PyCharm a ajouté la compétence Agent Environment Coordinator afin d’aider les agents d’intelligence artificielle à utiliser l’interpréteur Python et l’environnement d’exécution appropriés associés au projet, plutôt que de recourir automatiquement à l’interpréteur système ou d’installer les paquets au mauvais endroit. JetBrains affirme que ce problème entraînait des configurations défectueuses et des environnements pollués nécessitant une correction manuelle de la part du développeur.
JetBrains a testé six modèles d’intelligence artificielle sur 28 tâches de programmation différentes. Le taux de réussite moyen a atteint 68 % lorsque les agents ne pouvaient pas accéder à l’environnement réel du projet. Après leur avoir fourni ces informations au moyen de la compétence dans PyCharm, la moyenne est passée à 98 %, sans modifier le Python du système.
Le problème traité par la compétence
Les agents de grands modèles de langage ignorent souvent l’environnement virtuel dédié au projet et utilisent l’interpréteur système à sa place. Un même appareil peut contenir plusieurs interpréteurs, tandis que les projets utilisent différents outils pour gérer leurs environnements, tels que uv, Poetry, pip avec venv ou conda. L’agent ne dispose généralement pas d’un moyen direct de voir ces paramètres présents dans PyCharm.
Dans un scénario typique, l’agent peut exécuter la commande pip install httpx avec un interpréteur incorrect. Le paquet est alors installé globalement, le programme échoue et l’environnement utilisé sur le système est pollué. PyCharm connaît déjà l’interpréteur associé au projet ainsi que l’outil qui gère l’environnement. JetBrains a donc conçu un moyen permettant à l’agent de demander ces informations.
Fonctionnement d’Agent Environment Coordinator
La compétence permet à l’agent d’appeler deux fonctions de PyCharm. get_python_environment renvoie l’interpréteur correct pour le fichier ou le module en cours de travail, ainsi que son chemin et l’outil chargé de le gérer, qu’il s’agisse de uv, Poetry, pip avec venv ou conda.
Si aucun environnement n’est encore configuré, configure_python_interpreter utilise le mécanisme de configuration intégré à PyCharm pour créer un interpréteur approprié, notamment le même mécanisme qui propose de créer un dossier .venv. Le nouvel interpréteur devient ainsi également visible dans l’environnement de développement intégré.
JetBrains souligne que la compétence ne bloque pas les commandes et ne les réécrit pas. Elle renvoie uniquement les informations relatives à l’environnement, puis l’agent décide lui-même s’il les utilisera et comment les intégrer à la commande. L’agent obtient ainsi le contexte manquant grâce aux mécanismes existants de PyCharm, sans que la compétence exécute les commandes à sa place.
Résultats du test
L’ensemble de test comprenait des tâches quotidiennes liées aux environnements Python, telles que l’exécution de tests, l’installation d’une bibliothèque, l’affichage des dépendances et la résolution d’un conflit de versions. Chaque tâche exigeait de l’agent qu’il choisisse l’interpréteur correct pour exécuter une commande. La récompense était également réduite lorsque l’agent polluait l’environnement système. Le taux de réussite élevé ne reflète donc pas seulement l’accomplissement de la tâche, mais indique aussi une exécution plus propre.
JetBrains a exécuté l’ensemble des tâches trois fois pour chaque modèle, avec et sans la compétence, en utilisant Harbor, puis a calculé la moyenne des résultats. Les améliorations annoncées concernaient les modèles suivants :
- Sonnet 5 : de 73 % à 100 %.
- Opus 5 : de 94 % à 100 %.
- Codex/GPT-5.6 : de 80 % à 100 %.
JetBrains estime que les résultats indiquent que le problème principal était le manque de contexte, et non l’incapacité des modèles à accomplir les tâches. Les modèles n’ont pas changé, mais ils ont cessé de deviner l’interpréteur requis, ce qui explique pourquoi le modèle ayant obtenu le plus faible résultat initial en a le plus bénéficié. Le fait que le test pénalise la pollution de l’environnement système signifie également que l’augmentation des scores est liée à la réduction des résidus produits par l’exécution, et pas seulement à l’augmentation du nombre de tâches réussies.
Disponibilité
La compétence peut être testée dans PyCharm 2026.2.1 en ouvrant une conversation avec l’intelligence artificielle et en demandant l’installation d’un paquet ou l’exécution d’une commande dans le projet. Agent Environment Coordinator fait partie des compétences intégrées à PyCharm. Les compétences peuvent être consultées et gérées depuis l’environnement de développement, avec la possibilité d’étendre la bibliothèque au moyen de registres externes tels que les dépôts GitHub publics, ou d’importer des compétences préparées pour Claude Code ou Codex.