LCC 331 - Le retour des jackson 5 | Les Cast Codeurs Podcast

Dans cet épisode, Arnaud et Guillaume discutent des dernières évolutions dans le monde de la programmation, notamment les nouveautés de Java 25, JUnit 6, et Jackson 3. Ils abordent également les récents développements en IA, les problèmes rencontrés dans le cloud, et l’état actuel de React et du web. Dans cette conversation, les intervenants abordent divers sujets liés à la technologie, notamment les spécifications de Wasteme, l’utilisation des UUID dans les bases de données, l’approche RAG en intelligence artificielle, les outils MCP, et la création d’images avec Nano Banana. Ils discutent également des complexités du format YAML, des récents dramas dans la communauté Ruby, de l’importance d’une bonne documentation, des politiques de retour au bureau, et des avancées de Cloud Code. Enfin, ils évoquent l’initiative de cafés IA pour démystifier l’intelligence artificielle.

Enregistré le 24 octobre 2025

Téléchargement de l’épisode LesCastCodeurs-Episode-331.mp3 ou en vidéo sur YouTube.

News

Langages

GraalVM se détache du release train de Java https://blogs.oracle.com/java/post/detaching-graalvm-from-the-java-ecosystem-train

Un article de Loic Mathieu sur Java 25 et ses nouvelles fonctionalités https://www.loicmathieu.fr/wordpress/informatique/java-25-whats-new/

Sortie de Groovy 5.0 ! https://groovy-lang.org/releasenotes/groovy-5.0.html

Groovy 5: Évolution des versions précédentes, nouvelles fonctionnalités et simplification du code.
Compatibilité JDK étendue: Full support JDK 11-25, fonctionnalités JDK 17-25 disponibles sur les JDK plus anciens.
Extension majeure des méthodes: Plus de 350 méthodes améliorées, opérations sur tableaux jusqu’à 10x plus rapides, itérateurs paresseux.
Améliorations des transformations AST: Nouveau @OperatorRename, génération automatique de @NamedParam pour @MapConstructor et copyWith.
REPL (groovysh) modernisé: Basé sur JLine 3, support multi-plateforme, coloration syntaxique, historique et complétion.
Meilleure interopérabilité Java: Pattern Matching pour instanceof, support JEP-512 (fichiers source compacts et méthodes main d’instance).
Standards web modernes: Support Jakarta EE (par défaut) et Javax EE (héritage) pour la création de contenu web.
Vérification de type améliorée: Contrôle des chaînes de format plus robuste que Java.
Additions au langage: Génération d’itérateurs infinis, variables d’index dans les boucles, opérateur d’implication logique ==>.
Améliorations diverses: Import automatique de java.time.**, var avec multi-assignation, groupes de capture nommés pour regex (=~), méthodes utilitaires de graphiques à barres ASCII.
Changements impactants: Plusieurs modifications peuvent nécessiter une adaptation du code existant (visibilité, gestion des imports, comportement de certaines méthodes).
*Exigences JDK: Construction avec JDK17+, exécution avec JDK11+.

Librairies

Intégration de LangChain4j dans ADK pour Java, permettant aux développeurs d’utiliser n’importe quel LLM avec leurs agents ADK https://developers.googleblog.com/en/adk-for-java-opening-up-to-third-party-language-models-via-langchain4j-integration/

ADK pour Java 0.2.0 : Nouvelle version du kit de développement d’agents de Google.
Intégration LangChain4j : Ouvre ADK à des modèles de langage tiers.
Plus de choix de LLM : En plus de Gemini et Claude, accès aux modèles d’OpenAI, Anthropic, Mistral, etc.
Modèles locaux supportés : Utilisation possible de modèles via Ollama ou Docker Model Runner.
Améliorations des outils : Création d’outils à partir d’instances d’objets, meilleur support asynchrone et contrôle des boucles d’exécution.
Logique et mémoire avancées : Ajout de callbacks en chaîne et de nouvelles options pour la gestion de la mémoire et le RAG (Retrieval-Augmented Generation).
Build simplifié : Introduction d’un POM parent et du Maven Wrapper pour un processus de construction cohérent.

