Share
Embed
Multi‑LLM, Multi‑IA, Multi‑Agents Reprendre le contrôle de l’IA
Présentation effectuée à la DevCon #27 par Christophe Villeneuve sur "Multi‑LLM, Multi‑IA, Multi‑Agents Reprendre le contrôle de l’IA".
Cette session vous explique et vous montrera les outils proposés par la fondation Mozilla et les équipes Mozilla IA
hellosct1
June 03, 2026
Transcript
62 slides
-
Multi LLM, Multi IA, Multi Agents ‑ ‑ ‑ Reprendre
le contrôle de l’IA I.A AGENTS VIBE CODING Édition 2026 28_05_2026 DEVCON#27 Christophe Villeneuve -
Atos open source - afup – lemug.fr – mariadb –
drupal – mozilla - firefox – lemugfr - sumo – webextensions – VR – AR – XR - Cause commune 93.1 FM - TechSpeaker - Lizard - eyrolles – editions eni – programmez – linux pratique – webriver – elephpant - CommonVoice – Sécurité - Cybersécurité Christophe Villeneuve • Consultant Open Source • Dresseur animaux -
@hellosct1 – DEVCON#27 - 2026 Aujourd’hui • IA ? Agent
? LLM ? Oui mais… • Casse-têtes / Solution • Code technique -
@hellosct1 – DEVCON#27 - 2026 • IA ? Agent ?
LLM ? Oui mais… • Casse-têtes / Solution • Code technique -
@hellosct1 – DEVCON#27 - 2026 Le problème Utiliser plusieurs fournisseurs
de modèles de langage à grande échelle (LLM) Gérer plusieurs : - Clés API - SDK - Tableaux de bord de facturation Dépendance vis-à-vis d'un fournisseur : Changer de fournisseur ? - Implique de réécrire le code d'intégration Qui détient les clés ? Qui dépense trop ? Quel modèle est réellement utilisé ? Il n'existe pas de méthode uniforme pour faire : - Respecter les budgets - Suivre l'utilisation chez les différents fournisseurs -
@hellosct1 – DEVCON#27 - 2026 Imaginez !!! 2. Donnez à
un agent l'accès à n'importe quelle application/outil que vous souhaitez utiliser MCP 1. Construire un agent dans des agents différents avec un framework Agent (cadre d'agent super simple) Solution ? 3. Servez cet agent et faites-le écouter via A2A Agent réutilisable . !!;???;;??.. !!!.. -
@hellosct1 – DEVCON#27 - 2026 Protocole MCP / A2A (1/2)
• Agent2Agent (A2A) – But : • Servir avec A2A n’importe lequel des frameworks d’agents : – Agno, Google ADK, LangChain, LlamaIndex, SDK OpenAI Agents, Hugging Face smolagents et tinyagent ! • MCP – Le protocole MCP (Model Context Protocol) – Norme aux agents IA → et aux grands modèles de langage (LLM) • de se connecter à des outils externes • d'accéder à de nouvelles informations → au-delà de leurs données d'entraînement d'origine. -
@hellosct1 – DEVCON#27 - 2026 Plateforme Agentic Usine d’agents Multi
Agent Multi LLM Serveur d’ingérence Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle -
@hellosct1 – DEVCON#27 - 2026 • IA ? Agent ?
