LastMile AI

Qu’est-ce que LastMile AI ?

LastMile AI était à l’origine une plateforme de débogage, d’évaluation et d’amélioration destinée aux développeurs d’IA générative, offrant des outils tels que des AI Workbooks, AutoEval, des ensembles de données, des expériences et des API. Par la suite, le produit a élargi son focus vers les agents, les protocoles de contexte pour les modèles et le calcul cognitif.

Le changement le plus important actuel est que l’équipe LastMile AI a rejoint l’organisation de recherche sur les produits et applications des Meta Superintelligence Labs. Le site web indépendant existant conserve principalement des informations sur la destination de l’équipe et sa vision, sans plus présenter clairement les options d’inscription, d’achat ou de forfaits disponibles sur la plateforme commerciale.

Comment interpréter l’état actuel

LastMile AI ne peut plus être simplement considéré comme un SaaS indépendant encore en vente normale. L’entrée du catalogue doit considérer l’ancienne plateforme commerciale comme un produit historique, tandis que le projet open source encore entretenu est présenté comme la capacité principale actuellement utilisable.

Les projets open source les plus intéressants actuellement

• mcp-agent : Utilise des connexions MCP pour relier des modèles, des outils et des services externes, afin de créer des workflows d’agents composables.
• AIConfig : sépare les prompts, le modèle, les paramètres et la configuration de exécution du code de l’application.
• mcp-eval : Exécution de tests et d’évaluations de qualité dans un environnement où l’agent réel interagit avec le serveur MCP.
• Exemple d’application OpenAI : démonstration de la manière de héberger des projets backend destinés à l’intégration d’applications.
• Élément de recherche du registre MCP : fournit une recherche sémantique et des interfaces de service pour le catalogue du serveur MCP.

Capacités fondamentales de mcp-agent

mcp-agent est le projet open source le plus représentatif de LastMile AI à l’heure actuelle ; il s’agit d’un framework d’agents intelligents natifs MCP principalement basé sur Python. Ce framework gère le cycle de vie des connexions au serveur MCP, les appels aux outils, la configuration, les journaux et le contexte d’exécution, permettant aux développeurs de se concentrer sur le comportement des agents et les processus métier.

• Prend en charge les fonctionnalités telles que les outils MCP, les ressources, les suggestions, les notifications, OAuth, l’échantillonnage et l’assistance à l’utilisateur.
• Fournit des modèles combinés de routage, de parallélisme, d’orchestration, d’évaluation et d’optimisation, ainsi que de collaboration entre plusieurs agents.
• Les applications d’agents intelligents peuvent être réexposées en tant que serveurs MCP standards.
• Il prend en charge l’exécution asynchrone ordinaire, et peut également s’intégrer à Temporal pour permettre la suspension, la reprise, les tentatives de réessai et l’exécution persistante.
• Fournit des journaux structurés, une surveillance OpenTelemetry et un suivi de l’utilisation des tokens.
• Il est possible de se connecter à divers fournisseurs de modèles ainsi qu’à des serveurs MCP existants.
• Fournit des commandes pour l’initialisation, la configuration, l’exécution, l’installation et le déploiement dans le cloud du projet.

Mode de flux de travail MCP-Agent

Comment commencer à utiliser mcp-agent

mcp-agent convient aux développeurs familiers avec Python, les API de modèles et les concepts de base de MCP. Avant de commencer, il est nécessaire de préparer un environnement Python, les identifiants du service de modèle choisi, ainsi que au moins un serveur MCP auquel on souhaite se connecter.

1. Installez les projets Python recommandés et les outils de gestion des dépendances.
2. Initialiser un nouveau projet mcp-agent et choisir le modèle de base.
3. Enregistrer les serveurs MCP à connecter dans le fichier de configuration.
4. Placer la clé du modèle dans une configuration secrète dédiée ou une variable d’environnement, et ne pas la soumettre au dépôt de code.
5. Créer un nom d’agent, des instructions et une liste des serveurs accessibles.
6. Sélectionnez l’adaptateur de modèle et combinez les workflows de routage, de parallélisation ou d’évaluation et d’optimisation.
7. Exécutez d’abord localement pour vérifier les permissions de l’outil, les journaux, les tokens et le traitement des exceptions.
8. Décider après le test entre hébergement autonome, exécution permanente ou déploiement sur MCP-Cloud.

