HN Digest
Briefing personnel.

Lire vite.
Garder l'essentiel.

Les meilleurs longs formats de Hacker News, relus plus calmement.

12074 articles Page 384/1208 Sans filtre

Atlassian Rovo Exfiltrates Data, Bypassing Controls

Une vulnérabilité de Rovo AI d'Atlassian permet l'exfiltration de données de locataires Atlassian (tickets Jira, documents Confluence, etc.) via une injection indirecte de prompt exploitant l'outil de récupération d'URL de l'agent. L'attaque se déroule sans approbation humaine : un utilisateur charge un fichier contenant une injection cachée qui incite Rovo à construire et ouvrir une URL vers un serveur attaquant, y ajoutant des données sensibles. Cette exfiltration fonctionne même si le paramètre organisationnel "Enable web search" est désactivé, car la désactivation ne retire pas l'outil d'ouverture d'URL utilisé par l'agent. Un mécanisme secondaire d'exfiltration exploite le rendu d'images Markdown dans les sorties IA, et l'attaque peut porter sur toutes les sources accessibles par Rovo, y compris les connecteurs tiers. PromptArmor a informé Atlassian le 23 mai 2026 et a reçu un accusé de réception avec un numéro de dossier, mais après de multiples relances et sans correction publique, Rovo restait vulnérable au moment de la publication.

Cloudflare OS: an open platform for agents, apps, and work

Cloudflare OS fournit à chaque employé un agent et un espace de travail contextualisés par les connaissances, procédures et outils de son organisation pour transformer des conversations en documents, applications ou flux de travail. Après une première version interne où le partage de workspaces a exposé des faiblesses de collaboration et de sécurité, la plateforme a été reconstruite pour intégrer la sécurité et la gouvernance au cœur du système. Les workspaces offrent un runtime isolé où l’agent peut écrire et exécuter du code, produire et maintenir des documents ou tableaux connectés à des données vivantes, et créer des applications collaboratives et des workflows déterministes. La gouvernance repose sur des Gatekeepers et des capacités (MCP) qui donnent aux agents un accès zéro par défaut, enregistrent les ressources observées et appliquent des politiques pour contrôler ce que les agents et les utilisateurs peuvent lire, écrire ou partager. Le projet est open source avec un noyau et un exemple de déploiement sur GitHub, prend en charge n’importe quel modèle via AI Gateway, et peut être personnalisé et déployé par des partenaires pour refléter les systèmes et pratiques d’une organisation.

Prime Agent: A self-improving RLM agent

Il s'agit d'un harnais de codage auto-améliorant structuré autour de deux abstractions principales, le Recursive Language Model (RLM) et le Continual Harness. Le RLM utilise un REPL IPython persistant pour traiter le contexte comme une variable, appeler des sous-agents en tant que fonctions et permettre des actions programmatiques sur des sessions longues. Le Continual Harness expose l'état du harnais (prompts, compétences, mémoire, sous-agents) via des opérations CRUD et intègre un pipeline /refine qui propose, applique et enregistre des ajustements incrémentaux et réversibles fondés sur la trajectoire de l'agent. Le système supporte l'orchestration multi‑agents et un mode autonome avec objectifs et heartbeats, et les évaluations montrent de bonnes performances sur tâches longue‑contexte et benchmarks (par exemple ARC‑AGI‑3 avec un score maximal rapporté de 95,5% sur Opus 5) tout en mettant en évidence cas d'usage et limites comme la découverte d'un contournement de règles dans Factorio. Le projet est open source, s'installe via une CLI pour différents modèles, et ses auteurs préconisent le co‑entraînement modèle‑harnais pour débloquer des gains de performance supplémentaires.

Born Against, or why hobby programming communities are against LLM usage

L'auteur a été amené par un fil GitHub sur le développement d'un moteur d'échecs à réfléchir à l'hostilité croissante des communautés de programmation de loisir envers les modèles de langage. Dans des niches comme OSDev, LangDev, TxtDev, EmuDev, RLDev, la demoscène et le code golfing, l'apprentissage et la maîtrise du savoir-faire sont souvent considérés comme l'objectif principal, si bien que l'usage des LLMs est perçu comme contraire à cet esprit. Les tentatives d'adoption des LLMs ont parfois tourné court en raison d'une combinaison d'utilisateurs manquant de profondeur de compréhension et d'une réaction virulente d'une partie de ces communautés qui voient cela comme de la triche. Ces cercles valorisent le respect acquis lentement par des contributions techniques élégantes, la curiosité et le partage de connaissances profondes, et privilégient la compréhension du fonctionnement du code plutôt que son simple exécution. L'auteur conclut que les LLMs peuvent agir comme multiplicateurs de force pour des experts, mais qu'ils ne remplacent pas l'apprentissage et peuvent aussi induire en erreur même des spécialistes.