JUnit 6 est sorti https://docs.junit.org/6.0.0/release-notes/

:sparkles: Java 17 and Kotlin 2.2 baseline
:sunrise_over_mountains: JSpecify nullability annotations
:airplane_departure: Integrated JFR support
:suspension_railway: Kotlin suspend function support
:octagonal_sign: Support for cancelling test execution
:broom: Removal of deprecated APIs

JGraphlet, une librairie Java sans dépendances pour créer des graphes de tâches à exécuter https://shaaf.dev/post/2025-08-25-think-in-graphs-not-just-chains-jgraphlet-for-taskpipelines/

JGraphlet: Bibliothèque Java légère (zéro-dépendance) pour construire des pipelines de tâches.
Principes clés: Simplicité, basée sur un modèle d’exécution de graphe.
Tâches: Chaque tâche a une entrée/sortie, peut être asynchrone (Task<I,O>) ou synchrone (SyncTask<I,O>).
Pipeline: Un TaskPipeline construit et exécute le graphe, gère les I/O.
Modèle Graph-First: Le flux de travail est un Graphe Orienté Acyclique (DAG).
- Définition des tâches comme des nœuds, des connexions comme des arêtes.
- Support naturel des motifs fan-out et fan-in.
API simple: addTask("id", task), connect("fromId", "toId").
Fan-in: Une tâche recevant plusieurs entrées reçoit une Map<String, Object> (clés = IDs des tâches parentes).
Exécution: pipeline.run(input) retourne un CompletableFuture (peut être bloquant via .join() ou asynchrone).
Cycle de vie: TaskPipeline est AutoCloseable, garantissant la libération des ressources (try-with-resources).
Contexte: PipelineContext pour partager des données/métadonnées thread-safe entre les tâches au sein d’une exécution.
Mise en cache: Option de mise en cache pour les tâches afin d’éviter les re-calculs.

Au tour de Microsoft de lancer son (Microsoft) Agent Framework, qui semble être une fusion / réécriture de AutoGen et de Semnatic Kernel https://x.com/pyautogen/status/1974148055701028930

Plus de détails dans le blog post : https://devblogs.microsoft.com/foundry/introducing-microsoft-agent-framework-the-open-source-engine-for-agentic-ai-apps/
SDK & runtime open-source pour systèmes multi-agents sophistiqués. Unifie Semantic Kernel et AutoGen.
Piliers :
- Standards ouverts (MCP, A2A, OpenAPI) et interopérabilité.
- Passerelle recherche-production (patterns AutoGen pour l’entreprise).
- Extensible, modulaire, open-source, connecteurs intégrés.
- Prêt pour la production (observabilité, sécurité, durabilité, “human in the loop”).
Relation SK/AutoGen : S’appuie sur eux, ne les remplace pas, simplifie la migration.
Intégrations futures : Alignement avec Microsoft 365 Agents SDK et Azure AI Foundry Agent Service.

Sortie de Jackson 3.0 (bientôt les Jackson Five !!!) https://cowtowncoder.medium.com/jackson-3-0-0-ga-released-1f669cda529a

Jackson 3.0.0 a été publié le 3 octobre 2025.
Objectif : base propre pour le développement à long terme, suppression de la dette technique, architecture simplifiée, amélioration de l’ergonomie.
Principaux changements :
- Baseline Java 17 requise (vs Java 8 pour 2.x).
- Group ID Maven et package Java renommés en tools.jackson pour la coexistence avec Jackson 2.x. (Exception: jackson-annotations ne change pas).
- Suppression de toutes les fonctionnalités @Deprecated de Jackson 2.x et renommage de plusieurs entités/méthodes clés.
- Modification des paramètres de configuration par défaut (ex: FAIL_ON_UNKNOWN_PROPERTIES désactivé).
- ObjectMapper et TokenStreamFactory sont désormais immutables, la configuration se fait via des builders.
- Passage à des exceptions de base non vérifiées (JacksonException) pour plus de commodité.
- Intégration des “modules Java 8” (pour les noms de paramètres, Optional, java.time) directement dans l’ObjectMapper par défaut.
- Amélioration du modèle d’arbre JsonNode (plus de configurabilité, meilleure gestion des erreurs).