LLM ? Oui mais… • Casse-têtes / Solution • Code technique -
@hellosct1 – DEVCON#27 - 2026 Mozilla IA • Vision –
Fournir une pile Intelligence Artificielle (IA) • open source modulaire et interopérable – Permettre aux développeurs de choisir librement : • Modèles • Frameworks • Outils (éviter le lock‑in) • Principe clé : « Premier choix » (Choice‑First) – Abstraction des couches techniques → changer de fournisseur/modèle sans réécrire le code – Architecture plug‑and‑play centrée sur les cas d’usage • https://www.mozilla.ai/ -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Plateforme Agentic • Système d'intelligence
artificielle – Relevant de l'intelligence artificielle distribuée • Intérêt : Executer une tâche définie, souvent limitée et dans un cadre contrôlé, sans supervision humaine constante → Appartient à la classe des « systèmes multi-agents » • Les architectures multi‑agents reposent sur un « moteur de planification et de gestion des objectifs», – construite sur une plateforme d'exécution autonome (éventuellement située dans le Cloud) – Permettre une action continue, pour améliorer les performances -
@hellosct1 – DEVCON#27 - 2026 Octonous (1/2) • Cessez de
passer votre temps à gérer vos outils, jour après jour. → Octonous s'en charger ! • Intérêt – Connectez-vous directement à vos applications et à vos données • Octonous se connecte directement à vos applications, sans passer par des fournisseurs d'authentification tiers qui ajouteraient des couches supplémentaires. L'historique des discussions, les instructions et les exécutions sont cryptés individuellement au repos. – Transparence par défaut • Visualisez chaque action et instruction utilisée par l'agent, ainsi que les résultats obtenus, afin de pouvoir ajuster le flux de travail si nécessaire. – Validations avant toute modification • Octonous demande votre validation avant d'envoyer, de publier, de mettre à jour ou de créer quoi que ce soit. Ceci est particulièrement important pour les tâches sensibles... -
@hellosct1 – DEVCON#27 - 2026 Octonous (2/2) • Intérêt (suite)
: – Journaux consultables • Chaque tâche fait l'objet d'un enregistrement détaillant les actions effectuées, les outils utilisés et les résultats obtenus. Utile pour le dépannage et la traçabilité. – Commencez par le chat, puis automatisez • Utilisez le chat pour définir et affiner le flux de travail, puis automatisez ce qui a fait ses preuves. – Définissez clairement le périmètre et les autorisations • Octonous ne fonctionne que dans les applications et pour les actions que vous avez autorisées. Si une action n'est pas autorisée, elle ne peut pas être utilisée. – Accès Web facultatif • Octonous peut parcourir des sites Web publics ou surveiller les pages que vous spécifiez, selon un calendrier ou un déclencheur. Utile pour les flux de travail qui nécessitent des données à jour. • Site officiel : https://octonous.com/ -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Agent Factory • Créer vos
propres agents IA personnalisés – Travaillent avec vous – Mais aussi pour vous. • Créez une main-d'œuvre numérique • Peut être personnalisés – pour gérer des processus de travail complexes. • L’Agent est associé à un modèle -
@hellosct1 – DEVCON#27 - 2026 Agent factory (1/2) • Outil
puissant pour générer – des agents et des flux de travail d'IA à l'aide du protocole de contexte modèle (MCP). – Transforme les descriptions de langage naturel en code Python exécutable pour les flux de travail agentiques – Alimenté par la bibliothèque any-agent. • Github : https://github.com/mozilla-ai/agent-factory • Doc : https://mozilla-ai.github.io/agent-factory/ -
@hellosct1 – DEVCON#27 - 2026 Fonctionnalités clés • Conversion du
