![\"Strat\u00e9gies](\"https:\/\/www.loadview-testing.com\/wp-content\/uploads\/ai-agent-load-testing-1024x682.webp\")
<\/p>\n<\/p>\n
Les agents IA changent la signification de \u00ab charge \u00bb. Les tests de charge traditionnels ont \u00e9t\u00e9 con\u00e7us pour les pages web, les API et les transactions \u2014 des syst\u00e8mes qui se comportent de mani\u00e8re pr\u00e9visible sous stress. Les charges de travail pilot\u00e9es par l\u2019IA ne le sont pas. Leurs entr\u00e9es varient en longueur, complexit\u00e9 et contexte. Leur traitement est probabiliste, non d\u00e9terministe. Leur performance d\u00e9pend autant de la planification GPU et de la g\u00e9n\u00e9ration de tokens que de la latence r\u00e9seau ou du d\u00e9bit du backend.<\/p>\n
Ce changement remet en question les hypoth\u00e8ses sur lesquelles la plupart des tests de charge sont construits. Vous ne pouvez pas traiter un agent IA comme un autre point de terminaison API. Chaque requ\u00eate est une conversation, pas un clic. Chaque r\u00e9ponse d\u00e9pend de la pr\u00e9c\u00e9dente. Et chaque session s\u2019alourdit avec l\u2019accumulation du contexte.<\/p>\n
Pour maintenir ces syst\u00e8mes fiables, les ing\u00e9nieurs en performance ont besoin d\u2019un nouveau manuel \u2014 un qui comprend comment simuler un raisonnement concurrent, pas seulement un trafic concurrent. Cet article d\u00e9crit des strat\u00e9gies modernes, propuls\u00e9es par l\u2019IA, pour tester des agents \u00e0 grande \u00e9chelle et les garder performants \u00e0 mesure que la complexit\u00e9 augmente.<\/p>\n
Les charges de travail IA ne se comportent pas comme le trafic web ou mobile. Chaque \u00ab utilisateur \u00bb dans un syst\u00e8me pilot\u00e9 par IA peut repr\u00e9senter une s\u00e9rie d\u2019op\u00e9rations en cha\u00eene : une expansion de prompt, la r\u00e9cup\u00e9ration de contexte pertinent, l\u2019inf\u00e9rence du mod\u00e8le, et le post-traitement ou l\u2019ex\u00e9cution d\u2019outils. La charge n\u2019est pas fixe \u2014 elle \u00e9volue \u00e0 chaque tour de l\u2019interaction.<\/p>\n
\u00c0 mesure que ces couches s\u2019empilent, la d\u00e9gradation des performances devient non lin\u00e9aire. Un doublement du nombre d\u2019utilisateurs concurrents ne signifie pas un doublement de la latence \u2014 cela peut signifier un facteur 5, selon la charge du mod\u00e8le, la m\u00e9moire et l\u2019allocation GPU. Les m\u00e9triques traditionnelles du test de charge comme les requ\u00eates par seconde ou le temps moyen de r\u00e9ponse ne captent pas ces dynamiques sous-jacentes. Ce qui importe ici est l\u2019\u00e9lasticit\u00e9 de la latence<\/em> \u2014 comment la performance fl\u00e9chit \u00e0 mesure que les sessions se multiplient.<\/p>\n Plusieurs facteurs de stress r\u00e9currents existent dans les syst\u00e8mes d\u2019agents IA :<\/p>\n Chaque requ\u00eate utilisateur transporte un contexte historique \u2014 parfois des milliers de tokens de conversation ant\u00e9rieure ou de donn\u00e9es de documents. \u00c0 mesure que la longueur du contexte augmente, la taille du prompt gonfle et le temps d\u2019inf\u00e9rence du mod\u00e8le s\u2019allonge. \u00c0 grande \u00e9chelle, cela cr\u00e9e des pics de latence impr\u00e9visibles et une pression dans les files d\u2019attente des GPU.