ai-system-design-guide : un guide Markdown pour préparer les entretiens d'architecture IA
AI system design guide for engineers building production AI systems and evals.
En bref
- De quoi s’agit-il ?
- Le dépôt ombharatiya/ai-system-design-guide est une collection de fichiers Markdown couvrant RAG, agents, évals et préparation d'entretiens. Voici ce qu'il contient réellement, comment le lire, et pourquoi ce n'est pas un projet que l'on installe.
- À qui s’adresse-t-il ?
- Ce guide convient à un ingénieur qui prépare un entretien d'architecture IA ou qui veut une carte des sujets RAG, agents et évals avant de choisir ses propres outils. Il ne convient pas à une équipe qui cherche du code exécutable, des benchmarks reproductibles ou une bibliothèque à importer : le dépôt ne contient, d'après sa structure visible, que de la documentation.
- Puis-je l’utiliser commercialement ?
- Oui. MIT est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Les derniers commits datent d’il y a 31 jours.
- En quel langage est-il écrit ?
- GitHub n’indique pas de langage principal pour ce dépôt.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Un dépôt de documentation, pas une dépendance à installer
La première chose à comprendre est qu'il n'y a rien à exécuter. Le README ne présente aucune commande d'installation, aucun fichier de configuration, aucun script. Il pointe vers des fichiers Markdown : 00-interview-prep/01-question-bank.md, 06-retrieval-systems/01-rag-fundamentals.md, 02-model-landscape/01-model-taxonomy.md. Le langage principal du dépôt n'est pas renseigné dans les métadonnées, ce qui est cohérent avec un ensemble de textes plutôt qu'avec un projet compilé. Vous ne trouverez donc pas de requirements.txt ni de pyproject.toml à installer. La consommation se fait par lecture, sur GitHub ou via le site aidaddy.tech mentionné en tête du README. Cette nature change tout le reste de l'analyse : les questions habituelles sur les performances, la compatibilité des versions ou la surface d'API ne s'appliquent pas ici.
À qui le guide s'adresse, d'après son propre sommaire
Le README décrit deux publics qui se recouvrent partiellement. Le premier est le candidat à un entretien : le dépôt annonce une banque de 128 questions et des grilles de réponse dans 00-interview-prep/02-answer-frameworks.md, avec des études de cas présentées comme issues d'entretiens de niveau staff. Le second est l'ingénieur en production, avec des chapitres sur le chunking, les bases vectorielles, le reranking et un chapitre intitulé Production RAG at Scale. La navigation est organisée par intention plutôt que par ordre de lecture : une table en début de README associe chaque objectif à un point d'entrée. C'est utile, mais cela suppose que vous sachiez déjà ce que vous cherchez. Un lecteur qui découvre le domaine n'a pas de parcours guidé du début à la fin, seulement des portes d'entrée thématiques.
Comment le contenu est organisé dans le dépôt
Les chemins visibles dans le README révèlent un découpage par domaine, avec des dossiers numérotés : 00-interview-prep, 01-foundations, 02-model-landscape, 03-training-and-adaptation, 04-inference-optimization, 06-retrieval-systems, 07-agentic-systems, 09-frameworks-and-tools, 11-infrastructure-and-mlops, 12-security-and-access, 13-reliability-and-safety, 14-evaluation-and-observability, 16-case-studies, 17-tool-use-and-computer-agents, 18-voice-and-audio-agents, 19-multimodal-generation. La numérotation saute des valeurs, ce qui suggère des dossiers retirés ou renommés au fil du temps. Chaque domaine contient des fichiers numérotés à leur tour, par exemple 06-retrieval-systems/10-contextual-retrieval.md, 11-late-interaction-colbert.md et 12-multimodal-rag.md pour le seul thème de la recherche avancée. Deux fichiers d'évals vivent à la racine, ai_evals_comprehensive_study_guide.md et ai_evals_complete_guide_langwatch_langfuse.md, ainsi qu'un RESEARCH-RADAR.md. Cette structure est celle d'un livre technique, pas d'un paquet logiciel.
