SNO signifie Sense, Nexus et Outgrowth : comprendre ton travail, relier les agents et leurs connaissances, et progresser grâce à l’expérience. Sno Station réunit tes agents IA sur ta propre machine, où ils peuvent partager une mémoire, se transmettre des tâches et vérifier le travail des autres. Ce qu’ils apprennent peut améliorer leur façon de travailler ensemble, et c’est toi qui décides des changements à conserver.
Ce en quoi nous croyons
Tu n'utilises plus un seul agent depuis longtemps. Deux terminaux, deux abonnements, deux modèles de deux entreprises. Ils ne se parlent pas. Quand l'un arrive au bout de son quota, tu colles les vingt dernières lignes dans l'autre et tu recommences. Quand l'un vérifie son propre travail, il dit « ça a l'air bon ». Et demain, il refera l'erreur d'aujourd'hui, parce que rien n'a été transmis.
Sno Station part d'une idée simple. Les agents que tu utilises déjà devraient travailler comme une seule équipe sur ta machine, et l'endroit où ils travaillent devrait continuer à s'améliorer un peu.
Toujours un peu plus malin. Auto-apprentissage relit ce que tes agents ont fait et cherche les erreurs qui reviennent. Il écrit la correction dans les propres compétences des agents, une règle courte ou une étape modifiée, et te la laisse à valider. Rien ne change tant que tu n'as pas dit oui. Les modèles restent exactement tels que les fournisseurs les ont livrés. Ce qui s'améliore, c'est l'environnement de travail autour d'eux, et il s'améliore à partir de ton propre travail, pas du benchmark de quelqu'un d'autre.
Un esprit rapide et un esprit lent. Les gens pensent de deux façons. Il y a le coup d'œil qui te dit qu'un chiffre cloche, une demi-seconde, sans effort. Et il y a la réflexion lente qui comprend pourquoi. Daniel Kahneman les appelait Système 1 et Système 2. Auto-apprentissage fonctionne de la même manière. Un petit modèle de décision, Jev, lit chaque session en moins d'une seconde et signale celles qui ont mal tourné. Un grand modèle prend ensuite seulement celles-là et comprend ce qui s'est passé et ce qu'il faut changer. Tout lire de la manière lente coûtait trop cher, alors nous prenions environ huit sessions sur soixante et nous manquions le reste. Maintenant, plus rien n'est échantillonné. Sur une relecture de 276 de nos propres sessions, la passe rapide a trouvé 14 échecs sur 19, là où le grand modèle seul en trouvait 6 sur 16. Pour bien moins d'un centime par session.
L’un réalise. L’autre relit. Demandez à un agent de vérifier son propre travail : il revient au résultat avec les mêmes hypothèses. Confiez ce travail à un autre agent et vous obtenez un autre lecteur. Claude Code et Codex tiennent des rôles distincts : l’un réalise, l’autre relit selon vos exigences. Ils échangent leurs observations et leurs corrections grâce au contexte partagé. Chacun peut réaliser ou relire. Nous appelons cela Dual Brain. Ajoutez d’autres rôles et vous avez un agent squad.
Ils se parlent. Quand un agent arrive au bout de son quota, il écrit une passation : ce qui est fait, ce qui est à moitié fait, le commit exact à partir duquel continuer. Puis il réveille l'autre et ne lâche pas tant que la passation n'est pas reçue. Sur notre propre machine, cela a pris quatorze minutes et quarante et une secondes, à la vingt et unième tâche d'un build qui en comptait vingt-sept, avec 2 % de quota restant. Personne n'était réveillé. Tout passe par de simples fichiers sur ton portable. Pas de démon, pas de serveur, rien à garder en vie.
Une seule mémoire, qui oublie exprès. Les deux agents lisent et écrivent la même mémoire, donc aucun ne repart de zéro. Une bonne mémoire sait aussi lâcher prise. Une préférence que tu as annulée ou une échéance qui a bougé ne devrait plus guider tes agents dès le jour où elle change. Nous le mesurons, et nous publions les chiffres avec leur source. La mémoire est le socle de ce produit. Ce n'est pas le titre, mais tout repose dessus.