<\/p>\n Contrairement aux serveurs web, l\u2019inf\u00e9rence sur de grands mod\u00e8les ne peut pas toujours s\u2019\u00e9tendre horizontalement. Les poids du mod\u00e8le et les fen\u00eatres de contexte consomment une m\u00e9moire GPU fixe ; d\u00e9passer cette capacit\u00e9 signifie mettre les requ\u00eates en file d\u2019attente ou revenir \u00e0 des mod\u00e8les plus petits. Cela rend les limites de concurrence beaucoup plus strictes que dans les syst\u00e8mes bas\u00e9s sur CPU.<\/p>\n Beaucoup d\u2019agents extraient des donn\u00e9es externes \u2014 via des bases de donn\u00e9es vectorielles, des APIs ou des magasins de documents \u2014 avant de g\u00e9n\u00e9rer une r\u00e9ponse. Ces d\u00e9pendances ajoutent de la latence entr\u00e9e-sortie et deviennent le premier goulet d\u2019\u00e9tranglement sous un trafic en rafale.<\/p>\n Les tests de charge traditionnels rejouent des requ\u00eates sans \u00e9tat. Les sessions IA ont un \u00e9tat. Chacune porte m\u00e9moire, embeddings et contexte mis en cache. Plus la conversation dure, plus l\u2019empreinte de la session est lourde.<\/p>\n Ces facteurs se combinent en un nouveau profil de stress. Le syst\u00e8me peut para\u00eetre sain \u00e0 100 utilisateurs simultan\u00e9s mais flancher \u00e0 120, non pas \u00e0 cause d\u2019une saturation de bande passante mais \u00e0 cause de la saturation de la file d\u2019attente GPU ou du d\u00e9bordement du cache de contexte. Tester la charge des syst\u00e8mes IA signifie r\u00e9v\u00e9ler o\u00f9 commencent ces points d\u2019inflexion non lin\u00e9aires.<\/p>\n Avant de concevoir des tests, il est utile de mod\u00e9liser comment un agent IA se comporte r\u00e9ellement en interne. La plupart des agents en production suivent un pipeline similaire :<\/p>\n Chaque \u00e9tape ajoute de la variabilit\u00e9. Le temps d\u2019inf\u00e9rence \u00e9volue grossi\u00e8rement avec le nombre de tokens en entr\u00e9e et en sortie. La latence de r\u00e9cup\u00e9ration d\u00e9pend de la proximit\u00e9 de la base de donn\u00e9es et des taux de cache. Le co\u00fbt d\u2019assemblage du contexte augmente \u00e0 chaque tour de conversation.<\/p>\n Pour comprendre le comportement des performances, il faut observer comment ces dimensions interagissent. Par exemple, doubler la longueur du prompt peut augmenter la latence moyenne d\u2019inf\u00e9rence de 60%, mais une concurrence au-del\u00e0 d\u2019un certain seuil peut la faire tripler. Ces courbes importent plus que n\u2019importe quelle m\u00e9trique isol\u00e9e.<\/p>\n Le test de charge des syst\u00e8mes IA est en partie statistique. Vous ne mesurez pas seulement le d\u00e9bit \u2014 vous construisez des distributions de r\u00e9ponses. Les extr\u00e9mit\u00e9s de ces distributions \u2014 les latences au 95e et 99e percentile \u2014 vous indiquent quand le mod\u00e8le ou l\u2019infrastructure commence \u00e0 saturer. C\u2019est l\u00e0 que se produisent la plupart des ralentissements visibles par l\u2019utilisateur.<\/p>\n En pratique, cartographier le comportement de charge signifie ex\u00e9cuter des tests progressifs. Commencez avec quelques sessions simultan\u00e9es, capturez la latence de base, puis montez en charge progressivement. Observez comment le d\u00e9bit de tokens, les temps d\u2019attente et l\u2019utilisation GPU r\u00e9agissent. Chaque agent a sa propre signature d\u2019\u00e9chelle, et la trouver est la premi\u00e8re \u00e9tape vers des op\u00e9rations fiables.<\/p>\n Les m\u00e9triques traditionnelles \u2014 RPS, TTFB, taux d\u2019erreur \u2014 restent valides, mais elles ne racontent pas toute l\u2019histoire. Le test de charge des agents IA introduit de nouvelles m\u00e9triques qui refl\u00e8tent comment l\u2019intelligence, pas seulement l\u2019infrastructure, s\u2019\u00e9chelle.