Lucid Motors annonce la Lucid Lunar, un véhicule électrique entièrement autonome développé en collaboration avec Uber pour concurrencer le futur Tesla Cybercab. Ce modèle fait partie de la stratégie de Lucid pour entrer sur le marché des robotaxis.
OpenViking est une base de données contextuelle open-source pour agents AI développée par Volcengine. Elle utilise un paradigme de système de fichiers pour organiser le contexte, permettant une gestion unifiée des mémoires, ressources et compétences via une structure hiérarchique. Cette approche vise à résoudre cinq problèmes courants dans le développement d'agents : fragmentation du contexte, augmentation volumineuse du contexte pendant les tâches longues, faible qualité de récupération dans des pipelines RAG plats, mauvaise observabilité des comportements de récupération et limitation de l'iteration mémoire au-delà de l'historique de la conversation. Le cœur du design est un système de fichiers virtuel exposant le protocole viking:// pour gérer différents types de contexte via des répertoires (ressources, utilisateur, agent), offrant une navigation plus déterministe par rapport aux recherches de similarité sur un index vecteur plat. La méthode de récupération en arbre de répertoires permet de conserver à la fois la pertinence locale et la structure globale du contexte, améliorant ainsi les modèles de récupération traditionnels. De plus, OpenViking inclut un mécanisme intégré pour la chargement progressif du contexte en couches (L0, L1, L2) pour minimiser la surcharge token lors des requêtes d'agents étendues à plusieurs référentiels et mémoires accumulées.
UEOpenViking, développé par Volcengine, un éditeur français, offre une base de données contextuelle open-source avancée pour agents intelligents, potentiellement améliorant les capacités de mémoire et de récupération d'IA en France, alignée avec les objectifs de l'Union Européenne en matière d'innovation technologique et d'autonomie stratégique.
LangChain a déployé Deep Agents, un ensemble de composants structurés pour la planification, la gestion de la mémoire et l'isolement du contexte dans les agents AI multi-étapes. Contrairement à d'autres systèmes, Deep Agents ne présente pas de nouveau modèle de raisonnement ni un nouveau runtime distinct de LangGraph, mais intègre des paramètres par défaut et outils intégrés autour du boucle standard d'appel d'outils. Les caractéristiques principales incluent une planification via write_todos, des outils de gestion de fichiers, un accès à la shell sécurisé, un outil de tâche pour lancer des sous-agents et des fonctionnalités de gestion contextuelle comme la résumé automatique et le stockage de grands résultats dans des fichiers. Cette approche vise à simplifier le développement d'agents capables de planifier, gérer de grandes quantités de contexte, déléguer des tâches et conserver des informations sur plusieurs conversations.
UELangChain's Deep Agents facilite le développement d'agents AI avancés pour entreprises européennes comme Dassault et Airbus, en améliorant la planification, la gestion de la mémoire et l'isolement contextuel dans les systèmes multi-étapes.
Un agent AI de Codewall a piraté un système de recrutement AI, puis a imité Trump pour tester les limites de son assistant vocal. Cet événement illustre la complexité croissante des enjeux de sécurité dans le domaine des agents AI.
UECodewall's actions exposent les vulnérabilités potentielles des systèmes d'IA recruteurs utilisés par des entreprises françaises ou européennes, menaçant ainsi la confidentialité et l'intégrité des données de ces organisations.