langage naturel en code – Transformez directement les requêtes en langage naturel en code Python exécutable. • Flux de travail multi-tours et ponctuels – Prise en charge des conversations multi-tours et des tâches ponctuelles, pour une grande flexibilité d’interaction. • Compatibilité avec tous les fournisseurs de modèles – Grâce à la bibliothèque any-agent, il est très facile de passer d’un framework ou d’un modèle d’agent à un autre. • Outils et intégration intelligents – Identification automatique des outils et serveurs MCP les plus pertinents pour votre agent. • Agents déployables – Créez des agents prêts à l’emploi, avec leurs instructions d’utilisation et leurs fichiers de dépendances. • Évaluation des agents – Évaluez les agents générés selon des critères définis automatiquement ou manuellement afin de garantir qu’ils atteignent les performances attendues. -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Agent • C’est une entité
– caractérisée par le fait qu'elle est → Au moins partiellement, autonome • ce qui exclut un pilotage centralisé du système global. • Un système multi-agent (SMA) est – un système composé d'un ensemble d'agents • un processus, un agent intelligent, un robot, un être humain, une fourmi, etc. – actifs dans un certain environnement et interagissant selon certaines règles. -
@hellosct1 – DEVCON#27 - 2026 Any-agent & tinyagent • Interface
unique pour plusieurs frameworks d’agents (LangChain, OpenAI, etc.) • Capacités intégrées : – Interopérabilité (framework agnostic) – Tracing unifié (OpenTelemetry) – Évaluation des agents (LLM-as-a-judge) – Déploiement multi-protocole (A2A, MCP) [mozilla-ai.github.io] • Bénéfices – Réduction de la complexité et du couplage technique – Meilleure observabilité, évaluation et gouvernance des agents – Alignement avec une IA ouverte, transparente et contrôlable [mozilla.org] • Point d’attention – Les frameworks d’agents ajoutent complexité, coûts et enjeux de sécurité → à utiliser à bon escient -
@hellosct1 – DEVCON#27 - 2026 cq • Norme ouverte pour
l'apprentissage par les agents partagés – Stack overflow pour les agents IA • Base de connaissances collective où – les agents IA lisent, contribuent et notent les entrées – Un Wikipedia collaboratif du tooling, en somme • Sauf que les contributeurs sont des LLMs → et que les LLMs ont tendance à considérer les faits comme des suggestions • Une norme ouverte : – pour l'apprentissage par les agents partagé – Connaissances structurées • qui empêchent les agents d'IA de répéter les erreurs de chacun • Source : https://docs.mozilla.ai/cq • Doc : https://docs.mozilla.ai/cq -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 LLM • LLM : Un
grand modèle de langage – Modèle de langage possédant un grand nombre de paramètres (généralement plus d'un milliard) -
@hellosct1 – DEVCON#27 - 2026 Any-llm • Bibliothèque qui fournit
une interface unique – à divers fournisseurs de modèles de grand langage (LLM) • Permez de vous adapter – à l'évolution des besoins, des marchés ou des coûts • Construisiez – des agents ou toute autre application alimentée par LLM. • Changez de fournisseur en quelques secondes sans réécrire votre code. • Un interrupteur qui vous permet – de changer de fournisseur d'IA (par exemple, OpenAI vers local) – via la configuration, pas le code • GitHub : https://github.com/mozilla-ai/any-llm • Doc : https://docs.mozilla.ai/any-llm -
@hellosct1 – DEVCON#27 - 2026 MCPD • Un gestionnaire –
pour les "serveurs MCP" (Model Context Protocol) pour gérer les Déploiements. • Fonctionnalités : – Chaîne d'outils et la couche d'exécution derrière la plate- forme Mozilla.ai Agent Platform – Donne à vos agents les ressources de serveur MCP isolés • dont ils ont besoin, • de manière sécurisée, • Évolutive • Sans codage rigide infra dans la logique d'application. • GitHub : https://github.com/mozilla-ai/mcpd -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Llamafile • Regroupe un LLM