Des compétences dès l'arrivée. L'équipe ne commence pas vide. Elle arrive avec les compétences que nous utilisons chaque jour depuis six mois pour faire tourner nos propres agents : se relire mutuellement, se passer le travail, découper une tâche en consignes claires, dire où en sont les choses, revenir sur ce qui a mal tourné. Elles ont été écrites d'abord pour le code et sont faites pour s'adapter à ta façon de travailler. Ce sont aussi les compétences qu’Auto-apprentissage réécrit, donc celles que tu utilises le plus sont celles qui s'améliorent le plus.
À toi, et ça le reste. La mémoire, les messages et les compétences vivent sur ton portable. La mémoire est chiffrée dès la première utilisation, avec une clé qui ne quitte jamais ta machine. Apache-2.0, de bout en bout. Auto-apprentissage est la seule partie qui envoie quelque chose à l'extérieur : avec ton accord, les sessions qu'il garde partent sur nos serveurs pour être jugées, et tu vois exactement ce qui est parti. Désactive-le, et rien ne sort. Si tu nous quittes, la mémoire et les compétences de tes agents partent avec toi.
Vers où ça va. Aujourd'hui, ce sont deux esprits sur un portable. Ce vers quoi nous allons, c'est toute une équipe autour de cette équipe. Plusieurs personnes peuvent la regarder travailler et la réorienter, une seule tient la baguette à la fois, et les règles qui disent qui décide de quoi sont écrites là où tout le monde peut les lire. Ces règles s'améliorent de la même façon que les compétences.
Nous le construisons en public, une pièce à la fois. Ce qui est ici fonctionne. Ce qui n'y est pas encore, nous ne le revendiquons pas.
Qui nous sommes
Un agent a rédigé le texte de cette page et un autre l’a construite. Ils fonctionnent dans des environnements différents, partagent une même mémoire et vérifient leur travail mutuel ; l’un de nous a lu le résultat et l’a approuvé. C’est ainsi que nous créons tout ici, y compris le produit qui te permet de faire de même. Nous utilisons nos agents comme nous aimerions que tu utilises les tiens : plusieurs, jamais seuls, et un peu plus efficaces à chaque exécution. Nous pensons que les prochaines années appartiendront aux personnes qui travaillent avec une équipe d’agents plutôt qu’une fenêtre de discussion. Pour elles, nous construisons au grand jour, étape par étape, l’espace de travail qu’elles voudront utiliser. Ce qui est présenté ici existe et fonctionne. Nous ne prétendons pas avoir déjà construit le reste.
Qui a commencé
Sno AI a été fondée par Larry Hope, qui dit aux ordinateurs quoi faire depuis 1994 et leur demande surtout aujourd'hui s'ils en sont sûrs.
À l'époque, il a écrit les livres sur la POO et le C++ les plus vendus de Taïwan. Il a ensuite créé plusieurs entreprises. CICQ, une messagerie instantanée de pair à pair, a atteint deux millions d'utilisateurs dès sa première année, en 1997. En 1999, coolbid.com, un site de vente aux enchères en direct, dominait son marché en Chine et à Taïwan. Bala proposait de la musique en streaming en Chine et a réuni quatre millions d'utilisateurs. Mais le service n'a pas réussi à les convaincre de payer et a dû fermer. Il s'est pourtant relancé. Dans les années 2010, chez Light Harmonic, il a conçu des appareils hi-fi : d'abord des DAC distingués aux CES Innovation Awards, puis un système audio pour la Tesla Model S. Ces années passées à concevoir des produits matériels ont forgé son exigence de qualité : un produit doit fonctionner une fois entre les mains du client. Nous appliquons la même exigence chez Sno. Une tâche n'est terminée que lorsque son résultat répond au besoin de la personne qui l'a confiée.
Du code dans les années 90, de la hi-fi dans les années 2010, de nouveau du code. Il continue d'accorder, comme tous ceux qui travaillent sur Sno AI, humains ou non.
Conçu pour les agents IA
Les agents IA peuvent lire chaque page publique de sno.ai en Markdown, trouver sa description d'API et lancer eux-mêmes l'inscription d'une personne. L'Agent Readiness Scanner de Cloudflare note sno.ai 100 sur 100, niveau 5 (Agent-Native).
Comment nous contacter
Code, signalements et discussions : github.com/sno-ai/sno-station.
Signalements de sécurité : security@sno.ai (jamais dans un signalement public).