<\/p>\n Latence d\u2019inf\u00e9rence<\/strong> mesure le temps total de la soumission du prompt \u00e0 la r\u00e9ponse compl\u00e8te du mod\u00e8le. C\u2019est le signal de performance le plus direct mais doit \u00eatre suivi conjointement avec la taille de l\u2019entr\u00e9e et le type de mod\u00e8le. Comparer de simples moyennes sans normalisation de la taille du contexte peut induire en erreur.<\/p>\n Mise \u00e0 l\u2019\u00e9chelle du contexte<\/strong> quantifie comment la latence cro\u00eet \u00e0 mesure que la fen\u00eatre de prompt s\u2019\u00e9largit. Les ing\u00e9nieurs peuvent tracer le temps de r\u00e9ponse en fonction du nombre de tokens pour visualiser la courbe de co\u00fbt. Un syst\u00e8me bien optimis\u00e9 montre une mise \u00e0 l\u2019\u00e9chelle lin\u00e9aire ou sous-lin\u00e9aire, tandis que les syst\u00e8mes mal optimis\u00e9s pr\u00e9sentent des pics exponentiels apr\u00e8s certains seuils de contexte.<\/p>\n D\u00e9bit de tokens<\/strong> \u2014 tokens trait\u00e9s par seconde sur les sessions simultan\u00e9es \u2014 refl\u00e8te \u00e0 la fois la performance et l\u2019efficacit\u00e9 des co\u00fbts. Comme la plupart des APIs facturent au token, une baisse de d\u00e9bit se traduit directement par une inefficacit\u00e9 \u00e9conomique.<\/p>\n Latence des d\u00e9pendances<\/strong> capture les d\u00e9lais des syst\u00e8mes auxiliaires : index de recherche vectorielle, bases de connaissances, ou APIs de plugins. Ceux-ci peuvent dominer le temps de r\u00e9ponse total m\u00eame lorsque l\u2019inf\u00e9rence est rapide.<\/p>\n Stabilit\u00e9 de la concurrence<\/strong> mesure le comportement du syst\u00e8me sous charge simultan\u00e9e. La latence cro\u00eet-elle de fa\u00e7on pr\u00e9visible ? Les taux d\u2019erreur restent-ils limit\u00e9s ? Ou les temps de r\u00e9ponse oscillent-ils fortement \u00e0 mesure que les files d\u2019attente se forment ?<\/p>\n En combinant ces m\u00e9triques, les \u00e9quipes peuvent construire une image holistique de la performance. Le but n\u2019est pas seulement de mesurer la vitesse \u2014 c\u2019est de comprendre o\u00f9 et pourquoi<\/em> la d\u00e9gradation commence.<\/p>\n Avec les m\u00e9triques d\u00e9finies, la strat\u00e9gie de test devient une question de fid\u00e9lit\u00e9 de simulation. Les agents IA ne servent pas des requ\u00eates identiques, donc enregistrer une seule transaction et la rejouer \u00e0 charge est inutile. Chaque utilisateur synth\u00e9tique doit repr\u00e9senter une vari\u00e9t\u00e9 \u2014 prompts diff\u00e9rents, longueurs vari\u00e9es, comportements divers. L\u2019objectif n\u2019est pas l\u2019uniformit\u00e9 mais le r\u00e9alisme.<\/p>\n Les vrais utilisateurs ne se contentent pas d\u2019appeler \/generate isol\u00e9ment. Ils s\u2019authentifient, soumettent du contexte, invoquent la r\u00e9cup\u00e9ration, puis g\u00e9n\u00e8rent la sortie. Un test de charge cr\u00e9dible imite cette s\u00e9quence. Sauter une couche rend vos donn\u00e9es sans sens.<\/p>\n Les syst\u00e8mes IA ralentissent quand la longueur d\u2019entr\u00e9e ou la complexit\u00e9 s\u00e9mantique augmente. Utilisez des mod\u00e8les de prompt variables qui ajustent les comptes de tokens, les structures de phrases ou la profondeur du contexte int\u00e9gr\u00e9. Cela r\u00e9v\u00e8le comment l\u2019\u00e9chelle affecte la distribution des temps de r\u00e9ponse.