complet en un seul exécutable • Combinant – des poids de modèle – un moteur d'inférence – un temps d'exécution dans un seul fichier. • Exécute des modèles de langage volumineux localement sous forme d'un seul fichier exécutable • GitHub : https://github.com/mozilla-ai/llamafile • Doc : https://docs.mozilla.ai/llamafile Téléchargez-le une fois; exécutez-le n'importe où. Différent des outils comme Ollama ou LocalAI, LM Studio → Obligation installation séparée avec une configuration client-serveur -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Modèle IA • Programme capable
de détecter des schémas spécifiques – à partir d’une collection de jeux de données • Système qui peut recevoir des données et tirer des conclusions • Une fois entraîné, un modèle IA – Permet de faire des prédictions – Agir sur des données qui n’ont pas été observées auparavant • Utilisation pour des activités très variées -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Guardrail • Contrôleur (souvent automatisé)
qui vise – A détecter – Bloquer – Corriger → un comportement à risque d'un modèle -
@hellosct1 – DEVCON#27 - 2026 Any-guardrail • Fournit une interface
commune – pour les modèles de guardial • Permet aux chercheurs et aux praticiens de changer rapidement – entre différents modèles en fonction de leurs besoins. • Une interface standard – pour échanger des modèles de sécurité/filtrage • GitHub : https://github.com/mozilla-ai/any-guardrail • Doc : https://docs.mozilla.ai/any-guardrail -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Encoderfile • Construire un package
en un seul fichier exécutable autonome. • Pas de dépendance de langage, pas de frais d’exécution • Intérêt – Utilisez encoderfile • lorsque vous avez besoin d'une inférance fiable → déduire ce qui n’est pas écrit clairement • rapide et sans dépendance pour les tâches basées sur le codeur • en particulier – Dans des environnements sensibles – Sensibles à la conformité. • GitHub : https://github.com/mozilla-ai/encoderfile • Doc : https://docs.mozilla.ai/encoderfile -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 ClawdBolt • Assistant IA Devenu
OpenClaw • OpenClaw est une – IA agentique autonome distribuée open source – S'exécute localement • sur les appareils des utilisateurs • s'intègre aux plateformes de messagerie • Permet d’exécuter de façon autonome – des actions sur les appareils personnels des utilisateurs (gestion d'e‑mails, calendrier, achats, messageries) – A partir d'instructions générales • plutôt que de simples échanges conversationnels. • Différents noms : – ClawdBot→ Moltbot → OpenClaw -
@hellosct1 – DEVCON#27 - 2026 clawbolt • A destination du
métier du bureau – Assistant de direction et d’entreprise. • Fonctionnalités : – Mémoire : mémorise vos tarifs, vos clients et vos préférences. – Photos : analyse et organise les photos de chantier. – Devis : dictez une description de travail et obtenez un devis QuickBooks. – Calendrier : consultez vos disponibilités, planifiez vos interventions et recevez des rappels. – Suivi : suivis proactifs. – Intégrations : Google Agenda, QuickBooks et bien plus encore via la messagerie instantanée. • Site officiel : https://clawbolt.ai/ • GitHub : https://github.com/mozilla-ai/clawbolt • Doc : https://clawbolt.ai/docs -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle Plateforme Agentique : Tout Agent, Tout Modèle Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant -
@hellosct1 – DEVCON#27 - 2026 Contrôle Centralisé IA • Le