Muse Code and Muse Spark 1.2

Un agent de codage en terminal en version bêta, alimenté par le modèle Muse Spark 1.2, a été rendu disponible et peut être installé sur macOS et Linux. Cet agent prend en charge des tâches complexes sur de grands dépôts en planifiant des changements, en écrivant du code et en validant les résultats, et il peut coordonner plusieurs sous‑agents persistants pour accélérer les travaux. Le runtime consigne localement chaque appel au modèle, exécution d'outil, approbation et modification dans un journal d'événements unique, ce qui permet la reprise exacte après un crash et la gestion de tâches longues. L'outil inclut des compétences intégrées telles que /plan, /grill et /goal, peut interpréter des vidéos de visite en mp4 pour générer des pages de marketing et de réservation, et a été co‑entraîné avec Muse Spark 1.2 pour optimiser la compatibilité. Muse Spark 1.2 améliore la génération de code, le débogage complexe et la planification sur longue période grâce à un entraînement intensifié et des boucles d'auto‑amélioration, et il a démontré des gains sur l'optimisation de kernels GPU lors d'évaluations, avec disponibilité via l'outil et l'API Meta Model.

Quantego: A Family of Lego Models of IBM Quantum Computers

Une famille de modèles LEGO représentant des ordinateurs quantiques d'IBM a été créée, la première version étant conçue par Mathilda Lahmann et signalée sur LinkedIn en décembre 2021 et avril 2022. Trois versions sont proposées : IBM Quantum System One (49 briques), IBM Quantum System Two (105 briques) et une version haut de gamme de System Two (1024 briques). Pour chaque modèle sont fournis des fichiers de conception (.io et .ldr), des instructions de montage et des listes de pièces utilisables avec BrickLink Studio et un visualiseur 3D interactif permettant de tourner, zoomer, identifier les éléments et suivre les étapes de construction. Le modèle System Two intègre un simulateur de circuits quantiques s'exécutant dans le navigateur qui permet de placer des portes, d'exécuter des mesures répétées (par exemple une paire de Bell) et d'animer le chandelier du cryostat représentant les qubits. Un modèle sophistiqué de 1024 briques conçu par Luca Crippa propose rendus, photos et liste de pièces téléchargeable (y compris un fichier json pour commander via Pick a Brick), des kits complets sont vendus en ligne et un projet distinct basé sur impression 3D, Raspberry Pi et Qiskit décrit une version fonctionnelle ; le projet n'est affilié ni à LEGO, ni à BrickLink, ni à IBM.

The title cards in Blade Runner are amazing

Apprécier la typographie expose un paradoxe : elle doit faciliter la lecture tout en transmettant inévitablement une sensation. Pour la programmation, les polices à chasse fixe offrent une grille lisible et prévisible, et l'auteur compare plusieurs variantes (comme SF Mono) en évaluant largeur, hauteur et quantité d'information affichée. La séquence de générique de Blade Runner utilise une seule police (Goudy Oldstyle) et des choix typographiques — majuscules, petites capitales, couleur et mise en page de type livre — pour instaurer une atmosphère dystopique. La plupart des utilisateurs ne pensent pas à la typographie, mais l'auteur souligne que les petits choix de design accumulés font la différence entre un produit acceptable et un produit excellent, et que les créations rapides aidées par des robots manquent souvent de ce dernier 10 %. L'exemple du générique initial en Impact illustre qu'un choix paresseux peut nuire au ton, alors que l'obsession pour les détails confère à un produit sa voix humaine et sa qualité ressentie.

Branchless Rust: Making a Filter 4x Faster by Removing an If

L'auteur compare une implémentation Rust idiomatique de filtrage d'un slice de f64 à différents seuils sur un million d'éléments pour étudier les performances. Les mesures montrent que le cas à 50% de sélection est le plus lent malgré un volume de sortie intermédiaire, ce qui laisse suspecter un phénomène microarchitectural plutôt qu'une charge de mémoire. L'explication fournie est la prédiction de branche du CPU: un test dépendant de données aléatoires provoque de nombreuses misprédictions et des vidages de pipeline, tandis que trier l'entrée rend le code beaucoup plus rapide. La solution présentée est une version branchless qui écrit toujours l'élément dans le vecteur de sortie et n'avance le curseur que lorsque (x > threshold) est vrai converti en entier, transformant la dépendance de contrôle en dépendance de données. Les benchmarks montrent jusqu'à presque quatre fois d'amélioration dans le pire cas et des temps indépendants de la sélectivité, mais la technique pénalise le meilleur cas, alourdit le code et doit être utilisée uniquement sur des boucles chaudes identifiées par profilage.

Zed DeltaDB

Ce système de contrôle de version capture chaque opération entre les commits et leur attribue une identité stable pour référencer précisément le code à n'importe quel instant de son évolution. Il permet de revenir à n'importe quelle modification en identifiant des points d'historique intermédiaires. Chaque changement est lié à la conversation d'agent qui l'a produit, facilitant la navigation du code vers le dialogue et inversement. La virtualisation de l'arbre de travail rend la création de branches instantanée, en autorisant n'importe quel point de l'historique, y compris en cours d'exécution, comme point de branchement. Le fil de travail peut être partagé en direct pour que des coéquipiers rejoignent, conversent avec l'agent responsable et annotent le travail sans attendre de commit ou de push.