Testcontainers Java 2.0 est sorti https://github.com/testcontainers/testcontainers-java/releases/tag/2.0.0

Removed JUnit 4 support -> ups

Grails 7.0 est sortie, avec son arrivée à la fondation Apache https://grails.apache.org/blog/2025-10-18-introducing-grails-7.html

Sortie d’Apache Grails 7.0.0 annoncée le 18 octobre 2025.
Grails est devenu un projet de premier niveau (TLP) de l’Apache Software Foundation (ASF), graduant d’incubation.
Mise à jour des dépendances vers Groovy 4.0.28, Spring Boot 3.5.6, Jakarta EE.

Tout pour bien démarrer et développer des agents IA avec ADK pour Java https://glaforge.dev/talks/2025/10/22/building-ai-agents-with-adk-for-java/

Guillaume a partagé plein de resources sur le développement d’agents IA avec ADK pour Java
Un article avec tous les pointeurs
Un slide deck et l’enregistrement vidéo de la présentation faite lors de Devoxx Belgique
Un codelab avec des instructions pour démarrer et créer ses premiers agents
Plein d’autres samples pour s’inspirer et voir les possibilités offertes par le framework
Et aussi un template de projet sur GitHub, avec un build Maven et un premier agent d’exemple

Cloud

Internet cassé, du moins la partie hébergée par AWS #hugops https://www.theregister.com/2025/10/20/aws_outage_amazon_brain_drain_corey_quinn/

Panne majeure d’AWS (région US-EAST-1) : problème DNS affectant DynamoDB, service fondamental, causant des défaillances en cascade de nombreux services internet.
Réponse lente : 75 minutes pour identifier la cause profonde; la page de statut affichait initialement “tout va bien”.
Cause sous-jacente principale : “fuite des cerveaux” (départ d’ingénieurs AWS seniors).
Perte de connaissances institutionnelles : des décennies d’expertise critique sur les systèmes AWS et les modes de défaillance historiques parties avec ces départs.
Prédictions confirmées : un ancien d’AWS avait anticipé une augmentation des pannes majeures en 2024.
Preuves de la perte de talents :
- Plus de 27 000 licenciements chez Amazon (2022-2025).
- Taux élevé de “départs regrettés” (69-81%).
- Mécontentement lié à la politique de “Return to Office” et au manque de reconnaissance de l’expertise.
Conséquences : les nouvelles équipes, plus réduites, manquent de l’expérience nécessaire pour prévenir les pannes ou réduire les temps de récupération.
Perspective : Le marché pourrait pardonner cette fois, mais le problème persistera, rendant les futurs incidents plus probables.

Web

React a gagné “par défaut” https://www.lorenstew.art/blog/react-won-by-default/

React domine par défaut, non par mérite technique, étouffant ainsi l’innovation front-end.
Choix par réflexe (“tout le monde connaît React”), freinant l’évaluation d’alternatives potentiellement supérieures.
Fondations techniques de React (V-DOM, complexité des Hooks, Server Components) vues comme des contraintes actuelles.
Des frameworks innovants (Svelte pour la compilation, Solid pour la réactivité fine, Qwik pour la “resumability”) offrent des modèles plus performants mais sont sous-adoptés.
La monoculture de React génère une dette technique (runtime, réconciliation) et centre les compétences sur le framework plutôt que sur les fondamentaux web.
L’API React est complexe, augmentant la charge cognitive et les risques de bugs, contrairement aux alternatives plus simples.
L’effet de réseau crée une “prison”: offres d’emploi spécifiques, inertie institutionnelle, leaders choisissant l’option “sûre”.
Nécessité de choisir les frameworks selon les contraintes du projet et le mérite technique, non par inertie.
Les arguments courants (maturité de l’écosystème, recrutement, bibliothèques, stabilité) sont remis en question; une dépendance excessive peut devenir un fardeau.
La monoculture ralentit l’évolution du web et détourne les talents, nuisant à la diversité essentielle pour un écosystème sain et innovant.
Promouvoir la diversité des frameworks pour un écosystème plus résilient et innovant.