contrôle des capacités de l'IA vise à accroître notre capacité à surveiller et à contrôler le comportement des systèmes d'IA – en particulier pour les intelligences générales artificielles ou les super-intelligences artificielles. • But est de réduire le risque posé par l'IA si elle est mal alignée. – Mais le contrôle des capacités devient moins efficace • à mesure que les agents deviennent plus intelligents et que leur capacité à exploiter des failles augmente, → ce qui peut entraîner un risque existentiel. -
@hellosct1 – DEVCON#27 - 2026 Otari • Compatible et se
construit sur n'importe quel llm, • Offre un plan de contrôle centralisé pour les opérations LLM • Construire votre propre passerelle • But : – Un plan de contrôle centralisé pour les opérations LLM • Un seul endroit pour tout gérer – Une seule passerelle, tous les fournisseurs • OpenAI, Anthropic, Google, Mistral, Meta, HuggingFace, Perplexity... – Analyse de l'utilisation et observabilité • Suivez l'utilisation, les erreurs et obtenez des informations pertinentes – Contrôle budgétaire à plusieurs niveaux • La granularité est essentielle. Budgets par fournisseur, organisation, espace de travail, etc. • Site officiel : https://otari.ai/ Release 29 mai 2026 -
@hellosct1 – DEVCON#27 - 2026 Gateway • Passerelle entre vos
applications et les fournisseur de LLM • Intérêt – Contrôler l'accès – Le coût – L'observabilité en un seul endroit. • Fonctionnalités : – Points de terminaison compatibles OpenAI (/v1/chat/completions, /v1/embeddings, /v1/models) – Gestion des clés d'API virtuelles (/v1/keys) pour un accès client sûr – Contrôles des utilisateurs et du budget (/v1/users, /v1/budgets) – Suivi de l'utilisation et des prix (/v1/messages, /v1/pricing) – Paramètres de santé et métriques (/health, optionnel /metrics) – Outils intégrés envoyés côté serveur • GitHub : https://github.com/mozilla-ai/otari -
@hellosct1 – DEVCON#27 - 2026 Intérêt Otari • Confidentialité et
confiance – Les requêtes et les réponses ne transitent jamais par les serveurs d'Otari – Seules les métadonnées sont enregistrées : nombre de jetons, noms des modèles, horodatages, coûts – Soutenu par Mozilla.ai, une initiative axée sur la mission et non sur le profit • Fonctionnalités : – Mécanismes de sécurité hébergés pour la sécurité et le contrôle des modèles de langage de grande envergure (LLM). – Routage fédéré : sélection du meilleur modèle – Exécution du code directement sur otari.ai – Recommandations de modèles basées sur les tendances observées – Solutions de secours -
@hellosct1 – DEVCON#27 - 2026 • IA ? Agent ?
LLM ? Oui mais… • Casse-têtes / Solution • Code technique -
@hellosct1 – DEVCON#27 - 2026 Contrôle centralisé (1/2) • Tutorial
– https://www.mozilla.ai/product/otari -
@hellosct1 – DEVCON#27 - 2026 RAG local • Un système
RAG (Retrieval-Augmented Generation) entièrement local. • Utilisation : – Donnez-lui n'importe quel fichier texte, posez-lui des questions. Tout reste local. • Outils : – Encoderfile : Gère l'intégration locale. – Llamafile : Exécute le LLM localement. – NumPy : Gère la recherche de similarité dans la mémoire. • Intérêt – Aux environnements hors ligne – Aux documents sensibles – A tout endroit où vous avez besoin d'un système de réponse aux questions simple et autonome sans dépendances dans le cloud. • Github – https://github.com/mozilla-ai/encoderfile/tree/main/examples/local-rag -
@hellosct1 – DEVCON#27 - 2026 ANY-LLM comme un Guardial •
Install dependencies • Create the guardrail • Try it with different models / policies / inputs • Tutorial – https://docs.mozilla.ai/any-guardrail/cookbook/any_llm_as_a_guardrail import os from getpass import getpass if "OPENAI_API_KEY" not in os.environ: print("OPENAI_API_KEY not found in environment!") api_key = getpass("Please enter your OPENAI_API_KEY: ") os.environ["OPENAI_API_KEY"] = api_key print("OPENAI_API_KEY set for this session!") else: print("OPENAI_API_KEY found in environment.") from any_guardrail import AnyGuardrail, GuardrailName guardrail = AnyGuardrail.create(GuardrailName.ANYLLM) MODEL_ID = "openai/gpt-5-nano" POLICY = """ You hate Mondays. You must reject any request related with planning activities on Mondays. """ guardrail.validate("Can you suggest me some restaurants for lunch on Monday?", policy=POLICY, model_id=MODEL_ID) -
