Intermédiaire·2 min·19 mai 2026

id-agent : des IDs lisibles qui coûtent 9 tokens au lieu de 23

🎧 Résumé audio0:00 / 0:00

Les UUID consomment 23 tokens et les IA les hallucinent. id-agent les remplace par des mots mémorables : 14 tokens, zéro hallucination.

Pourquoi ça compte pour toi

Si tu construis des agents IA ou des systèmes qui dialoguent avec des LLM, tu dépenses des tokens sur chaque identifiant. Multiplié par des milliers d'appels, ça devient réel. id-agent économise ~40% des tokens tout en rendant les IDs lisibles par les humains et les modèles. C'est pensé pour la fenêtre contextuelle, pas pour la base de données.

Ce qu'il faut retenir

1.UUID v4 = ~23 tokens. id-agent (8 mots) = ~14 tokens. Économie : 39% en moyenne.
2.Mots humains mémorables au lieu de hex aléatoire : les IA ne hallucinent pas 'storm-delta-stone' comme '9dc3aed3'.
3.Chaque mot = exactement 1 BPE token (o200k_base). Entropie stable : 12 bits par mot, configurable de 3 à 16 mots.
4.Validation Zod intégrée. Analyse, validation, alias, détection des doublons : API complète prête à l'emploi.

Tu galères avec le jargon ?

Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.

Le problème : les UUID mangent des tokens

Tu appelles Claude ou GPT-4o 10 000 fois par jour, et chaque réponse contient un UUID pour suivre une tâche, un utilisateur, une transaction. 23 tokens × 10 000 = 230 000 tokens engloutis juste par des identifiants.

En plus, les LLM hallucinent les UUID. Ils confondent '89b842d9' avec '89b842d8', inventent des caractères. Zéro fiabilité.

La solution : des mots, pas du hex

id-agent génère des IDs en mots anglais courants :

import { idAgent } from 'id-agent'

const id = idAgent() 
// => "urd-antes-sorry-pac-dire-total-expire-going" (8 mots, ~14 tokens)

const short = idAgent({ words: 5 })
// => "frame-beer-bell-tog-hoot" (~8 tokens)

const prefixed = idAgent({ prefix: 'task' })
// => "task_slide-exact-cede-bury-linge-ease-bean-impact"

Chaque mot vient d'une liste de 4096 mots, tous exactement 1 token en o200k_base (GPT-4o, o1, o3). Pas de surprise, pas de fusions BPE bancales.

Entropie et collisions : les maths

Chaque mot = 12 bits de sécurité (log₂ 4096). Donc :

▸3 mots = 36 bits (~300K items avant 50% collision)
▸5 mots = 60 bits (1,3 milliards d'items)
▸8 mots (défaut) = 96 bits (331 trillions d'items)

La probabilité de collision avec 1M d'IDs en 8 mots ? 6.3 × 10⁻¹⁸. Concrètement zéro.

Cas d'usage concrets

Dev/test : 3 mots, 36 bits. Rapide, mémorisable, suffit amplement.

Outils d'équipe : 4 mots, 48 bits. Sûr jusqu'à ~20M items.

Production : 8 mots minimum (ou plus selon ton volume).

Les fonctionnalités bonus

Déterministe : idAgent.from('user@example.com') retourne toujours le même ID pour la même entrée (HMAC-SHA256).

Analyse & validation : extrait les composants, valide la structure, rejette les mots inconnus.

Correspondance d'alias : compresse les UUID longs en 3 mots pour les envoyer au LLM, puis restaure l'original après réponse. Utile si tu dois communiquer avec des systèmes patrimoniaux.

Cas réel : gain de tokens

Tu envoies 100 tâches à un agent IA :

▸UUID : 100 × 23 tokens = 2300 tokens
▸id-agent (8 mots) : 100 × 14 tokens = 1400 tokens
▸Économie : 900 tokens par lot

Sur 1000 lots par mois = 900K tokens économisés. Au tarif OpenAI (entrée/sortie variable), c'est pas rien.

Et concrètement pour toi ?

Choisis ton profil — la lecture de l'article change selon qui tu es.

🔭 Curieux

Pour toi, id-agent illustre une tendance clé : les petites optimisations qui deviennent massives à l'échelle. Les UUID coûtent invisiblement cher et causent des bugs IA silencieux. C'est un exemple parfait de comment la technologie s'ajuste pour devenir plus humaine ET plus efficace en même temps.

Essayer maintenant

Installer id-agent via npm →

Source