WebAssembly 3 est sortie https://webassembly.org/news/2025-09-17-wasm-3.0/

Data et Intelligence Artificielle

UUIDv4 ou UUIDv7 pour vos clés primaires ? Ça dépend… surtout pour les bases de données super distribuées ! https://medium.com/google-cloud/understanding-uuidv7-and-its-impact-on-cloud-spanner-b8d1a776b9f7

UUIDv4 : identifiants entièrement aléatoires.
- Cause des problèmes de performance dans les bases de données relationnelles (ex: PostgreSQL, MySQL, SQL Server) utilisant des index B-Tree.
- Inserts aléatoires réduisent l’efficacité du cache, entraînent des divisions de pages et la fragmentation.
UUIDv7 : nouveau standard conçu pour résoudre ces problèmes.
- Intègre un horodatage (48 bits) en préfixe de l’identifiant, le rendant ordonné temporellement et “k-sortable”.
- Améliore la performance dans les bases B-Tree en favorisant les inserts séquentiels, la localité du cache et réduisant la fragmentation.
Problème de UUIDv7 pour certaines bases de données distribuées et scalables horizontalement comme Spanner :
- La nature séquentielle d’UUIDv7 (via l’horodatage) crée des “hotspots d’écriture” (points chauds) dans Spanner.
- Spanner distribue les données en “splits” (partitions) basées sur les plages de clés. Les clés séquentielles concentrent les écritures sur un seul “split”.
- Ceci empêche Spanner de distribuer la charge et de scaler les écritures, créant un goulot d’étranglement (“anti-pattern”).
Quand ce n’est PAS un problème pour Spanner :
- Si le taux d’écriture total est inférieur à environ 3 500 écritures/seconde pour un seul “split”.
- Le hotspot est “bénin” à cette échelle et n’entraîne pas de dégradation de performance.
Solutions pour Spanner :
- Principe clé : S’assurer que la première partie de la clé primaire est NON séquentielle pour distribuer les écritures. UUIDv7 peut être utilisé, mais pas comme préfixe.
Nouvelle conception (“greenfield”) :
▪︎ Utiliser une clé primaire non-séquentielle (ex: UUIDv4 simple).
Pour les requêtes basées sur le temps, créer un index secondaire sur la colonne d’horodatage, mais le SHARDER (ex: shardId) pour éviter les hotspots sur l’index lui-même.
Migration (garder UUIDv7) :
▪︎ Ajouter un préfixe de sharding : Introduire une colonne shard calculée (ex: MOD(ABS(FARM_FINGERPRINT(order_id_v7)), N)) et l’utiliser comme PREMIER élément d’une clé primaire composite (PRIMARY KEY (shard, order_id_v7)).
Réordonner les colonnes (si clé primaire composite existante) : Si la clé primaire est déjà composite (ex: (order_id_v7, tenant_id)), réordonner en (tenant_id, order_id_v7). Cela aide si tenant_id a une cardinalité élevée et distribue bien. (Un tenant_id très actif pourrait toujours nécessiter un préfixe de sharding supplémentaire).

RAG en prod, comment améliorer la pertinence des résultats https://blog.abdellatif.io/production-rag-processing-5m-documents

Démarrage rapide avec Langchain + Llamaindex: prototype fonctionnel, mais résultats de production jugés “subpar” par les utilisateurs.
Ce qui a amélioré la performance (par ROI):
- Génération de requêtes: LLM crée des requêtes sémantiques et mots-clés multiples basées sur le fil de discussion pour une meilleure couverture.
- Reranking: La technique la plus efficace, modifie grandement le classement des fragments (chunks).
- Stratégie de découpage (Chunking): Nécessite beaucoup d’efforts, compréhension des données, création de fragments logiques sans coupures.
- Métadonnées à l’LLM: L’injection de métadonnées (titre, auteur) améliore le contexte et les réponses.
- Routage de requêtes: Détecte et traite les questions non-RAG (ex: résumer, qui a écrit) via API/LLM distinct.

