Construire un harness IA pour le développement SaaS : le trio Orca, Pi Agent et GitHub

En juillet 2026, un développeur a publié sur Habr une analyse détaillée de son propre système d'IA pour le développement SaaS, ce qu'on appelle un agent harness. Sa thèse principale : en production, ce n'est pas le modèle de langage le plus puissant qui l'emporte, mais l'infrastructure bien construite qui l'entoure. La sienne combine l'orchestrateur Orca, le léger Pi Agent, GitHub et un pipeline VPS sur mesure.

Pourquoi le harness compte-t-il plus que le choix du modèle ?

Le choix du LLM alimente des débats sans fin : GPT-5 ou Claude Opus 4.6, Gemini ou Codex. L'auteur avance pourtant une thèse radicale : en développement réel, la question « quel modèle choisir » est secondaire. La question première est « comment le modèle s'intègre au flux de travail ».

L'agent harness est la couche située entre le développeur et le modèle de langage. Elle gère le contexte, le routage des tâches, l'exécution isolée du code, la journalisation et les boucles de rétroaction. Sans elle, même le modèle le plus puissant reste un chatbot intelligent, incapable de fonctionner de manière fiable en environnement de production.

Les composants du setup

L'auteur décrit une architecture concrète en cinq éléments :

• Orca — l'orchestrateur central : il reçoit la tâche, la découpe en sous-tâches et les route vers l'agent ou l'outil adéquat
• Pi Agent — un agent d'exécution léger pour les tâches ciblées : modifications de code, refactoring, vérification de la logique
• GitHub — le dépôt, « source unique de vérité » du système et point de synchronisation des agents
• VPS — un environnement d'exécution isolé : les agents lancent le code sur un serveur distant sans risque pour la machine locale
• Pipeline sur mesure — il définit le parcours d'une tâche, de sa formulation jusqu'au merge

Orca et Pi Agent fonctionnent en tandem. L'orchestrateur a une vue d'ensemble et répartit le travail ; Pi Agent exécute une instruction précise et clairement décrite, sans avoir besoin de garder en mémoire tout le contexte du projet.

Dans ce schéma, GitHub joue un double rôle. D'abord, celui de dépôt de code classique. Ensuite, celui de point de synchronisation : les agents écrivent dans des branches et ouvrent des pull requests, et le développeur vérifie les modifications dans une boucle de code review traditionnelle, à ceci près que c'est désormais l'IA qui exécute.

En quoi cette approche diffère d'un usage classique de

ChatGPT

La plupart des développeurs utilisent les LLM sur le mode question-réponse : coller du code dans le chat, récupérer la correction, la recopier. Cela fonctionne pour des tâches isolées, mais s'effondre dès qu'il s'agit de développement à l'échelle d'un système.

Le harness change de paradigme : le modèle devient un maillon d'un flux automatisé où chaque étape est vérifiée, versionnée et journalisée. Une erreur d'agent ne se perd pas : elle est enregistrée dans le système et peut être déboguée. Le VPS isole l'exécution, ce qui permet à plusieurs agents de travailler en parallèle sans conflit sur la machine locale.

«

En conditions réelles, ce n'est pas seulement le modèle le plus fort qui l'emporte, mais le système correctement assemblé autour de lui » — thèse clé de l'auteur.

Ce que cela signifie

L'article acte un basculement important dans la pratique du développement IA : le levier de progression n'est plus la qualité du modèle, mais la maturité de l'infrastructure qui l'entoure. Les développeurs qui investissent dans le harness — orchestration, exécution isolée, versionnement — obtiennent des résultats de production stables. Ceux qui se contentent de passer de ChatGPT à Claude travaillent plus lentement et de façon moins prévisible.