Outils IA pour la recherche

RETEX après 2 ans d’utilisation

Louis Libat

2026-05-05

Mon interêt pour les outils IA

• Intérêt croissant depuis 2023 suite à un stage chez les Pompiers de Paris
• Utilisation régulière depuis 2024
• Codex, Copilot, Claude Code, NotebookLM, etc.

Au programme d’aujourd’hui

• Courte introduction
• Activité 1 — NotebookLM pour la revue de littérature et plus
• Activité 2 — Agents pour le codage et le debugging
• Activité 3 — Gestion de la mémoire des projets
• Conclusion and discussion

Important

1. Un ordinateur : Si possible, apportez votre ordinateur pour les activités pratiques. Pas de panique, on fera aussi des démos.
2. Travail en binôme : Comme vous le souhaitez, travaillez avec un voisin ou en solo.

Pourquoi ce talk?

Pain points

• Trop de papiers, pas assez de temps pour faire le tri
• Un bug de code caché dans 10k lignes de code
• Idée claire sous la douche, floue au clavier
• TikZ est un maître cruel et impitoyable

Promesse honête

• IA ne remplacera pas le jugement
• IA ne prouvera pas votre théorème (encore) (Axiom Math 2026)
• IA peut enlever une énorme friction

Tour de table : Quels outils ? Quels usages ?

• Quels outils IA utilisez-vous déjà ?
• Quels usages vous intéressent le plus ?

Imaginez les outils d’agents IA comme un chercheur junior avec une énergie infinie, zéro honte, et une fiabilité inégale.

Qu’est-ce qu’un LLM (1) ?

Un LLM (Large Language Model) est un modèle entraîné sur une quantité pharaonique de texte et de code pour prédire le prochain token \(P(\text{token}_t\mid \text{token}_{<t})\) :

Qu’est-ce qu’un LLM (2) ?

Qu’est-ce que ça veut dire en pratique?

• Machines à faire de la complétion de texte.
• PAS des bases de données, ni des garanties de vérité (OpenAI 2025).
• Vachement utile quand ils sont connectés à des outils (fichiers, code, recherche, tests).
• Prompt précis -> Meilleurs résultats

Chat mode vs Agent mode

Chat mode

• Un prompt -> une réponse
• Idéal pour explications et brainstorming
• Exemple : “Expliquez Gibbs-Thomson en termes simples.”

Agent mode

• Lire fichiers/docs, éditer du code, exécuter des tests, patch
• Exemple pour le codage : “Scan repo, implement a new function, keep API, add tests.”

Tour d’horizon des outils disponibles

Tour d’horizon des outils disponibles

Activité 1: NotebookLM pour la revue de littérature et plus

NotebookLM (Google) permet de télécharger des documents et de poser des questions à leur sujet. Il peut être utilisé pour la revue de littérature, la synthèse, et plus encore.

URL : NotebookLM

Activité 2: Agents pour le code

• Agents de codage (Codex, Copilot, Claude Code) via IDE ou terminal
• Instructions de projet (AGENTS.md) pour guider les agents
• Compétences (SKILL.md) pour les tâches récurrentes
• Sous-agents pour les tâches parallèles (ex: un agent pour l’implémentation, un autre pour les tests)

Iterations par modele et scenario

Comparatif simple des iterations et tokens consommes par scenario.

Pourquoi on atteint les limites ?

• Cache misses
• Context bloat
• Mauvais modèle / mauvais effort
• Mauvais format d’entrée

Le vrai levier : protéger le préfixe caché

• Choisir outils/MCP au début
• Choisir modèle au début
• Ne pas changer /model en cours
• Garder AGENTS.md / CLAUDE.md courts
• Déplacer le détail vers MATH.md, TESTING.md, SKILL.md

Hygiène de session

• /clear entre deux sujets
• /compact après une tâche ou vers 50–80%
• /rewind si la session part mal
• Subagents pour lecture massive, logs, PDF, recherche fichiers

Ne laissez pas l’agent relire votre repo entier à chaque question.

Choisir le bon modèle

• Petit modèle : grep, renommage, formatage
• Moyen modèle : exploration code, tests, synthèse locale
• Gros modèle : architecture, compromis numériques

L’effort se règle par prompt.

Mauvais format = tokens brûlés

• Web : texte / accessibility tree plutôt que screenshots
• PDF : pdftotext avant images
• Gros repo : carte de code / graphe plutôt que lecture brute

Activité 3: Gestion de la mémoire des projets

• Problème : Faible mémoire à long term des LLMs
• ex : 400k tokens pour Codex 5.3 High
• Solution : Fichiers de projet (AGENTS.md, MATH.md, SKILL.md) pour stocker les faits, règles, théorèmes, procédures
• Solution : LLMWiki + Obsidian pour une mémoire de projet plus riche et interconnectée

Quelques points clés

• Notion de Context Window
• Taille des modeles et coût : choisir le bon outil pour la bonne tâche
• De l’importance du prompt pour guider les agents
• Validation humaine indispensable pour éviter les erreurs et les “hallucinations”

Discussion

• Quels sont les avantages et les limites de ces outils dans votre pratique ?
• L’importance de la validation humaine : comment éviter les “hallucinations” et garantir la fiabilité des résultats ?
• Confidentialité et éthique : comment gérer les données sensibles et les implications éthiques de l’utilisation de l’IA dans la recherche ?
• De l’utilisation de ces outils en commun.

Useful links

• MCP intro: https://modelcontextprotocol.io/docs/getting-started/intro
• OpenAI Codex docs: https://developers.openai.com/codex
• GitHub Copilot docs: https://docs.github.com/en/copilot
• Claude Code docs: https://docs.anthropic.com/en/docs/agents-and-tools/claude-code/overview
• OpenCode: https://opencode.ai

Axiom Math. 2026. “Axiom Math.” https://axiommath.ai/.

OpenAI. 2025. “Why Language Models Hallucinate.” September. https://openai.com/index/why-language-models-hallucinate/.