Outillage

Créer un serveur MCP (mode HTTP Streamable) avec Micronaut et quelques éléments de comparaison avec Quarkus https://glaforge.dev/posts/2025/09/16/creating-a-streamable-http-mcp-server-with-micronaut/

Micronaut propose désormais un support officiel pour le protocole MCP.
Exemple : un serveur MCP pour les phases lunaires (similaire à une version Quarkus pour la comparaison).
Définition des outils MCP via les annotations @Tool et @ToolArg.
Point fort : Micronaut gère automatiquement la validation des entrées (ex: @NotBlank, @Pattern), éliminant la gestion manuelle des erreurs.
Génération automatique de schémas JSON détaillés pour les structures d’entrée/sortie grâce à @JsonSchema.
Nécessite une configuration pour exposer les schémas JSON générés comme ressources statiques.
Dépendances clés : micronaut-mcp-server-java-sdk et les modules json-schema.
Testé avec l’inspecteur MCP et intégration avec l’outil Gemini CLI.
Micronaut offre une gestion élégante des entrées/sorties structurées grâce à son support JSON Schema riche.

Un agent IA créatif : comment utiliser le modèle Nano Banana pour générer et éditer des images (en Java, avec ADK) https://glaforge.dev/posts/2025/09/22/creative-ai-agents-with-adk-and-nano-banana/

Modèles de langage (LLM) deviennent multimodaux : traitent diverses entrées (texte, images, vidéo, audio).
Nano Banana (gemini-2.5-flash-image-preview) : modèle Gemini, génère et édite des images, pas seulement du texte.
ADK (Agent Development Kit pour Java) : pour configurer des agents IA créatifs utilisant ce type de modèle.
Application : Base pour des workflows créatifs complexes (ex: agent de marketing, enchaînement d’agents pour génération d’assets).

Un vieil article (6 mois) qui illustre les problèmes du format de fichier YAML https://ruudvanasseldonk.com/2023/01/11/the-yaml-document-from-hell

YAML est extrêmement complexe malgré son objectif de convivialité humaine.
Spécification volumineuse et versionnée (YAML 1.1, 1.2 diffèrent significativement).
Comportements imprévisibles et “pièges” (footguns) courants :
- Nombres sexagésimaux (ex: 22:22 parsé comme 1342 en YAML 1.1).
- Tags (!.git) pouvant mener à des erreurs ou à l’exécution de code arbitraire.
- “Problème de la Norvège” : no interprété comme false en YAML 1.1.
- Clés non-chaînes de caractères (on peut devenir une clé booléenne True).
- Nombres accidentels si non-guillemets (ex: 10.23 comme flottant).
La coloration syntaxique n’est pas fiable pour détecter ces subtilités.
Le templating de documents YAML est une mauvaise idée, source d’erreurs et complexe à gérer.
Alternatives suggérées :
- TOML : Similaire à YAML mais plus sûr (chaînes toujours entre guillemets), permet les commentaires.
- JSON avec commentaires (utilisé par VS Code), mais moins répandu.
- Utiliser un sous-ensemble simple de YAML (difficile à faire respecter).
Générer du JSON à partir de langages de programmation plus puissants :
▪︎ Nix : Excellent pour l’abstraction et la réutilisation de configuration.
Python : Facilite la création de JSON avec commentaires et logique.

Gros binz dans la communauté Ruby, avec l’influence de grosses boîtes, et des pratiques un peu douteuses https://joel.drapper.me/p/rubygems-takeover/

Méthodologies

Les qualités d’une bonne documentation https://leerob.com/docs

Rapidité
- Chargement très rapide des pages (préférer statique).
- Optimisation des images, polices et scripts.
- Recherche ultra-rapide (chargement et affichage des résultats).
Lisibilité
- Concise, éviter le jargon technique.
- Optimisée pour le survol (gras, italique, listes, titres, images).
- Expérience utilisateur simple au départ, complexité progressive.
- Multiples exemples de code (copier/coller).
Utilité
- Documenter les solutions de contournement (workarounds).
- Faciliter le feedback des lecteurs.
- Vérification automatisée des liens morts.
- Matériel d’apprentissage avec un curriculum structuré.
- Guides de migration pour les changements majeurs.
Compatible IA
- Trafic majoritairement via les crawlers IA.
- Préférer cURL aux “clics”, les prompts aux tutoriels.
- Barre latérale “Demander à l’IA” référençant la documentation.
Prêt pour les agents
- Faciliter le copier/coller de contenu en Markdown pour les chatbots.
- Possibilité de visualiser les pages en Markdown (ex: via l’URL).
- Fichier llms.txt comme répertoire de fichiers Markdown.
Finition soignée
- Zones de clic généreuses (boutons, barres latérales).
- Barres latérales conservant leur position de défilement et état déplié.
- Bons états actifs/survol.
- Images OG dynamiques.
- Titres/sections lienables avec ancres stables.
- Références et liens croisés entre guides, API, exemples.
- Balises méta/canoniques pour un affichage propre dans les moteurs de recherche.
Localisée
- Pas de /en par défaut dans l’URL.
- Routage côté serveur pour la langue.
- Localisation des chaînes statiques et du contenu.
Responsive
- Excellents menus mobiles / support Safari iOS.
- Info-bulles sur desktop, popovers sur mobile.
Accessible
- Lien “ignorer la navigation” vers le contenu principal.
- Toutes les images avec des balises alt.
- Respect des paramètres système de mouvement réduit.
Universelle
- Livrer la documentation “en tant que code” (JSDoc, package).
- Livrer via des plateformes comme Context7, ou dans node_modules.
- Fichiers de règles (ex: AGENTS.md) avec le produit.
- Évaluations et modèles spécifiques recommandés pour le produit.