<\/p>\n Les backends IA mettent souvent les requ\u00eates en file \u00e0 l\u2019\u00e9tape d\u2019inf\u00e9rence. Plut\u00f4t que de monter brutalement \u00e0 1000 utilisateurs, montez progressivement en paliers d\u00e9finis \u2014 par exemple, 10 \u2192 50 \u2192 100 \u2192 200 \u2014 en tenant chaque palier plusieurs minutes. La courbe r\u00e9sultante r\u00e9v\u00e8le o\u00f9 la saturation GPU ou des threads commence.<\/p>\n Contrairement aux serveurs web, les APIs d\u2019inf\u00e9rence facturent par token. Pendant les tests de charge, calculez le co\u00fbt par requ\u00eate \u00e0 chaque niveau de concurrence. L\u2019optimisation des performances doit inclure l\u2019efficacit\u00e9 \u00e9conomique \u2014 des mod\u00e8les rapides mais co\u00fbteux peuvent \u00e9chouer financi\u00e8rement \u00e0 grande \u00e9chelle m\u00eame s\u2019ils passent techniquement.<\/p>\n Les points d\u2019acc\u00e8s IA limitent souvent le d\u00e9bit ou d\u00e9gradent les performances sous forte utilisation. Simulez la logique de retries client pour observer les effets de charge compos\u00e9s. Un backoff exponentiel na\u00eff peut doubler le trafic effectif quand les \u00e9checs augmentent.<\/p>\n Ces strat\u00e9gies remplacent l’ancien mod\u00e8le \u00ab enregistrer et rejouer \u00bb par une approche de simulation comportementale. Au lieu de tester des transactions, vous testez la cognition \u2014 comment le syst\u00e8me pense et s\u2019\u00e9chelonne simultan\u00e9ment.<\/p>\n Ironiquement, l\u2019IA peut aider \u00e0 r\u00e9soudre le probl\u00e8me qu\u2019elle cr\u00e9e. Les plateformes modernes de test commencent \u00e0 int\u00e9grer directement des mod\u00e8les d\u2019apprentissage machine dans leurs boucles d\u2019analyse, produisant ce que l\u2019on appelle souvent test de charge propuls\u00e9 par l\u2019IA<\/strong>.<\/p>\n Ici, l\u2019IA joue trois r\u00f4les :<\/p>\n Plut\u00f4t que de cr\u00e9er manuellement des centaines d\u2019entr\u00e9es de test, un mod\u00e8le g\u00e9n\u00e9ratif peut produire des variations de prompt simulant la diversit\u00e9 r\u00e9elle des utilisateurs. Il peut ajuster le ton, la structure et le contexte automatiquement, exposant le syst\u00e8me \u00e0 un plus large \u00e9ventail de sch\u00e9mas de stress.<\/p>\n Les mod\u00e8les IA peuvent d\u00e9tecter les d\u00e9rives statistiques dans les donn\u00e9es de performance plus rapidement que des seuils statiques. Plut\u00f4t que d\u2019alerter quand la latence d\u00e9passe une limite fixe, les mod\u00e8les d\u2019anomalie apprennent la variance normale et font remonter des exceptions indiquant une d\u00e9gradation r\u00e9elle.<\/p>\n En analysant les donn\u00e9es historiques de charge, l\u2019IA peut pr\u00e9voir quand un syst\u00e8me atteindra son prochain seuil critique de performance. Les mod\u00e8les de r\u00e9gression ou les pr\u00e9dicteurs de s\u00e9ries temporelles identifient les sch\u00e9mas de mise \u00e0 l\u2019\u00e9chelle non lin\u00e9aires avant qu\u2019ils ne cassent la production.<\/p>\n L\u2019avantage n\u2019est pas une automatisation magique, c\u2019est une acc\u00e9l\u00e9ration. Les ing\u00e9nieurs passent moins de temps \u00e0 la maintenance r\u00e9p\u00e9titive et plus \u00e0 interpr\u00e9ter pourquoi les performances changent. Le test de charge propuls\u00e9 par l\u2019IA transforme le script manuel en exp\u00e9rimentation adaptative.<\/p>\n Les agents IA peuvent \u00eatre \u00e0 la pointe, mais ils communiquent encore via des protocoles familiers \u2014 HTTP, WebSocket ou REST APIs. Cela signifie que vous pouvez les tester avec la m\u00eame infrastructure que LoadView fournit d\u00e9j\u00e0.