Ce que le guide couvre en pratique, et ce qu'il laisse à votre charge
Le spectre est large : protocoles MCP et A2A, boucles d'agents avec terminaison et budgets, agents de codage autonomes, agents vocaux temps réel, passerelles de modèles, économie des tokens, gouvernance et conformité, génération multimodale, entraînement de modèles de raisonnement. Sur le papier, c'est une carte sérieuse du domaine. Le revers est que chaque chapitre ne peut traiter son sujet qu'en profondeur limitée. Un fichier sur les bases vectorielles ne remplace pas la documentation d'une base précise, et un chapitre sur le reranking ne vous dira pas quel modèle se comporte le mieux sur vos données. Le guide vous aide à poser les bonnes questions ; il ne fournit ni métriques ni configurations prêtes à l'emploi. C'est un point de départ pour cadrer un sujet, pas une référence d'implémentation.
Le problème du contenu périssable
Le README insiste sur le caractère continuellement mis à jour du guide, et la date du dernier push dans les métadonnées est récente. Cela ne suffit pas à garantir que chaque fichier suit. Le dépôt consacre d'ailleurs un chapitre entier à ce risque, 09-frameworks-and-tools/12-navigating-framework-churn.md, avec des sujets annoncés comme les tutoriels obsolètes et l'épinglage de versions. Il y a une ironie utile ici : le guide documente le problème auquel il est lui-même exposé. Les chapitres sur les modèles, les prix et les frameworks vieillissent vite, et rien dans le dépôt ne signale, fichier par fichier, la date de dernière révision. Pour un sujet stable comme les principes de chunking, l'usure est lente. Pour un comparatif de modèles ou une grille tarifaire, vérifiez la fraîcheur avant de citer quoi que ce soit en entretien.
Alternatives : documentation, cours, ou code réel
Trois voies différentes répondent au même besoin. La documentation officielle des fournisseurs et des frameworks décrit les API telles qu'elles existent aujourd'hui, mais elle est éclatée entre plusieurs éditeurs et n'offre aucune vue d'ensemble architecturale. Un cours structuré impose une progression et des exercices notés, au prix d'un rythme figé et d'un coût. Un dépôt de code de référence, lui, vous donne des implémentations exécutables et des tests, mais aucun panorama : il faut lire le code pour en extraire les principes. ai-system-design-guide se situe dans un quatrième registre : un condensé transversal, en Markdown, avec une licence MIT, qui sert de carte mentale et de matériel de révision. Il ne remplace ni la documentation à jour d'une API, ni un environnement de test. Si votre objectif est de livrer un système RAG en production la semaine prochaine, ce dépôt ne sera pas votre outil principal.
Licence, coût de maintenance et ce qu'il reste à vérifier
La licence indiquée est MIT. Concrètement, cela autorise la réutilisation, la modification et la redistribution, y compris dans un cadre commercial, à condition de conserver l'avis de copyright et le texte de la licence. Ce n'est pas un avis juridique : si vous comptez republier des chapitres ou les intégrer dans un support de formation payant, lisez le fichier LICENSE et, en cas de doute, consultez un juriste. Le coût de maintenance est faible de votre côté : vous clonez le dépôt et vous tirez les mises à jour quand vous le souhaitez. Le coût réel est ailleurs, dans la vérification. Comme aucun système de versions de contenu n'est visible, vous ne pouvez pas savoir ce qui a changé entre deux lectures sans consulter l'historique des commits. Le README annonce des notifications pour les nouveaux chapitres via les comptes de l'auteur sur GitHub, X et LinkedIn, ce qui suppose de suivre une personne plutôt qu'un flux de publication. Avant de vous engager, ouvrez l'historique des commits de la branche main et regardez la répartition des modifications : un dépôt actif sur l'ensemble des chapitres et un dépôt actif sur les deux mêmes fichiers ne demandent pas le même niveau de confiance.
Conclusion éditoriale
Ce guide convient à un ingénieur qui prépare un entretien d'architecture IA ou qui veut une carte des sujets RAG, agents et évals avant de choisir ses propres outils. Il ne convient pas à une équipe qui cherche du code exécutable, des benchmarks reproductibles ou une bibliothèque à importer : le dépôt ne contient, d'après sa structure visible, que de la documentation. Avant de vous y appuyer, vérifiez la date du dernier commit sur la branche main et ouvrez le chapitre correspondant à votre besoin réel, par exemple 06-retrieval-systems/14-production-rag-at-scale.md, pour juger si le niveau de détail correspond à votre contexte.
Notes de la communauté