Loi, société et organisation

Microsoft va imposer une politique de Return To Office https://www.businessinsider.com/microsoft-execs-explain-rto-mandate-in-internal-meeting-2025-9

Microsoft impose 3 jours de présence au bureau par semaine à partir de février 2026, débutant par la région de Seattle
Le CEO Satya Nadella explique que le télétravail a affaibli les liens sociaux nécessaires à l’innovation
Les dirigeants citent des données internes montrant que les employés présents au bureau “prospèrent” davantage
L’équipe IA de Microsoft doit être présente 4 jours par semaine, règles plus strictes pour cette division stratégique
Les employés peuvent demander des exceptions jusqu’au 19 septembre 2025 pour trajets complexes ou absence d’équipe locale
Amy Coleman (RH) affirme que la collaboration en personne améliore l’énergie et les résultats, surtout à l’ère de l’IA
La politique s’appliquera progressivement aux 228 000 employés dans le monde après les États-Unis
Les réactions sont mitigées, certains employés critiquent la perte d’autonomie et les bureaux inadéquats
Microsoft rattrape ses concurrents tech qui ont déjà imposé des retours au bureau plus stricts
Cette décision intervient après 15 000 licenciements en 2025, créant des tensions avec les employés

Comment Claude Code est né ? (l’histoire de sa création) https://newsletter.pragmaticengineer.com/p/how-claude-code-is-built

Claude Code : outil de développement “AI-first” créé par Boris Cherny, Sid Bidasaria et Cat Wu.
Performance impressionnante : 500M$ de revenus annuels, utilisation multipliée par 10 en 3 mois.
Adoption interne massive : Plus de 80% des ingénieurs d’Anthropic l’utilisent quotidiennement, y compris les data scientists.
Augmentation de productivité : 67% d’augmentation des Pull Requests (PR) par ingénieur malgré le doublement de l’équipe.
Origine : Commande CLI simple évoluant vers un outil accédant au système de fichiers, exploitant le “product overhang” du modèle Claude.
Raison du lancement public : Apprendre sur la sécurité et les capacités des modèles d’IA.
Pile technologique “on distribution” : TypeScript, React (avec Ink), Yoga, Bun. Choisie car le modèle Claude est déjà très performant avec ces technologies.
“Claude Code écrit 90% de son propre code” : Le modèle prend en charge la majeure partie du développement.
Architecture légère : Simple “shell” autour du modèle Claude, minimisant la logique métier et le code (suppression constante de code superflu).
Exécution locale : Privilégiée pour sa simplicité, sans virtualisation.
Sécurité : Système de permissions granulaire demandant confirmation avant chaque action potentiellement dangereuse (ex: suppression de fichiers).
Développement rapide :
- Jusqu’à 100 releases internes/jour, 1 release externe/jour.
- 5 Pull Requests/ingénieur/jour.
- Prototypage ultra-rapide (ex: 20+ prototypes d’une fonctionnalité en quelques heures) grâce aux agents IA.
Innovation UI/UX : Redéfinit l’expérience du terminal grâce à l’interaction LLM, avec des fonctionnalités comme les sous-agents, les styles de sortie configurables, et un mode “Learning”.