<\/p>\n Le test bas\u00e9 API<\/strong> est la base. Chaque requ\u00eate agent, quelle que soit sa complexit\u00e9, se r\u00e9sout finalement \u00e0 un appel API \u2014 souvent du JSON sur HTTPS. Les tests API de LoadView permettent aux \u00e9quipes de simuler des milliers de requ\u00eates d\u2019inf\u00e9rence simultan\u00e9es, chacune param\u00e9tr\u00e9e avec des charges dynamiques. Vous pouvez varier la taille du prompt, injecter du contexte et mesurer la latence du d\u00e9but \u00e0 la fin.<\/p>\n Le scripting UserView<\/strong> \u00e9tend cette simulation \u00e0 l\u2019interface utilisateur. Beaucoup d\u2019agents IA vivent dans des tableaux de bord, des portails de chat ou des int\u00e9grations SaaS. Avec LoadView, vous pouvez enregistrer des flux complets \u2014 connexion, saisie de prompt, rendu de la r\u00e9ponse \u2014 et les rejouer depuis des emplacements cloud distribu\u00e9s. Cette approche valide \u00e0 la fois le backend et le frontend sous de vraies conditions de navigateur.<\/p>\n L\u2019orchestration scalable<\/strong> relie tout cela. Le r\u00e9seau cloud de LoadView r\u00e9partit les tests sur diff\u00e9rentes g\u00e9ographies, permettant aux \u00e9quipes de voir comment le trafic global affecte des points d\u2019acc\u00e8s IA qui d\u00e9pendent de clusters GPU centralis\u00e9s. En corr\u00e9lant les temps de r\u00e9ponse avec la distance g\u00e9ographique, vous pouvez distinguer la latence r\u00e9seau de la latence du mod\u00e8le.<\/p>\n Les analyses et rapports<\/strong> compl\u00e8tent la boucle de r\u00e9troaction. LoadView suit toutes les m\u00e9triques classiques de performance mais peut aussi \u00eatre personnalis\u00e9 pour capturer certains types de donn\u00e9es. Cette combinaison transforme le test synth\u00e9tique en une couche d\u2019observabilit\u00e9 pour la performance IA.<\/p>\n En d\u2019autres termes, vous n\u2019avez pas besoin d\u2019une nouvelle plateforme de test pour les syst\u00e8mes IA \u2014 vous avez besoin d\u2019un design de test plus intelligent dans une plateforme existante. LoadView poss\u00e8de d\u00e9j\u00e0 les primitives, et cette nouvelle classe de charges de travail exige simplement une philosophie de test diff\u00e9rente.<\/p>\n Les syst\u00e8mes IA ne sont pas des services statiques \u2014 ils sont adaptatifs, stochastiques et continuellement r\u00e9entra\u00een\u00e9s. Cela signifie que leurs caract\u00e9ristiques de performance \u00e9voluent m\u00eame lorsque l\u2019infrastructure reste la m\u00eame. Une mise \u00e0 jour de mod\u00e8le qui am\u00e9liore la pr\u00e9cision peut doubler le temps d\u2019inf\u00e9rence. Un changement de prompt qui am\u00e9liore la coh\u00e9rence peut exploser la taille du contexte. Le test de charge doit \u00e9voluer pour tenir compte de ces cibles mouvantes.<\/p>\n Les futurs tests de performance m\u00ealeront simulation, analyses et boucles de r\u00e9troaction auto-apprenantes. Les tests s\u2019adapteront en temps r\u00e9el, \u00e9largissant ou resserrant la charge selon la stabilit\u00e9 observ\u00e9e du mod\u00e8le. Au lieu de \u00ab lancer un test, lire un rapport \u00bb, les ing\u00e9nieurs maintiendront des bases de r\u00e9f\u00e9rence de performance continues qui se mettent \u00e0 jour avec la d\u00e9rive des mod\u00e8les.<\/p>\n L\u2019attention se d\u00e9placera au-del\u00e0 du d\u00e9bit. La question cl\u00e9 ne sera plus \u00ab Peut-il g\u00e9rer 1000 utilisateurs ? \u00bb mais \u00ab Peut-il penser de fa\u00e7on coh\u00e9rente sous pression ? \u00bb Mesurer la stabilit\u00e9 cognitive<\/em> \u2014 comment la qualit\u00e9 du raisonnement d\u00e9cro\u00eet quand la demande explose \u2014 deviendra une m\u00e9trique standard.