@hellosct1 – DEVCON#27 - 2026 Executez un LLM Local •
Télécharger le llamafile (pré-construit) – https://docs.mozilla.ai/llamafile/getting-started/pre-built-llamafil es • Exécuter • Running llamafile in CLI mode • Tutorial – https://docs.mozilla.ai/llamafile/using-llamafile/running_llamafi le ./Apertus-8B-Instruct-2509.llamafile --cli -p 'Write a story about llamas' llamafile -ngl 9999 --temp 0 \ --cli --image ~/Pictures/lemurs.jpg \ -m llava-v1.6-mistral-7b.Q4_K_M.gguf \ --mmproj mmproj-model-f16.gguf \ -p 'Describe this picture' llamafile -m Apertus-8B-Instruct-2509.gguf --temp … ./Apertus-8B-Instruct-2509.llamafile --temp ... -
@hellosct1 – DEVCON#27 - 2026 Llamafile • Exécutez Votre Premier
LLM Local • Quickstart – https://docs.mozilla.ai/llamafile/getting-started/quic kstart # 1. Download the executable wget https://huggingface.co/Mozilla/Llama-3.2-3B-Instruct- llamafile/resolve/main/Llama-3.2-3B-Instruct.Q6_K.llamafile # 2. Make it executable chmod +x Llama-3.2-3B-Instruct.Q6_K.llamafile # 3. Run the local AI server ./Llama-3.2-3B-Instruct.Q6_K.llamafile --server --nobrowser ./llama3.2-3b.llamafile -p "What is Mozilla.ai?" -
@hellosct1 – DEVCON#27 - 2026 ANY-LLM • Une interface pour
tous les LLM • Quickstart – https://docs.mozilla.ai/cookbooks/any-llm-getting-started from any_llm import acompletion # Easily switch between OpenAI, Anthropic, or local llamafile model = "openai:gpt-4o-mini" # model = "anthropic:claude-sonnet-4-20250514" # model = "llamafile:local-model" response = await acompletion( model=model, messages=[{"role": "user", "content": "Write a Haiku on the solar system."}], ) print(f"[{response.model}]:\n{response.choices[0].message.content}") -
@hellosct1 – DEVCON#27 - 2026 CQ • Connaissances partagées pour
les agents de codage de l'IA • Les agents apprennent des erreurs de l'autre • Quickstart – https://github.com/mozilla-ai/cq claude plugin marketplace add mozilla-ai/cq claude plugin install cq -
@hellosct1 – DEVCON#27 - 2026 MCPD • Connecter des bases
de données • Gérer les serveurs MCP avec une configuration • Quickstart – https://github.com/mozilla-ai/mcpd/tree/main/docs mcpd init mcpd add time mcpd daemon --dev -
@hellosct1 – DEVCON#27 - 2026 encoderfile • Encodeurs de transformateur
compact • Exécutez des modèles d'intégration localement → Un seul fichier. • Quickstart – https://docs.mozilla.ai/encoderfile/getting-started # Install curl -fsSL https://raw.githubusercontent.com/mozilla-ai/encoderfile/main/in stall.sh | sh # Run ./sentiment-analyzer.encoderfile serve -
@hellosct1 – DEVCON#27 - 2026 Any-guardial • Bloquer les entrées
toxiques • Ajoutez une couche de sécurité pour détecter l'injection rapide de Pi avec une ligne de code. • Quickstart https://docs.mozilla.ai/any-guardrail/quickstart from any_guardrail import AnyGuardrail, GuardrailName, GuardrailOutput guardrail = AnyGuardrail.create(GuardrailName.DEEPSET) result: GuardrailOutput = guardrail.validate("All smiles from me!") assert result.valid -
Plateforme Agentic Usine d’agents Multi Agent Multi LLM Serveur d’ingérence
Modèle A retenir Agentic Platform Agent Factory Any Agent Any llm Ingerence server Modèle Interface Interface Déploiement Deploy Contrôle centralisé Centralized control Assistant IA AI Assitant • ANYxxx • Mozilla AI -
Merci SÉCURITÉ HACKING POST- QUANTIQUE Christophe Villeneuve @hellosct1.bsky.social @hellosct1 @[email protected]
I.A AGENTS VIBE CODING Édition 2026 Thomas Bille Slide : https://speakerdeck.com/hellosct1