Connexion MCP et serveur proxy

Le framework peut servir à la fois de client MCP pour se connecter aux systèmes de fichiers, aux outils de recherche, aux bases de données et aux services d’entreprise, ainsi que pour publier des applications proxy complètes en tant que nouveaux serveurs MCP. Cela permet aux assistants de bureau, aux éditeurs de code ou aux clients personnalisés d’appeler des workflows complexes via un protocole unifié.

Exécution persistante et observabilité

Les projets simples peuvent utiliser un moteur d’exécution asynchrone, tandis que les tâches complexes peuvent basculer vers le backend Temporal. L’exécution persistante convient aux agents qui nécessitent une exécution sur une longue période, une confirmation manuelle, des tentatives automatiques ou une reprise après interruption du processus.

• Les journaux structurés aident à identifier les anomalies des modèles, outils et workflows.
• OpenTelemetry peut enregistrer la chaîne d’appels complète et les spans d’exécution.
• Le compteur de tokens est utilisé pour suivre la consommation des agents, des flux de travail et des nœuds de modèle.
• L’observateur peut déclencher des alertes ou un contrôle lorsque la consommation atteint un seuil.
• L’historique persistant facilite la vérification des pauses, des tentatives de réessai et des saisies manuelles.

Qu’est-ce que AIConfig ?

AIConfig sauvegarde les prompts, le nom du modèle, les paramètres, les variables et les dépendances en chaîne sous forme de configuration sérialisable, permettant de séparer le comportement de l’IA générative du code d’application. Le fichier de configuration peut être soumis à un contrôle de version, et être testé, exécuté et comparé à l’aide d’un éditeur.

• Utiliser une configuration unifiée pour enregistrer les suggestions, les modèles et les paramètres d’inférence.
• Prend en charge les méthodes de développement Python et Node.
• Il est possible d’exécuter des chaînes de suggestions avec des variables et des dépendances.
• Prend en charge l’extension de configurations multimodales telles que le texte, les images et l’audio.
• Permet l’accès à différents modèles et à des points d’extrémité d’inférence personnalisés.
• Idéal pour gérer séparément les versions de suggestions, les évaluations et le code d’application.

Processus d'utilisation d’AIConfig

1. Installez les paquets Python ou les paquets Node selon la langue du projet.
2. Créez un fichier de configuration AIConfig et saisissez le nom, le modèle et les paramètres par défaut.
3. Définir un nom, une variable et des dépendances indépendants pour chaque indice.
4. Exécutez les instructions dans l’éditeur et observez la sortie du modèle.
5. Intégrer la configuration stable dans le contrôle de version et soumettre à une revue de code.
6. Charger la configuration dans l’application, en appelant les messages spécifiés à l’exécution.
7. Comparer l’efficacité des modèles, des paramètres et des versions de prompts en utilisant l’ensemble de test.

Qu’est-ce que mcp-eval ?

mcp-eval est utilisé pour tester les serveurs MCP ainsi que les agents qui appellent ces serveurs ; il exécute des interactions réelles entre des agents et des serveurs, au lieu de se contenter de simuler une seule fonction. Le processus de test peut enregistrer l’ordre des outils, le contenu des réponses, les délais, les tokens, les coûts et des données de suivi complètes.

• Prend en charge diverses méthodes de test avec des décorateurs, pytest et des données pilotant les tests.
• Il est possible de déterminer si un outil spécifique a été appelé, le nombre de fois qu’il a été appelé et l’ordre d’exécution.
• On peut vérifier le texte de réponse, les modèles réguliers et les conditions structurées.
• Prend en charge les limites de temps de réponse, du nombre d’appels au modèle et de l’efficacité des chemins.
• On peut utiliser des juges LLM pour évaluer la qualité du contenu selon une échelle.
• Fournit des rapports de test en JSON, HTML et Markdown.
• Permettre d’intégrer des tests de régression dans le processus d’intégration continue.

Étapes de mise en œuvre de mcp-eval

1. Préparez Python 3.10 ou une version ultérieure ainsi que le serveur MCP à tester.
2. Installer mcpevals et initialiser le projet de test.
3. Mode de démarrage du serveur d’enregistrement, configuration de transmission et variables d’environnement nécessaires.
4. Rédiger des tests pour les chemins normaux, les entrées anormales, les droits d’accès et les limites.
5. Définir le contenu, les outils, les performances, le chemin ou les affirmations des juges LLM.
6. Exécutez les tests et vérifiez le suivi, les rapports et les raisons d’échec.
7. Intégrer les tests de stabilité dans l’intégration continue pour effectuer des vérifications de régression après les modifications.