<\/p>\n Pour les organisations d\u00e9ployant copilotes IA, assistants de chat et agents d\u00e9cisionnels automatis\u00e9s, cette \u00e9volution est d\u00e9j\u00e0 en marche. Les syst\u00e8mes sont nouveaux, mais le principe reste intemporel : on ne peut pas am\u00e9liorer ce que l\u2019on ne mesure pas. Le test de charge a toujours \u00e9t\u00e9 la discipline d\u2019exposition des limites cach\u00e9es. L\u2019IA ajoute juste un nouveau type de limite \u2014 la fronti\u00e8re entre performance et intelligence.<\/p>\n Les agents IA introduisent une nouvelle dimension dans les tests de performance. Ils combinent calcul intensif, contexte dynamique et mise \u00e0 l\u2019\u00e9chelle impr\u00e9visible. Les scripts de test de charge traditionnels ne suivent pas le rythme, mais les approches propuls\u00e9es par l\u2019IA le peuvent. En se concentrant sur la latence d\u2019inf\u00e9rence, la mise \u00e0 l\u2019\u00e9chelle du contexte et la stabilit\u00e9 de la concurrence \u2014 et en utilisant des outils comme LoadView pour simuler les workflows complets de raisonnement \u2014 les \u00e9quipes peuvent pr\u00e9server la fiabilit\u00e9 m\u00eame \u00e0 mesure que l\u2019intelligence devient le c\u0153ur de leurs syst\u00e8mes.<\/p>\n La prochaine \u00e8re du test de charge ne mesurera pas seulement la rapidit\u00e9 des r\u00e9ponses. Elle mesurera la capacit\u00e9 \u00e0 penser efficacement quand tout le monde demande en m\u00eame temps.<\/p>\n[\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]\n","protected":false},"excerpt":{"rendered":" Les agents IA changent la signification de \u00ab charge \u00bb. Les tests de charge traditionnels ont \u00e9t\u00e9 con\u00e7us pour les pages web, les API et les transactions \u2014 des syst\u00e8mes qui se comportent de mani\u00e8re pr\u00e9visible sous stress. Les charges de travail pilot\u00e9es par l\u2019IA ne le sont pas. Leurs entr\u00e9es varient en longueur, complexit\u00e9 […]<\/p>\n","protected":false},"author":22,"featured_media":94016,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[14],"tags":[],"class_list":["post-94026","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-case-studies"],"yoast_head":"\nAccumulation de contexte<\/h3>\n
Passage \u00e0 l\u2019\u00e9chelle limit\u00e9 par le calcul<\/h3>\n
Latence de r\u00e9cup\u00e9ration<\/h3>\n
Persistance de la session<\/h3>\n
Comprendre le comportement des charges de travail des agents IA<\/h2>\n
\n
M\u00e9triques cl\u00e9s \u00e0 mesurer dans les tests de charge des agents IA<\/h2>\n
Concevoir des tests de charge efficaces pour les syst\u00e8mes IA<\/h2>\n
1. Mod\u00e9liser le pipeline complet du raisonnement, pas seulement le point d\u2019acc\u00e8s<\/h3>\n
2. Param\u00e9trer les prompts pour refl\u00e9ter la vraie diversit\u00e9<\/h3>\n
3. Monter la concurrence progressivement<\/h3>\n
4. Suivre les co\u00fbts en parall\u00e8le des performances<\/h3>\n
5. Inclure le comportement de retry et de timeout<\/h3>\n
Tests de charge propuls\u00e9s par l\u2019IA : laissez les mod\u00e8les aider<\/h2>\n
G\u00e9n\u00e9ration de prompt<\/h3>\n
D\u00e9tection d\u2019anomalies<\/h3>\n
Analyse pr\u00e9dictive de saturation<\/h3>\n
Impl\u00e9mentation des tests d\u2019agents IA dans LoadView<\/h2>\n
L\u2019avenir du test de charge IA<\/h2>\n
Test de charge pour agents IA \u2013 En r\u00e9sum\u00e9<\/h2>\n