La plupart des équipes de recherche qui utilisent sérieusement l’IA finissent par tenir un fichier pour elle. Il commence par quelques lignes sur la façon dont l’équipe nomme les choses et sur les outils à utiliser. Bientôt, il contient des limites opérationnelles, des méthodes privilégiées, des valeurs de référence, des avertissements sur des erreurs que l’agent a commises une fois, et un dossier de prompts qui ont bien fonctionné pour quelqu’un.
Cette habitude est saine. Cet article examine pourquoi le fichier aide, où il cesse de suivre la recherche, et ce qui change quand l’IA apprend des résultats confirmés au lieu d’attendre que quelqu’un modifie une ligne.
Pourquoi les équipes consignent des informations pour leur IA
Un modèle commence chaque session à partir de ce qu’il savait à la fin de son entraînement. Il n’a pas vu les conventions de votre laboratoire, votre pipeline d’analyse ni la limite que votre scientifique ou ingénieur senior a confirmée le mois dernier. Un fichier d’instructions comble une partie de cet écart pour un coût quasi nul. L’assistant le lit au début de chaque session, et le contexte le plus important de l’équipe est ainsi transmis.
Un fichier typique d’équipe de recherche contient un mélange de ces éléments :
- Conventions : comment nommer les fichiers, les échantillons et les exécutions, quelles unités indiquer et quel format doit prendre un résumé.
- Limites : des paramètres qu’une méthode ne doit pas dépasser, des entrées à vérifier avant usage, des étapes qui nécessitent une personne.
- Méthodes privilégiées : l’ordre des étapes qui donne une analyse propre, ou l’outil auquel l’équipe fait confiance pour une tâche donnée.
- Valeurs de référence : les chiffres que l’agent doit utiliser au lieu de deviner.
- Avertissements : des erreurs que l’agent a commises une fois, notées pour qu’il ne les refasse pas.
- Prompts : des formulations qui ont produit un bon plan ou une bonne revue pour une personne, conservées pour le reste de l’équipe.
Le fichier est lisible par tous, facile à modifier et entièrement sous le contrôle de l’équipe. Il fonctionne avec n’importe quel modèle. Pour les conventions stables et le style maison, il est difficile à battre, et les équipes devraient le conserver.
Là où le fichier ne suit plus
Le problème est que la recherche ne reste pas immobile, et qu’un fichier ne change que lorsque quelqu’un le modifie. À mesure que le travail avance, le fichier même qui aidait lors de son premier mois commence à coûter à l’équipe de façon plus discrète.
- Il s’allonge. Chaque incident ajoute une ligne et rares sont les lignes supprimées, si bien que le modèle relit davantage à chaque session et doit juger lui-même quelles parties s’appliquent.
- Il se périme. Quand une valeur de référence change, l’ancienne ligne reste jusqu’à ce que quelqu’un la supprime. Si deux personnes modifient le fichier, les deux valeurs peuvent cohabiter.
- Personne ne sait quelle ligne reste valable. Une ligne indique rarement d’où elle vient, quand elle a été ajoutée ou dans quelles conditions elle était vraie. Un nouveau membre de l’équipe ne peut pas distinguer une limite confirmée de la préférence d’une seule personne.
- Il n’a aucun lien avec les résultats. Le fichier ne sait pas si ses conseils ont fonctionné. Une méthode qui a échoué deux fois depuis qu’elle a été notée se lit de la même façon qu’une méthode qui a réussi à chaque fois.
- Il se fragmente par personne. Chaque chercheur en garde une version, les bibliothèques de prompts divergent, et ce qu’une personne a appris reste dans sa propre copie.
- Il ne vaut que par sa dernière modification. L’agent s’améliore quand quelqu’un trouve le temps de mettre le fichier à jour, et pas entre ces modifications.
Les équipes rigoureuses se heurtent à tous ces problèmes. Ils découlent du fait de conserver des connaissances qui changent à chaque résultat dans un document qui se modifie à la main. L’expérience de l’équipe grandit chaque semaine, et l’agent reste là où le fichier l’a laissé.
Ce qu’un enseignement appris apporte de plus qu’une ligne
MS Duplex s’intègre à l’IA que votre équipe utilise déjà et apprend des résultats et des corrections d’experts que votre équipe choisit de capturer : un test réussi, une mesure, une conclusion approuvée, une correction avec sa raison. Il apprend à côté du modèle, en laissant ses poids tels quels, si bien que chaque enseignement est prêt dès la requête suivante.
Là où une ligne dans un fichier est une phrase écrite par quelqu’un, un enseignement dans MS Duplex arrive avec ce qu’un relecteur voudrait savoir à son sujet :
- Sa source : le résultat, la mesure ou le jugement d’expert dont il provient.
- Ses conditions : ce qui était vrai lorsqu’il a été confirmé, afin qu’il soit appliqué là où ces conditions correspondent.
- Sa raison, pour une correction : pourquoi l’expert a rejeté ce que l’agent proposait.
- Son historique : quand une valeur confirmée plus récente remplace une plus ancienne, c’est la plus récente qui s’applique, et la modification reste consignée.
- Sa portée : s’il reste propre à un chercheur, s’il est partagé avec une équipe ou s’il s’applique à toute l’organisation, selon ce que décident vos règles.
Sa façon d’être utilisé diffère aussi. Un fichier est relu en entier et le modèle juge ce qui s’applique. MS Duplex vérifie si les conditions du nouveau cas correspondent avant de faire ressortir un enseignement. Là où elles correspondent, l’enseignement s’applique. Là où quelque chose diffère, il est adapté et proposé pour vérification, ou signalé pour que l’équipe puisse décider.