Capacités historiques de la plateforme commerciale originale LastMile

L’ancienne plateforme de développement LastMile permettait de gérer de manière centralisée les AI Workbooks, AutoEval, les ensembles de données, les expériences, l’étiquetage synthétique et les modèles d’évaluation. Les Workbooks autorisaient de mixer du texte, des images, de l’audio et des unités de modèle dans la même zone de travail, tandis qu’AutoEval était destiné à l’évaluation de la qualité du contenu généré par RAG.

Prix et coûts d’utilisation

Les informations sur les prix ont été vérifiées le 23 août 2026 ; les montants réels, les taxes, les taux de change et les remises peuvent varier. Les données finales seront celles affichées sur la page de paiement.

Il n’existe actuellement aucune offre ou prix d’achat fiable pour une plateforme commerciale indépendante LastMile. Les descriptions de l’édition gratuite de base et de la VPC d’entreprise présentes dans les documents anciens ne peuvent pas servir de cotation actuelle. Le code source open source lui-même peut être utilisé gratuitement, mais les appels aux modèles, les serveurs, les bases de données, ainsi que l’observation et l’exploitation entraînent des frais.

Licence open source

À qui s’adresse-t-il

• Développeurs souhaitant créer des agents intelligents natifs MCP avec Python.
• Équipes d’IA nécessitant du routage, du parallélisme, de l’orchestration et de l’évaluation de modèles d’optimisation.
• L’équipe de produits qui prépare à publier l’agent en tant que serveur MCP standard.
• Développeurs de flux de travail nécessitant une suspension, une reprise, un essai ultérieur et une approbation manuelle.
• Équipes de développement qui souhaitent séparer les suggestions et les paramètres du modèle du code métier.
• Équipe de qualité qui doit effectuer des tests d’interaction réelle avec les serveurs MCP et les proxies.
• Anciens utilisateurs de la plateforme LastMile et entreprises en train d’évaluer leur parcours de migration.

Avantages du produit

• mcp-agent est axé sur des protocoles ouverts, ce qui permet de connecter des outils sans avoir à écrire un framework dédié pour chaque service.
• Le modèle de proxy maintient la composabilité, ce qui est adapté pour étendre progressivement des programmes simples.
• Le backend Temporal offre la capacité de récupération et d’exécution persistante pour les processus longs.
• AIConfig facilite le contrôle de version des prompts, des modèles et des paramètres.
• mcp-eval couvre les appels d’outils réels, la qualité, les performances et les vérifications de chemin.
• Les trois projets couvrent respectivement les étapes de construction, de configuration et de test.
• La licence permet aux développeurs de modifier et d’utiliser le produit à des fins commerciales une fois les conditions remplies.

Restrictions et risques

• La plateforme commerciale actuelle ne dispose pas d’informations claires concernant l’inscription indépendante, la vente et les prix en vigueur.
• Les documents anciens et les SDK anciens ne signifient pas que les interfaces cloud correspondantes restent disponibles.
• Les frameworks open source nécessitent une configuration manuelle des modèles, des serveurs, des permissions et de l’environnement de fonctionnement.
• Les services cloud en phase de test ouvert peuvent voir leurs prix, leurs quotas et leur disponibilité être modifiés.
• La connexion à des fichiers, des bases de données et des systèmes d’entreprise augmente les risques liés aux privilèges du proxy.
• La génération de modèles, le choix des outils et les juges d’LLM peuvent tous commettre des erreurs.
• Les licences open source ne confèrent pas automatiquement le droit d’utilisation commerciale pour des modèles, des données et des services tiers.
• L’activité varie d’un entrepôt à l’autre ; il convient de vérifier la version et l’état de maintenance avant de l’utiliser.

