Live 18/11 · Cohorte 318 nov à 19h00 MSK — atelier pratique gratuit sur les agents IA · La Cohorte 3 démarre le 23/11Atelier 18/11 →Cohorte 3 (23/11)
SortieAPI / Produit · Prêt à l'emploiHabr AI→ original

« Куб три » donne à un agent IA la mémoire du projet : revues plus simples, mais un modèle presque un tiers plus cher

Chaque jour, l'agent reprend le travail comme au premier jour : Claude a écrit un endpoint, mais a dupliqué une autorisation déjà existante. Depuis un an et demi, l'équipe de « Куб три » construit AI Council, une mémoire de projet fondée sur un graphe du code, des décisions et des règles. Avec elle, le code passe plus facilement en revue, mais le travail du modèle coûte près d'un tiers de plus. Conclusion : il faut fournir soi-même les connaissances à l'agent.

Traité par IA depuis Habr AI ; édité par Hamidun News
« Куб три » donne à un agent IA la mémoire du projet : revues plus simples, mais un modèle presque un tiers plus cher
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Chiffre clé #1L'agent n'a vérifié lui-même les règles que dans 16% de 12 000 sessions de travail
Chiffre clé #2Avant la première modification du code, les règles n'ont été demandées que dans 13% des sessions comportant des modifications
Chiffre clé #3Chaque entrée de connaissance est rattachée à un fichier et arrive dans le contexte à l'ouverture de celui-ci

Un agent IA qui écrit du code repart chaque matin d'une page blanche : il ne se souvient pas de la conversation de la veille, et les décisions prises par l'équipe il y a six mois ne figurent tout simplement pas dans le code. Début 2025, les développeurs du studio « Куб три » ont demandé à Claude d'ajouter un endpoint d'API à un projet. Le code était rapide et propre, mais la revue (vérification du code par des collègues avant sa fusion dans le projet) a révélé trois problèmes : la logique métier se trouvait dans le contrôleur, alors que ce n'est pas la pratique du projet ; la fonction d'autorisation avait été réécrite alors qu'il en existait déjà une ; la méthode s'appelait getUser au lieu de get_user, la convention retenue.

Le lendemain, tout s'est répété sur une autre tâche. Pendant un an et demi, l'équipe a construit pour l'agent une « mémoire du projet » : la plateforme AI Council. En comparaison directe, l'agent équipé de cette mémoire a écrit un code plus facile à valider en revue, mais le travail du modèle a coûté près d'un tiers de plus : c'est la hausse de la dépense liée aux appels à l'IA.

Si vous déployez des agents dans le développement en équipe, cette comparaison indique où chercher les gains et ce qu'il faudra payer en contrepartie.

Ce que l'agent ne sait pas

L'équipe a analysé les remarques de revue dans ses propres projets et en a tiré trois types de lacunes. Le premier est la structure : quels modules existent, qui appelle qui, où se trouve la fonction recherchée. Un parseur ou une recherche peut la déduire du code, même si l'agent le fait lui-même lentement et à grands frais.

Le deuxième est celui des décisions : pourquoi les paiements passent par une file d'attente, quelle option a déjà été écartée. Dans le code, seul le résultat subsiste ; les raisons vivent dans les messageries, les merge requests fermées et la tête des gens. Le troisième est celui des règles de l'équipe : couches, nommage, interdictions.

Le linter n'en vérifie qu'une infime partie, et seulement après l'écriture du code.

Dans l'histoire de l'endpoint, deux types sur les trois se sont combinés. L'agent a écrit une seconde autorisation parce qu'il ignorait la structure ; la logique dans le contrôleur et le nom getUser viennent de son ignorance des règles.

Le temps vient s'ajouter au problème. Une documentation qui a pris du retard sur le code est nuisible : l'agent lui fait confiance. Et si cinq agents travaillent dans cinq branches, la décision prise dans l'une ne doit pas influencer les autres tant que la branche n'a pas été fusionnée dans main.

Les outils gratuits couvrent une partie des besoins. Les fichiers CLAUDE.md et AGENTS.md donnent les règles sous forme de simples conseils et deviennent obsolètes sans qu'on s'en aperçoive. Serena, claude-context, CodeGraph et TeaRAGs connaissent la structure du code, mais pas les décisions ni les règles. Les serveurs de mémoire stockent des notes sans lien avec le code. La revue par IA (CodeRabbit, Greptile, Qodo) n'intervient qu'une fois le code écrit. Pour un petit projet mené par un ou deux développeurs, les auteurs conseillent de se contenter de CLAUDE.md et de Serena ou claude-context.

