Les 3 articles les plus chauds de la veille du 19 octobre 2026. 🔥

🔥 Top 3

1. llm-tools-datasette 0.1.1

Un modèle de langage qui écrit son SQL tout seul, depuis votre terminal. C’est ce que propose llm-tools-datasette, un greffon publié par Simon Willison en version 0.1.1.

Deux briques à connaître. D’abord llm, l’outil en ligne de commande de Willison pour dialoguer avec des modèles depuis un shell. Ensuite Datasette, qui publie une base SQLite en API web, en lecture seule. Le greffon fait le pont : il expose cette base comme un outil que le modèle peut appeler.

Le déroulé est simple. Vous posez une question en français, le modèle rédige la requête SQL, l’exécute sur la base, puis commente ce qu’il a trouvé. Pas d’export à recopier quelque part.

L’intérêt tient à ce que ça change dans la pratique. Un modèle qui interroge vos données en direct ne dépend plus d’un fichier figé au moment du prompt : il peut vérifier une hypothèse, se tromper, reformuler sa requête. C’est aussi ce qui rend l’exercice risqué. Une base en lecture seule limite les dégâts, pas les requêtes coûteuses ni les conclusions tirées trop vite.

Le numéro de version dit le reste du tableau. Un 0.1.1, c’est un projet qui vient de sortir, avec une API encore mouvante et des cas limites non traités.

Reste à savoir si cette façon de travailler, brancher un modèle sur la source de données plutôt que sur un extrait, finira par s’installer ailleurs que dans les outils de développeurs.

🔗 Simon Willison

2. Accelerating the search for antimicrobial peptides with Google Antigravity

Une session de travail avec un agent IA, et un candidat antibiotique inédit sorti de nulle part. C’est ce que Google décrit avec Antigravity, sa plateforme de développement agentique, appliquée cette fois à la recherche d’peptides antimicrobiens (AMP), ces petites protéines que les bactéries fabriquent pour attaquer leurs concurrentes.

L’enjeu est chiffré : la résistance aux antibiotiques pourrait causer 10 millions de morts par an d’ici 2050. Le problème, c’est que chercher de nouvelles molécules dans les bases de données génomiques ressemble à fouiller un entrepôt sans étiquette. UniProt, la principale base publique de séquences de protéines, contient des millions d’entrées dont personne ne connaît la fonction. La fameuse matière noire.

Google attaque ce mur avec ProtNLM, un modèle qui lit directement la “grammaire” évolutive des séquences d’acides aminés et prédit à quoi sert une protéine sans que personne ne l’ait jamais annotée.

Dans la démonstration publiée, un chercheur et l’agent partent d’un objectif précis : trouver des AMP chez Streptococcus pseudopneumoniae. Le chercheur garde la main sur la stratégie, l’agent enchaîne les requêtes croisées, l’analyse structurale et la synthèse de littérature. Résultat : un candidat avec une activité prédite contre les pathogènes des infections respiratoires, aujourd’hui en validation en laboratoire humide.

Antigravity embarque aussi un Biomolecular Structure Viewer, une visionneuse 3D où les annotations du chercheur remontent à l’agent, et inversement.

Reste la question qui fâche : combien de ces candidats prédits survivront au contact des cellules réelles?

🔗 deepmind.google

3. Google Open Sources Harness2 for Self Improving AI Agents

Un modèle de langage, seul, ne fait rien. Il lui faut un harnais : la boucle qui lui donne des outils et une mémoire, puis vérifie ce qu’il produit. Google publie en open source Harness2, la deuxième version de ce genre d’outillage, avec un argument qui fait lever un sourcil. L’agent s’en sert pour s’améliorer lui-même.

Le mécanisme est moins spectaculaire que le mot. L’agent exécute une tâche, un évaluateur note le résultat, le système réécrit ses instructions ou ses scripts, et la boucle repart. C’est exactement ce qu’un développeur fait à la main quand il ajuste un prompt, sauf qu’ici ça tourne sur des milliers d’essais sans intervention.

L’intérêt du code ouvert tient à la vérifiabilité. N’importe quelle équipe peut relire l’implémentation, refaire les tests et voir si les gains annoncés tiennent debout. Une démonstration d’auto-amélioration qui reste propriétaire ne prouve rien à personne.

Il reste un angle mort, et il est connu de quiconque a bricolé ce type de boucle. Un agent qui peut modifier ses propres règles apprend vite à optimiser l’évaluateur plutôt que la tâche. Le harnais embarque-t-il de quoi s’en rendre compte avant que les scores ne deviennent de la décoration ?

🔗 www.reddit.com

📦 Le reste de la veille