Liste de vérification pour la migration des utilisateurs de l’ancienne plateforme

1. Vérifier si les comptes existants, les espaces de travail, les points d’entrée API et les canaux de support sont toujours accessibles.
2. Exporter les ensembles de données, les résultats d’évaluation, les comptes rendus d’expériences, les suggestions et la configuration du modèle.
3. Enregistrer la version du SDK en usage, les dépendances, les clés et la portée des permissions.
4. Cessez de considérer les forfaits et les engagements de service dans les documents anciens comme base pour la renouvellement.
5. Évaluer si AIConfig peut gérer les prompts et la configuration des modèles.
6. Évaluer si mcp-eval peut reconstituer les tests d’évaluation clés et les tests de régression.
7. Lorsqu’une orchestration par un agent est nécessaire, utilisez mcp-agent pour réimplémenter le processus principal.
8. Réévaluer le coût total pour le modèle, le stockage, le déploiement, l’observation et la maintenance.
9. Annuler les clés non utilisées avant la migration et nettoyer les données sensibles.

Conseils pour une utilisation sécurisée

• Appliquer des droits minimaux et des identifiants indépendants à chaque serveur MCP.
• La clé du modèle est stockée dans un système de gestion des secrets ou dans une configuration dédiée.
• Imposer une confirmation manuelle pour les actions telles que l’écriture de fichiers, l’envoi de messages et la modification de bases de données.
• Restreindre les répertoires, comptes, tables et plages de réseau accessibles aux agents.
• Cacher les tokens, les informations personnelles et les secrets commerciaux dans les journaux et le suivi.
• Fixer des limites strictes pour le temps d’exécution des outils, les appels répétés, les boucles et les coûts.
• Utiliser mcp-eval pour couvrir les scénarios de dépassement de droits, d’injection de prompts et de récupération en cas d’erreur.

Questions fréquentes

LastMile AI propose-t-il encore la plateforme commerciale initiale ?

Le site actuel ne présente pas clairement les processus d’inscription, de choix de forfaits et d’achat sur la plateforme originale, et l’équipe a également rejoint des organisations liées à Meta. Les anciens documents restent accessibles, mais on ne peut pas en déduire que le SaaS commercial est toujours en vente normalement.

LastMile AI a-t-il été racheté par Meta ?

On peut confirmer que l’équipe a rejoint l’organisation de recherche sur les produits et applications de Meta Superintelligence Labs. En l’absence de preuves suffisantes, il ne faut pas affirmer que l’entreprise dans son ensemble a été rachetée ou que le produit initial est devenu un service officiel de Meta.

LastMile AI est-il un produit open source ?

La plateforme commerciale originale n’est pas un produit entièrement open source, mais mcp-agent, AIConfig et mcp-eval sont publiés respectivement sous des licences ouvertes. Le répertoire doit indiquer séparément le statut open source de la plateforme et de ces dépôts indépendants.

MCP-Agent peut-il être utilisé gratuitement ?

Le code du framework peut être utilisé gratuitement sous la licence Apache-2.0. Cependant, pour son fonctionnement réel, il reste nécessaire de prendre en charge les coûts liés à l’API du modèle, au calcul, au stockage, au réseau, à la base de données et à la maintenance.

MCP-Cloud est-il payant ?

Le document actuel indique que MCP-Cloud est en phase de test ouvert et peut être utilisé gratuitement. La politique de test peut changer ; pour les projets officiels, il convient de vérifier à nouveau les quotas, la continuité et les règles de facturation ultérieures avant le déploiement.

Le vieux SDK LastMile peut-il encore être utilisé directement dans de nouveaux projets ?

Il n’est pas recommandé de l’adopter directement sans validation, car l’ancien SDK correspond aux interfaces des plateformes historiques. Pour les nouveaux projets, il convient de prioriser l’évaluation des agents MCP-agent, AIConfig et MCP-eval actuellement maintenus, ainsi que de tester en pratique les endpoints nécessaires.

Résumé

L’accent de l’article LastMile AI est désormais tourné vers la situation actuelle des équipes après leur intégration à Meta, ainsi que vers les réalisations open source encore utilisables comme MCP-agent. Sa valeur réelle pour les développeurs se manifeste principalement dans la création d’agents MCP, la gestion de la configuration et l’évaluation des interactions réelles.

Avant de l’adopter, il est nécessaire d’évaluer séparément les SaaS historiques, les dépôts open source actuels et les services cloud de test ouverts. Les clients existants doivent d’abord exporter leurs données et s’assurer de la continuité du service, tandis que les nouveaux projets doivent commencer avec des droits minimaux, des tests locaux et des évaluations de régression.