Et chaque enseignement peut être traité isolément. Votre équipe peut l’examiner, le corriger, et seul cet enseignement change, ou le supprimer, et les recommandations qui en dépendaient disparaissent avec lui, tandis que tout le reste demeure. C’est la question à laquelle un long fichier ne peut pas répondre : quelle ligne reste valable, et ce qui en dépend.
D’une ligne dans un fichier à une méthode que l’équipe réutilise
Les lignes les plus précieuses d’un fichier d’instructions décrivent généralement une procédure qui a fonctionné. Prenons un chercheur, dans une équipe qui classe des candidats en vue d’un examen, qui met au point une séquence de contrôles sur les données d’entrée éliminant une erreur récurrente des classements. Dans un fichier, cela devient un paragraphe que quelqu’un doit trouver et suivre. Dans MS Duplex, cela devient une méthode.
- La procédure est confirméeL’agent du chercheur exécute les contrôles avant le classement, et un expert confirme que les classements sont propres.
- Elle est conservée comme méthodeMS Duplex conserve les étapes avec les conditions dans lesquelles elles ont été confirmées et le résultat qui les a validées.
- Le cas similaire suivantL’agent d’un collègue classe un nouveau lot provenant de la même source. La méthode est appliquée directement, sans que personne ne colle de paragraphe.
- Un cas apparentéUn autre lot arrive d’une source différente, dans un format différent. MS Duplex adapte la méthode et propose la version adaptée pour vérification. Une fois confirmée, elle devient une méthode à part entière.
- Un nouveau membre de l’équipeL’agent d’une nouvelle recrue commence le même travail avec les deux méthodes en place, chacune avec le résultat qui la fonde, et chacune revérifiée là où elle est utilisée.
Comparez avec le fichier. Le paragraphe aurait aidé les personnes qui savaient qu’il fallait le chercher, et il n’aurait rien dit de la seconde source tant que quelqu’un n’aurait pas écrit un autre paragraphe. La méthode est allée aux agents qui en avaient besoin, a été vérifiée là où le cas différait et a conservé ses preuves tout du long.


Garder le fichier, ajouter la couche
Les équipes qui connectent MS Duplex continuent de travailler dans Claude, Codex, Cursor ou leurs propres agents comme avant, et le fichier que lit l’assistant continue lui aussi de fonctionner. Un premier exercice utile consiste à trier ce qu’il contient déjà.
- Conventions stables et style maison : gardez-les dans le fichier. Elles changent rarement et le fichier les sert bien.
- Règles que le travail doit respecter : énoncez-les comme des règles dans MS Duplex. Les règles sont tenues séparées des préférences et visibles dans le raisonnement, une nouvelle règle s’applique dès la requête suivante, et dans les environnements encadrés, une étape qui enfreint une règle est arrêtée avant de s’exécuter.
- Valeurs de référence : laissez-les provenir des résultats confirmés, afin que la valeur confirmée la plus récente s’applique et que l’historique de chaque modification soit conservé.
- Procédures qui ont fonctionné : laissez-les devenir des méthodes, conservées avec le résultat qui les a validées.
- Avertissements sur des erreurs passées : consignez-les comme des corrections, avec la raison et les conditions, afin que l’agent les vérifie dès la requête suivante, et seulement là où elles s’appliquent.
Trié ainsi, le fichier peut raccourcir au lieu de s’allonger. Les nouvelles connaissances arrivent à mesure que le travail les confirme, et le fichier revient à ce qu’il fait bien.
Questions fréquentes
Faut-il supprimer nos fichiers d’instructions ?
Non. Gardez-les pour les conventions stables et le style maison. Transférez progressivement les règles, les valeurs de référence, les procédures éprouvées et les corrections dans MS Duplex, où chacune conserve sa source et peut être modifiée isolément.
En quoi est-ce différent d’une récupération sur nos notes ?
La récupération trouve des passages qui semblent pertinents, qu’ils s’appliquent ou non, et l’ancienne et la nouvelle version d’un fait peuvent toutes deux ressortir. MS Duplex conserve les résultats confirmés avec leurs preuves, vérifie si les conditions correspondent et applique la valeur confirmée la plus récente, en conservant l’historique.
Qui voit un enseignement appris par l’agent d’un chercheur ?
Cela dépend de vos règles. Chaque chercheur, chaque équipe et l’organisation entière disposent de leur propre couche d’expérience, et vos règles décident de ce qui circule entre elles.
Avec quels outils d’IA cela fonctionne-t-il ?
Claude, Codex, Cursor et les autres agents qui parlent MCP se connectent directement, et vos propres agents et pipelines se connectent via l’API et le SDK Python. Vos scientifiques et ingénieurs gardent l’IA qu’ils utilisent déjà.


Construit par MatterSpace
MatterSpace construit MS Duplex pour les scientifiques, les chercheurs et les ingénieurs de tous les domaines, afin que l’IA qu’ils utilisent déjà apprenne de chaque résultat qu’ils confirment.









