Choisis un modèle pour tes scripts de nettoyage
Fredit Flow se connecte à un fournisseur d'IA cloud via un point d'accès d'API standard, à un modèle qui tourne en local sur ton PC ou au modèle intégré. La confidentialité diffère dans chaque cas. Ton choix décide où part le texte du prompt, ce qui compte pour des fichiers contenant des données personnelles.
Trois façons de connecter un modèle
Un fournisseur d'IA cloud
Un modèle cloud se connecte via un point d'accès d'API standard et convient aux scripts plus longs et aux règles plus délicates. Le fournisseur peut facturer à part. Le texte du prompt, y compris tout texte de fichier lu par l'agent, part chez ce fournisseur ; n'y envoie donc pas de fichiers contenant des données personnelles sans en avoir le droit.
Un modèle qui tourne en local sur ton PC
Un modèle local garde chaque prompt sur ta machine. Rien ne quitte le PC. C'est donc le bon choix pour des fichiers CSV contenant des noms, des e-mails ou des âges. Il tourne sur ton propre matériel, et un petit modèle local peut écrire des scripts plus faibles : la relecture du diff compte d'autant plus.
Le modèle intégré
Le modèle intégré permet d'essayer Fredit Flow sans connecter de fournisseur cloud ni faire tourner un modèle toi-même. Essaie d'abord avec des fichiers d'exemple. Pour des données personnelles, choisis un modèle qui tourne en local sur ton PC, où rien ne quitte la machine.
Vérifie la connexion avec Test
Le bouton Test vérifie un point d'accès avant que tu commences. Il affiche le temps de réponse et la fenêtre de contexte, qui indique la quantité de texte que le modèle accepte en une requête, par exemple un échantillon d'un long fichier plus ton script. Teste chaque nouveau modèle.
Choisis un modèle selon la taille du travail
Prends un modèle plus grand pour les refontes et la logique complexe, comme un script qui fusionne plusieurs tables, et un plus petit pour les petites retouches, comme rogner une colonne. L'outil run_on_model envoie une étape difficile à un modèle plus grand pendant que le reste reste sur ton modèle habituel. Décide avant d'envoyer des données.
La qualité varie. Lis le diff avant d'accepter. Ask first s'arrête avant les actions qui modifient quelque chose, et le vrai code de sortie avec la sortie montrent si un script s'est exécuté, pas si son résultat est juste.
