IA

Microduck est un robot bipède de 25 cm conçu par Pollen Robotics, l’équipe robotique de Hugging Face. Il se précommande 399 $ avant taxes et livraison. En France, le robot seul m’a coûté 408 € TTC. Avec un Charger Pack, un Accessory Pack Yellow et le port, ma commande atteint 523,20 € TTC. Ce prix n’achète ni un assistant domestique ni un robot autonome prêt à accomplir des tâches dans une maison. Microduck est d’abord une plateforme de développement assemblée, équipée de 15 moteurs et livrée avec des comportements entraînés pour marcher, se relever ou saisir un petit objet. La partie qui a motivé ma commande n’est pas seulement le matériel. Pollen publie le logiciel embarqué, le simulateur MuJoCo et la chaîne d’entraînement jusqu’au déploiement des politiques ONNX. Les plans mécaniques et électroniques restent en revanche fermés. Mon cas d’usage est précis : relier le robot à l’instance Hermes Agent de mon homelab, sans donner au modèle de langage un accès direct aux moteurs. Hermes choisirait des actions limitées ; le robot conserverait sa boucle de contrôle, ses limites et son arrêt local. Les premières livraisons sont visées avant Noël 2026. En attendant, ce texte n’est pas un test, mais le raisonnement derrière la commande, ce que les sources publiques permettent de vérifier et le programme que je compte suivre à la réception.

Je suis tombé sur Hermes Agent début 2026, et il m’a fallu quelques semaines pour comprendre ce que le projet apportait par rapport aux autres frameworks d’agents. Le pitch officiel - “self-improving AI agent with a built-in learning loop” - ne rend pas bien service à ce que le logiciel fait concrètement. Après plusieurs mois d’utilisation quotidienne, voici ce que j’en retire.

Dans mon setup opencode + Ollama sur RTX 3090, j’avais commencé avec SearXNG comme source web via MCP. Ça fonctionnait, mais ce n’était pas exactement le bon outil pour mon usage. SearXNG est un métamoteur de recherche. Il trouve des pages. Firecrawl est plus proche d’une brique d’extraction : il cherche, scrape, nettoie, crawl et renvoie du contenu exploitable par un agent. Pour un assistant local qui doit lire de la documentation, vérifier une API récente ou comparer plusieurs sources techniques, la différence se sent assez vite.

J’utilise des LLMs comme assistants de code depuis début 2026. D’abord avec des API cloud, puis en local. Ce qui a changé avec une RTX 3090, c’est la bascule vers un modèle de travail où la latence et la confidentialité deviennent moins pénalisantes. L’inférence locale devient crédible pour du code à partir de 24 Go VRAM. Voici mon setup, les chiffres réels et ce qui tient vraiment la route.