Comment fonctionne AI Council

La plateforme repose sur trois couches reliées entre elles. Le graphe du code est construit par une analyse statique, sans intervention d'un modèle. La recherche vectorielle gère la recherche par le sens. Une couche distincte stocke ce qui ne se déduit pas du code : les entrées de connaissance et les règles. Une entrée explique comment et pourquoi quelque chose est conçu ainsi, et elle est rattachée à des classes, des modules ou des fichiers. Une règle a un niveau MUST (obligatoire) ou SHOULD (souhaitable) et un périmètre d'application. L'agent prend note d'une entrée ; il est tenu d'appliquer une règle.

L'observation la plus concrète concerne la livraison. L'équipe a examiné 12 000 sessions de travail : l'agent n'a lancé lui-même la vérification des règles via l'outil MCP que dans 16% d'entre elles, et avant la première modification du code, que dans 13% des sessions comportant des modifications. Cela signifie que dans environ 87% de ces sessions, il s'attaquait au code sans s'enquérir des règles.

L'équipe a donc fait des hooks de Claude Code son canal principal : ce sont des gestionnaires qui se déclenchent à des moments définis, et le modèle ne peut pas les contourner. Au démarrage arrivent les règles du projet ; à l'ouverture d'un fichier, les règles et entrées qui lui sont rattachées ; en fin de réponse, une checklist de vérifications. MCP reste une voie de secours pour les agents sans hooks.

Un exemple tiré d'un projet client : dans un CRM, il fallait fusionner des contacts « inconnus » issus d'e-mails entrants avec des contacts connus. Le merge standard écrasait des champs. Un développeur a passé une journée à trouver le schéma (transférer les liens vers le contact connu, supprimer l'inconnu) et a rattaché l'entrée au modèle du contact. Quand l'agent a ouvert le fichier du modèle la fois suivante, l'entrée est arrivée d'elle-même dans le contexte, et il n'a pas réinventé le merge.

Le coût et les réserves

La sélection de contexte pour une seule question représente de 9 000 à 18 000 caractères, soit plusieurs milliers de tokens, à peu près l'équivalent d'un fichier de 300–500 lignes. Les entrées issues des tickets Keycloak, plus de 3 000 au total, ont elles aussi été traitées par le modèle : on a donc payé son travail à la place du temps des humains. D'où le renchérissement de près d'un tiers.

Les réserves sont évidentes. Le produit est commercial, et les chiffres ont été relevés par l'équipe elle-même sur sa production, et non par une mesure indépendante. Les rattachements des entrées doivent être choisis avec soin : un rattachement trop général est rejeté (dans l'exemple, le nom correspondait à 357 entités). L'indice déclenché par les mots de l'agent reste muet si celui-ci désigne la chose avec d'autres termes.

La conclusion pratique ne dépend pas du produit. Ne comptez pas sur l'agent pour aller chercher les règles de lui-même : prévoyez une livraison par hooks et rattachez les connaissances à du code précis. Et décidez à l'avance si vous êtes prêt à payer environ un tiers de plus pour alléger la charge de revue. Les études sectorielles auxquelles renvoient les auteurs montrent que le goulot d'étranglement est déjà passé de l'écriture du code à sa vérification.

Dossier

Questions clés sur cet article

Que sait-on sur Ce que l'agent ne sait pas ?

L'équipe a analysé les remarques de revue dans ses propres projets et en a tiré trois types de lacunes. Le premier est la structure : quels modules existent, qui appelle qui, où se trouve la fonction recherchée. Un parseur ou une recherche peut la déduire du code, même si l'agent le fait lui-même lentement et à grands frais. Le deuxième est celui des décisions : pourquoi les paiements passent par une file d'attente, quelle option a déjà été écartée.

Comment fonctionne AI Council?

La plateforme repose sur trois couches reliées entre elles. Le graphe du code est construit par une analyse statique, sans intervention d'un modèle. La recherche vectorielle gère la recherche par le sens. Une couche distincte stocke ce qui ne se déduit pas du code : les entrées de connaissance et les règles. Une entrée explique comment et pourquoi quelque chose est conçu ainsi, et elle est rattachée à des classes, des modules ou des fichiers.

Que sait-on sur Le coût et les réserves ?

La sélection de contexte pour une seule question représente de 9 000 à 18 000 caractères, soit plusieurs milliers de tokens, à peu près l'équivalent d'un fichier de 300–500 lignes. Les entrées issues des tickets Keycloak, plus de 3 000 au total, ont elles aussi été traitées par le modèle : on a donc payé son travail à la place du temps des humains. D'où le renchérissement de près d'un tiers. Les réserves sont évidentes.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…