé, réduisant drastiquement le temps humain consacré au réglage fin. Cette publication s'inscrit dans une tendance plus large d'automatisation de l'ingénierie IA elle-même, souvent désignée sous le terme "méta-apprentissage" ou "self-improvement". Depuis que les LLMs ont démontré leur capacité à écrire et modifier du code de manière fiable, plusieurs laboratoires et chercheurs indépendants explorent des architectures où un modèle supervise l'amélioration d'un autre, ou de lui-même. AutoAgent se distingue par sa portée pratique immédiate : il ne requiert pas d'infrastructure exotique, s'appuie sur le format Harbor pour exprimer les benchmarks, et peut être adapté à n'importe quel domaine via les dossiers tasks/ et .agent/. Les résultats sur TerminalBench et SpreadsheetBench, deux benchmarks reconnus dans la communauté, donnent une crédibilité concrète à l'approche. La question ouverte reste celle du contrôle : lorsqu'un méta-agent réécrit librement la logique d'orchestration d'un système en production, les garanties de sécurité et de prévisibilité du comportement final deviennent un enjeu non trivial que la bibliothèque n'adresse pas encore explicitement.

💬 C'est exactement la boucle que tout dev d'agents rêve d'automatiser, et là quelqu'un l'a fait en un seul fichier. Le score sur SpreadsheetBench est bluffant, bon, reste à voir ce que ça donne sur des tâches moins balisées qu'un benchmark. La vraie question, c'est quand le méta-agent commence à réécrire l'orchestration en prod sans que tu comprennes pourquoi ça marche.

NVIDIA AI publie 'OpenShell' en open source : un environnement d'exécution sécurisé pour les agents IA autonomes

NVIDIA franchit une étape importante dans la sécurisation des agents IA autonomes en publiant OpenShell en open source sous licence Apache 2.0. Cet environnement d'exécution dédié répond à un problème concret : les agents capables d'exécuter du code et d'interagir avec des systèmes fichiers ou des endpoints réseau représentent une surface d'attaque bien plus large que les applications LLM classiques, limitées aux échanges textuels. L'enjeu est de taille pour l'industrie. Jusqu'ici, la sécurité des agents autonomes reposait principalement sur l'alignement interne du modèle, une approche jugée insuffisante face à des risques d'exécution de commandes non souhaitées ou d'accès non autorisé à des données sensibles. OpenShell introduit une couche de sécurité externe et explicite, indépendante du comportement du modèle, ce qui représente un changement de paradigme pour les équipes de développement. Techniquement, la solution s'articule autour de trois piliers. D'abord, un sandbox à isolation kernel qui confine tout code généré, scripts Python, commandes Bash, dans un espace restreint. Ensuite, un moteur de politiques granulaire permettant un contrôle par binaire (git, curl, python), par endpoint réseau et par méthode d'API, avec un journal d'audit complet de chaque action. Enfin, un mécanisme de routage d'inférence privé qui intercepte le trafic modèle pour éviter les fuites de données vers des fournisseurs cloud externes. Point clé : OpenShell est agent-agnostique, il fonctionne sans modification avec Claude Code, Codex, LangChain ou tout autre framework existant, via une simple CLI et une interface TUI pour le monitoring en temps réel. La prise en charge d'exécution distante (openshell sandbox create --remote user@host) ouvre également la voie à des déploiements sur clusters GPU haute performance, ce qui positionne NVIDIA non seulement comme fournisseur de matériel, mais comme acteur central de l'infrastructure logicielle pour agents IA en production.

Moonshot AI publie en open source MoonEP, une bibliothèque de parallélisme d'experts équilibrée pour l'entraînement de modèles MoE

Moonshot AI a publié en open source MoonEP, une bibliothèque de communication pour le parallélisme d'experts (Expert Parallelism) destinée à l'entraînement distribué de modèles Mixture-of-Experts, sous licence MIT. Cette annonce s'inscrit dans le cadre du Kimi K3 Open Day, journée durant laquelle l'entreprise a dévoilé les poids du modèle K3 ainsi que son rapport technique, accompagnés de trois briques d'infrastructure logicielle : MoonEP, FlashKDA et AgentEnv. FlashKDA avait déjà été ouvert précédemment, tandis que MoonEP et AgentEnv sont publiés pour la première fois avec cette sortie. Moonshot présente MoonEP comme l'une des innovations ayant permis un gain de 2,5 fois en efficacité de mise à l'échelle pour Kimi K3, un modèle MoE de 2 800 milliards de paramètres doté d'une vision native et d'une fenêtre de contexte d'un million de tokens. Sur le plan technique, la bibliothèque s'attaque au déséquilibre de routage entre experts, mesuré par une métrique appelée maxvio, en garantissant que chaque rang de calcul reçoive exactement S multiplié par K tokens, quel que soit le déséquilibre du routeur, grâce à une planification dynamique d'experts redondants directement dérivée des sorties du routeur en temps réel. Le système repose sur un noyau de planification GPU quasi optimal, implémenté avec le langage CUTLASS CuTe, et sur une architecture à copie nulle avec des formes statiques qui éliminent la synchronisation hôte à chaque couche. Ce déséquilibre de routage est un problème structurel majeur pour l'entraînement de grands modèles MoE : la latence d'une opération collective est dictée par son participant le plus lent, donc le rang le plus sollicité détermine la durée de chaque itération d'entraînement. Ce phénomène fragmente aussi la mémoire GPU puisque le nombre de tokens traités par rang varie à chaque étape. En imposant une charge parfaitement équilibrée et des formes de mémoire prévisibles, MoonEP permet de réduire ces coûts cachés et d'accélérer l'entraînement de modèles à très grande échelle, un enjeu crucial à mesure que les architectures MoE comptant plusieurs milliers de milliards de paramètres se généralisent chez les grands laboratoires d'IA. La publication s'accompagne d'indications précises d'usage : pour l'entraînement, le nombre d'emplacements de préchargement B doit être fixé à E divisé par R, garantissant que tout expert distant sollicité reste local au groupe de calcul GEMM ; pour l'inférence, une valeur plus faible, entre 3 et 4, est recommandée. Cette ouverture de code s'inscrit dans une dynamique plus large où les laboratoires chinois d'IA, dont Moonshot AI, DeepSeek ou Alibaba, publient de plus en plus leurs briques d'infrastructure d'entraînement, contribuant à démocratiser les techniques nécessaires pour entraîner des modèles MoE à l'échelle du trillion de paramètres, jusque-là réservées à une poignée d'acteurs disposant de ressources massives.

💬 Bon, sur le papier c'est technique, mais le vrai signal est ailleurs : quand un labo publie sous MIT le code qui a fait gagner 2,5x en efficacité sur un modèle à 2 800 milliards de paramètres, il régale ses concurrents directs sans que ça lui coûte son avance produit. Selon Le Fil IA, la course au MoE géant n'est plus une histoire de brevets gardés jalousement mais d'exécution, les labos chinois ont compris qu'ouvrir l'infra accélère l'écosystème sans dévoiler ce qui compte vraiment (les données, les poids entraînés). Reste à voir qui, hors Chine, aura le courage de faire pareil.