La mise à profit des outils d’intelligence artificielle dans le développement logiciel ne se limite plus à rédiger une seule invite et à attendre la réponse. Les développeurs parlent de plus en plus de boucles d’exécution répétées, d’agents multiples et de systèmes qui entourent le modèle et le guident, autant de concepts que le GitHub Blog tente d’organiser dans un guide publié par Cassidy Williams le 2 septembre 2026, à partir d’une discussion du GitHub Podcast à laquelle ont participé Marlene Mhangami et GPS.
Certains de ces termes décrivent de nouveaux modes opératoires, d’autres donnent des noms modernes à des idées qui existaient déjà, tandis que la signification d’autres expressions est encore en cours de définition. Le guide ne présente donc pas ces mots comme des normes définitives, mais comme un moyen de comprendre le débat en cours au sein des équipes de développement logiciel.
De l’invite unique à l’ingénierie des boucles
L’ingénierie des boucles consiste à concevoir des systèmes répétables autour des agents, plutôt qu’à demander manuellement à un agent d’exécuter une tâche isolée à chaque fois. L’exemple proposé est la création d’un processus planifié qui récupère les nouvelles issues du projet, les transmet à un agent pour qu’il les résume et propose des corrections, vérifie le résultat, puis transfère les cas bloqués vers un autre flux.
En ce sens, la boucle ressemble à un processus cron configuré pour l’intelligence artificielle, mais elle nécessite davantage que la planification. Le guide mentionne des compétences spécifiques, la surveillance du comportement, la vérification des résultats, l’orientation des tâches et des points d’arrêt permettant une intervention ou une révision.
Les boucles Ralph constituent une application plus simple et plus directe de l’idée de boucle : l’agent reçoit une description détaillée d’une tâche, souvent à partir d’exigences ou d’une spécification, et continue à travailler jusqu’à ce qu’il considère la tâche comme terminée. Cette méthode peut aider à diviser le travail en cycles répétés de planification, d’exécution et d’inspection, mais elle peut s’avérer coûteuse et inefficace si chaque cycle consomme davantage de jetons, de contexte et de capacité de calcul.
La différence entre les équipes, les flottes et les harnais d’exécution
Les termes squads et fleets décrivent la manière de répartir le travail entre plusieurs agents. Une équipe est un groupe d’agents aux rôles différents : l’un planifie, un autre examine le plan, un troisième exécute, un quatrième teste et un cinquième vérifie le résultat. Une flotte désigne des agents qui travaillent en parallèle sur des tâches simultanées. Une équipe complète peut être exécutée au sein d’une flotte parallèle, ou ses rôles peuvent être organisés successivement.
L’idée pratique est de privilégier la spécialisation et le parallélisme plutôt que de confier toutes les tâches à un seul agent. Toutefois, la présence de plusieurs agents ne garantit pas automatiquement une meilleure qualité ; l’article lui-même relie les bénéfices à la capacité de l’équipe à répartir et contrôler les rôles, ainsi qu’à vérifier les résultats.
Le harnais d’exécution ou harness désigne tout ce qui entoure le modèle et le rend utilisable dans le flux de travail : les outils, les autorisations, la mémoire, le contexte et la coordination entre les tâches. Le guide présente GitHub Copilot comme un exemple de système reliant les modèles aux bases de code, aux éditeurs, aux demandes de tirage et au terminal. L’ingénierie du harnais d’exécution consiste à concevoir et à améliorer ce système qui entoure le modèle.
L’amélioration par le retour d’information
Le terme hill climbing décrit l’amélioration progressive des agents et des harnais d’exécution grâce au retour d’information. L’équipe peut commencer par mesurer les performances de l’agent au moyen de tests d’évaluation, puis modifier les outils, le contexte ou le mécanisme d’orientation lorsque les résultats ne sont pas suffisamment précis.
Dans la revue des demandes de tirage, par exemple, la mesure ne porte pas uniquement sur la capacité de l’agent à produire un commentaire, mais aussi sur sa capacité à détecter des erreurs pertinentes et à fournir des recommandations utiles. L’enseignement pratique est que l’intégration d’un agent dans le flux de travail n’est pas une finalité ; elle inaugure au contraire un cycle continu de mesure et d’ajustement.
Termes relatifs aux rôles et aux modèles
L’ingénieur déployé sur le terrain désigne un rôle qui existait avant la vague de l’intelligence artificielle, comme celui d’ingénieur logiciel en contact direct avec les clients, d’ingénieur commercial ou d’ingénieur solutions. Dans le contexte de l’intelligence artificielle, ce rôle aide les équipes à adapter les outils, les flux de travail et les agents, ainsi qu’à les intégrer à leurs systèmes existants.
Les modèles fermés sont accessibles via une interface de programmation d’applications ou un produit hébergé, sans que les poids, les données d’entraînement ou la méthode d’entraînement soient mis à la disposition de l’utilisateur. Les modèles à poids ouverts permettent de télécharger les poids et de les exécuter localement ou sur l’infrastructure de l’utilisateur, mais cela ne signifie pas nécessairement que les données et la méthode d’entraînement sont disponibles. Dans les modèles open source, le niveau d’accès va plus loin et inclut le modèle, le code, les données et le processus d’entraînement pour inspection, réutilisation et modification.
Pourquoi ce guide est-il important ?
Le changement réel ne réside pas seulement dans l’apparition d’un nouveau vocabulaire, mais dans le passage de la question « Que peut générer le modèle ? » à la question « Comment construire autour de lui un système répétable et mesurable ? ». Cela concerne les équipes de développement qui envisagent d’utiliser des agents dans leurs processus, car le choix du terme ne dispense pas de définir les autorisations, les mécanismes de vérification, les points d’intervention humaine et le coût de la répétition.
La source reconnaît toutefois que les termes ne sont pas stabilisés ; certains pourront s’imposer, tandis que d’autres disparaîtront ou seront remplacés par des expressions plus précises. Les questions les plus importantes restent donc pratiques : le flux de travail peut-il être reproduit de manière fiable ? Comment les résultats sont-ils examinés ? Quand l’être humain intervient-il ? Et quel niveau de dépendance au modèle est acceptable ? Selon l’article, ces questions sont plus importantes que le fait de suivre chaque terme à la mode.