Agentic Coding
Le développement logiciel agentique est une approche où un agent d’IA lit une base de code, modifie des fichiers, exécute des tests, corrige les échecs et soumet une modification pour révision.
Le codage agentique est une méthode de développement logiciel dans laquelle un agent d’IA spécialisé en programmation réalise une tâche de bout en bout : il lit le code concerné, planifie une modification, modifie des fichiers, exécute des commandes et des tests, corrige les échecs et remet un commit ou une pull request pour révision. Le développeur décrit la tâche et évalue le résultat au lieu de saisir chaque ligne. Parmi les agents de codage largement utilisés figurent Claude Code d’Anthropic, Codex d’OpenAI, l’agent de codage de GitHub Copilot, le mode agent de Cursor et des agents open source tels qu’OpenHands. La plupart s’appuient sur des modèles de raisonnement entraînés à exécuter de longues chaînes d’appels d’outils.
Fonctionnement des agents de codage#
Un agent de codage est un agent d’IA qui utilise les outils d’un développeur : recherche et lecture de fichiers, modification de fichiers, shell pour les compilations et les tests, gestion de versions et parfois navigateur. Son harnais d’agent exécute une boucle dans laquelle un grand modèle de langage (LLM) lit la tâche, inspecte les fichiers, propose une modification ou une commande, lit le résultat et choisit l’étape suivante. La conception de ces outils compte à elle seule : le SWE-agent de Princeton a résolu 12,5 % des problèmes SWE-bench en 2024, bien davantage que les méthodes non interactives antérieures. Cette amélioration tient principalement à des commandes compactes, conçues pour afficher, rechercher et modifier du code, une approche que ses auteurs ont appelée interface agent-ordinateur.
Les dépôts orientent les agents à l’aide de fichiers d’instructions tels que AGENTS.md, un format ouvert contenant des commandes de compilation et de test, ainsi que des conventions de programmation, dont la gestion est désormais assurée par l’Agentic AI Foundation. Ils utilisent aussi des compétences d’agent, qui chargent à la demande des procédures propres à une tâche, et des serveurs Model Context Protocol (MCP), qui connectent les outils de suivi des problèmes, les bases de données et la documentation. Les agents fonctionnent de manière interactive dans un terminal ou un IDE, ou dans des environnements de test isolés dans le cloud, où plusieurs tâches s’exécutent en parallèle et se terminent chacune par une pull request. Un agent principal peut également déléguer des recherches, des tests ou des révisions à des sous-agents dotés de leurs propres fenêtres de contexte : c’est une forme d’orchestration d’agents d’IA. Comme un dépôt, une dépendance ou une page Web peut contenir une injection de prompt, les agents de codage exécutent les commandes dans un bac à sable pour agents et demandent une confirmation avant de pousser du code, de supprimer des fichiers ou de contacter de nouveaux hôtes.
Codage agentique et pratiques connexes#
- Complétion de code : suggère les lignes suivantes pendant que le développeur tape, comme le faisait GitHub Copilot à son lancement en 2021. Le développeur écrit et exécute toujours le programme, en acceptant ou en rejetant chaque suggestion.
- Assistants conversationnels : un agent conversationnel répond aux questions de programmation avec des extraits que le développeur copie, exécute et débogue manuellement.
- Codage au feeling : expression employée par Andrej Karpathy en février 2025 pour désigner la création de logiciels en formulant des prompts et en acceptant du code écrit par l’IA sans le lire. Elle décrit la façon dont une personne traite le résultat. Dans les équipes professionnelles, le codage agentique inclut généralement la révision de code, les tests et l’intégration continue.
Codage agentique en vision par ordinateur#
Le travail d’opérations de machine learning (MLOps) convient aux agents de codage, car chaque étape aboutit à un résultat vérifiable : un jeu de données est converti et validé, un entraînement démarre et consigne ses métriques, un modèle exporté se charge et renvoie les mêmes prédictions. Un agent chargé d’affiner un détecteur peut rédiger le YAML du jeu de données, lancer l’entraînement, lire les métriques de validation et proposer l’expérience suivante. Les compétences d’agent Ultralytics fournissent ce workflow à Claude Code, Codex, Cursor, Gemini CLI et aux autres agents compatibles sous la forme d’une compétence routeur yolo, accompagnée de compétences pour la sélection de modèles, les jeux de données, l’entraînement, le réglage, l’inférence et l’exportation. Une compétence platform-cli pilote également l’entraînement dans le cloud et les déploiements sur Ultralytics Platform au moyen de la ligne de commande ul cloud. Une demande telle que « exporte mon modèle YOLO entraîné vers TensorRT avec une quantification INT8 et évalue ses performances » suit alors les procédures d’exportation et d’évaluation des performances documentées par les compétences. Celles-ci indiquent à l’agent de privilégier les sorties yolo checks et yolo cfg du package installé lorsque les deux divergent.
Évaluer les agents de codage#
SWE-bench, lancé en octobre 2023, est le benchmark de référence pour le codage agentique : il comprend 2 294 problèmes GitHub réels issus de 12 dépôts Python populaires, et chaque tâche est évaluée selon la réussite des tests du projet après application du correctif de l’agent. À sa publication, le meilleur modèle, Claude 2, en résolvait 1,96 %. SWE-bench Verified d’OpenAI, un sous-ensemble de 500 tâches dont des ingénieurs ont confirmé qu’elles étaient résolubles, est devenu la version la plus citée. À la fin de 2025, les meilleurs agents en résolvaient environ 80 %. Des suites plus difficiles comme Terminal-Bench testent le travail en ligne de commande, et les équipes ajoutent leur propre évaluation d’agents sur des dépôts internes. La productivité réelle est mesurée séparément : dans l’étude randomisée de développeurs expérimentés de logiciels libres menée par METR, 16 développeurs travaillant sur 246 tâches dans des projets matures qu’ils connaissaient bien, au début de 2025, ont mis 19 % plus de temps lorsque les outils d’IA étaient autorisés, principalement Cursor avec Claude 3.5 et 3.7 Sonnet, tout en estimant après coup que ces outils les avaient rendus 20 % plus rapides.










