Docker a résolu 90% du codage IA en lançant cette nouveauté

La transcription débute en expliquant que le protocole MCP, initialement un élément important en IA, est devenu un problème majeur six mois après son introduction. Au départ, les développeurs utilisaient seulement deux ou trois serveurs MCP locaux, mais l'évolution rapide a conduit à une situation où les gens disposent maintenant de littéralement des centaines de serveurs MCP avec des milliers d'outils simultanément. Cette accumulation est décrite comme un véritable cauchemar, remarquée d'abord par Cloudflare et confirmée par Claude qui a publié un article de recherche sur le sujet. Le conférencier pose trois questions fondamentales : en quels serveurs MCP peut-on faire confiance, comment éviter de remplir le contexte avec des définitions d'outils inutilisés, et comment les agents peuvent-ils découvrir, configurer et utiliser ces outils efficacement de manière autonome.

Docker a mis en place une infrastructure entière, construite bien avant que le problème ne devienne critique, pour résoudre les défis d'utilisation des MCP. La solution repose sur un catalogue MCP contenant des serveurs vérifiés auxquels on peut faire confiance. L'interface est simple : on connecte les serveurs MCP directement dans Docker (par exemple Notion), et le client MCP, généralement Claude Code, ne se connecte qu'à Docker, qui gère ensuite tous les serveurs MCP. Docker a également créé une passerelle MCP pré-équipée d'outils permettant aux agents d'utiliser les serveurs du catalogue de manière autonome. Cette approche résout complètement le premier problème en centralisant la gestion et en ne se connectant qu'à une seule entité Docker, qui connaît le contexte de tous les outils disponibles. Le résultat est que la fenêtre de contexte ne se gonfle pas inutilement.

Pour permettre aux agents d'utiliser les MCPs de manière dynamique, Docker a implémenté de nouveaux outils appelés MCP find, add et remove, qui permettent de trouver les serveurs MCP du catalogue par nom ou description. Le conférencier montre un exemple concret en utilisant le serveur MCP GitHub pour chercher des dépôts intéressants. Après avoir spécifié le type de dépôts recherchés, au lieu d'appeler directement l'outil du client, le serveur Docker MCP l'appelle avec les bonnes informations et retourne les résultats complets. Notamment, le modèle retourne tous les détails incluant les liens, les étoiles, les descriptions et même les dates de publication des dépôts. Le conférencier insiste sur l'importance de cette observation car elle sera cruciale pour comprendre les avantages de la sélection dynamique d'outils par la suite.

Cette section traite de la partie la plus importante : la sélection dynamique d'outils, qui représente une nouvelle façon d'utiliser les serveurs MCP. Le problème fondamental abordé par Claude dans un article est que les modèles IA consomment des tokens de deux façons : par les définitions d'outils dans la fenêtre de contexte et par les résultats intermédiaires bruts des appels MCP. L'exemple du GitHub illustre ce problème : bien que le conférencier ne voulait que la description et le lien, tous les détails (étoiles, dates, etc.) ont été retournés et remplissent la fenêtre de contexte. Il ne faut que quelques appels d'outils avant que le contexte soit complètement rempli. Docker a amélioré cela en ne fournissant que les outils vraiment utiles, par exemple en n'affichant que l'outil de recherche de dépôt plutôt que les 40 autres outils du serveur MCP GitHub. Cette approche ouvre également de nouvelles possibilités avec le mode code.

Docker est le premier à implémenter le mode code, permettant aux agents d'écrire du code directement en utilisant les outils MCP, c'est-à-dire en implémentant les outils dans le code. Le mode code crée un outil JavaScript qui peut appeler d'autres outils MCP. Comme ce code est écrit par un agent, il n'est ni testé ni sécurisé, c'est pourquoi Docker l'exécute dans un bac à sable utilisant les conteneurs Docker qu'ils fournissent déjà. Cette approche offre trois avantages clés : d'abord, c'est complètement sécurisé grâce à la virtualisation qui ne peut causer aucun dégât au système. Ensuite, le modèle n'a besoin de connaître que le nouvel outil de mode code plutôt que tous les 47 outils du serveur original, économisant ainsi énormément de contexte. Enfin, il y a la persistance d'état où les volumes Docker gèrent comment les données sont sauvegardées entre les appels d'outils sans être envoyées au modèle.

La persistance d'état via les volumes Docker est une innovation qui résout le problème des données volumineuses dans le contexte du modèle. Un exemple simple illustre le concept : si on télécharge un ensemble de données, celui-ci est téléchargé mais réellement sauvegardé sur le volume Docker, et le modèle sait simplement qu'il a été téléchargé avec succès sans être noyé sous cinq gigaoctets de données. Ensuite, si on veut traiter les 10 000 premières lignes de l'ensemble de données, le modèle peut lire depuis le volume où les données sont stockées et retourner uniquement le résumé réel. De cette manière, seules les données qui devraient aller au modèle (résultats finaux, résumés, messages d'erreur, réponses aux questions) sont transférées, et la fenêtre de contexte reste propre et manageable. Cette approche est particulièrement efficace pour les pipelines de traitement de données complexes.

Le conférencier démontre l'utilité du mode code à travers des cas pratiques. Son objectif initial était de découvrir des outils open source nouveaux en exécutant plusieurs appels avec l'outil find GitHub repo en utilisant différents mots-clés. Il a présenté ce problème à Claude Code qui a combiné tous les appels d'outils en un seul outil appelé 'multi search repos'. Cet outil a cherché 29 dépôts uniques avec six mots-clés différents, mais au lieu de surcharger le contexte, les résultats ont été retournés directement. Le conférencier a ensuite demandé au modèle d'écrire tous les résultats dans un fichier texte avec seulement les noms et descriptions des dépôts, optimisant ainsi l'utilisation du contexte. Enfin, en connectant le serveur MCP Notion, il a créé un outil 'GitHub to Notion' qui envoie directement les résultats de recherche GitHub dans une base de données Notion avec des champs filtrants et des dates, démontrant la puissance de combiner les MCPs via le mode code.

Le conférencier conclut en soulignant l'importance du catalogue Docker MCP : simplement en le parcourant, on obtient des idées des MCPs qu'on pourrait chaîner ensemble pour créer des workflows incroyables tout en économisant des tokens et en préservant les performances de l'agent IA. Pour commencer avec Docker, il suffit de mettre à jour sa version de Docker, et s'assurer que l'ensemble d'outils Docker MCP est activé dans les fonctionnalités bêta si nécessaire. Une fois cela fait, les nouvelles fonctionnalités de sélection dynamique et de mode code sont activées par défaut. Il suffit de connecter son client MCP à Docker pour commencer immédiatement. Le conférencier termine la vidéo en invitant les spectateurs à soutenir la chaîne via le bouton Super Thanks et réaffirme l'importance de cette innovation Docker pour l'avenir du développement avec les agents IA.