Les meilleurs étudiants de Stanford ont un flux de travail secret de préparation à l'examen NotebookLM. J'ai passé 2 semaines dans leurs groupes d'étude pour le découvrir. La plupart des étudiants déposent les diapositives de cours dans NotebookLM et lui demandent de résumer. Ces étudiants font quelque chose de complètement différent. Ils téléchargent d'abord tout. Notes, diapositives, anciens examens, même les commentaires des professeurs sur les devoirs précédents. Puis le premier prompt est différent : "En fonction des anciens examens de ce professeur et de la façon dont il formule les questions, que valorise réellement ce professeur dans une réponse correcte ?" Ils n'étudient pas le contenu. Ils étudient l'examinateur. Deuxième prompt : "Identifie les 3 sujets où mes notes sont les plus faibles par rapport à ce que testent les anciens examens. Donne-moi un plan d'étude de 20 minutes pour chacun." NotebookLM se transforme en un détecteur de lacunes personnalisé. Mais le troisième prompt est ce qui a séparé les étudiants A+. "Crée un examen blanc en utilisant uniquement des concepts sur lesquels je n'ai pas encore été testé. Rends-le plus difficile que l'examen réel." Ils testaient leurs connaissances avant que le professeur ne puisse le faire. Un étudiant est passé d'une moyenne de B à être dans le top 5 % en un semestre en utilisant ce flux de travail exact. Le contenu n'avait pas changé. La méthode avait changé. NotebookLM ne les a pas rendus plus intelligents. Il les a rendus impossibles à surprendre.

OpenAI a publié un guide pratique de 34 pages sur la création d'agents IA.

🚨 R.I.P agents AI statiques. Quelqu'un vient de créer un wrapper OpenClaw auto-évolutif et l'a mis à disposition gratuitement sur GitHub. Il s'appelle MetaClaw. → Intercepte chaque conversation OpenClaw et lui attribue un score → Constitue une banque de compétences à partir de l'utilisation réelle et non de données synthétiques → Génère automatiquement de nouvelles compétences chaque fois que l'agent échoue → Les injecte dans le prompt système au tour suivant → S'entraîne via LoRA dans le cloud, sans cluster GPU, sans tracas d'infrastructure → Agent entièrement asynchrone continue de répondre pendant qu'il apprend La plupart des agents ont besoin d'une équipe de données, d'un pipeline de fine-tuning et de semaines de travail pour s'améliorer. MetaClaw le fait pendant que vos utilisateurs tapent. 100% Open Source. Licence MIT. (Lien dans les commentaires)