L'agent IA ShakeFix corrige un bug d'application de pharmacie en 18 minutes au hackathon GitLab
GitLab a dévoilé les résultats du hackathon Transcend, où les participants devaient apprendre à des agents IA à mener le code jusqu'en production. Le vainqueur, ShakeFix, fonctionne ainsi : l'utilisateur d'une application de pharmacie secoue son téléphone et décrit la panne, puis quatre agents écrivent un test, corrigent le bug et déploient le correctif en 18 minutes 34 secondes, sans intervention humaine. La leçon pour les équipes : confiez aux agents la lecture et la modification du code, et laissez les tests et la CI décider de l'accès à la production.
Traité par IA depuis GitLab Blog ; édité par Hamidun News
Écrire du code avec l'IA est devenu simple, mais l'amener de « ça marche chez moi » à la production reste pénible : tests, contrôles de sécurité, déploiement, retour arrière, analyse des incidents. C'est précisément cette partie que GitLab a confiée à la communauté lors du hackathon Transcend, placé sous la devise « La vie après le code ». En octobre, les participants ont construit des agents et des flows (des chaînes d'étapes exécutées par des agents IA) sur GitLab Duo Agent Platform.
Ils ont aussi dû décider de la liberté à leur accorder, de l'approbation de chaque étape par un humain jusqu'à l'autonomie complète. L'exemple le plus parlant est ShakeFix. L'utilisateur d'une application de pharmacie secoue son téléphone et écrit ce qui est cassé ; quatre agents écrivent alors eux-mêmes un test qui échoue, corrigent le bug et déploient le correctif.
Lors d'un essai en direct, l'opération a pris 18 minutes 34 secondes, sans aucune intervention humaine. Au total, plus de 3300 développeurs se sont inscrits, 783 projets ont été soumis, et la dotation s'élève à $45 000 répartis sur neuf catégories.
Ce qui compte ici, c'est l'architecture plus que les prix : les vainqueurs ont séparé nettement ce que fait l'agent, ce que vérifie l'automatisation et où la signature d'un humain reste nécessaire.
Voie A : projets partis de zéro
Aftermath (Ahadi Cyizere, meilleur agent assisté, $4000) répond à une question que les scanners ne couvrent pas. Quand un paquet npm piraté est révélé, il faut savoir s'il a eu le temps de s'exécuter dans la CI la semaine précédente. Un flow de trois sous-agents reconstitue les anciens jobs CI et la liste des secrets auxquels chacun pouvait accéder. L'humain valide le périmètre de l'enquête, puis le plan de confinement, et clôt l'incident une fois que la CI a remplacé uniquement les clés compromises et supprimé les images concernées.
Lookback (Ujwal Suresh Vanjare et Arpita Madhukar Kalburgi, meilleur agent supervisé, $4000) part d'un recours gagné. Si un logiciel de versement de prestations a appliqué les règles de travers à une seule personne, le flow analyse la décision, reproduit l'erreur avec un test qui échoue et ouvre une merge request avec le correctif. Après la fusion, du code ordinaire rejoue les décisions passées et retrouve toutes les autres personnes touchées. Dans la démo, il a identifié 413 familles sous-indemnisées, et les montants à rembourser ont été publiés en lot à l'attention de l'administration.
ShakeFix (Venkatesh Devale, meilleur agent autonome, $5000) compare le correctif au comportement de la production, et seulement ensuite fusionne et déploie le code. C'est ce qui a transformé une secousse de téléphone en correctif opérationnel en 18 minutes 34 secondes.
Voie B : projets open source existants
Unstuck (Aryan Shah et Riken Shah, meilleur agent assisté, $4000) termine les mises à jour de dépendances que les bots commencent sans les finir. Un bot change le numéro de version, mais ne sait ni lire les release notes ni réparer ce qui casse. Deux flows planifient une campagne de mises à jour et la mènent dans une seule merge request, en citant la note de release sous chaque modification et en interrogeant l'humain lorsque le comportement change. Sur l'outil d'annotation doccano, bloqué sur une version non maintenue de Django avec 80 vulnérabilités connues, le résultat a été zéro vulnérabilité et Django 5.2 en six merge requests vérifiées.
CodeTinder (Jason Yu, meilleur agent supervisé, $4000) part de l'idée « relire moins de code, former davantage les agents ». L'agent choisit une fonction dans une merge request et écrit plusieurs variantes qui passent les tests. Le développeur les fait défiler sur son téléphone, comme sur Tinder. Les swipes mettent à jour un document de principes versionné dans le dépôt ; tous les agents le lisent, puis réécrivent le reste de la merge request selon ces nouvelles préférences. Le projet a aussi remporté le prix « Le plus créatif » ($4000) : c'était l'idée la mieux notée sur les deux voies.
Locus (Ahammad Shawki, Nourin Richi, Mohammad Ashfaqul Hasan, meilleur agent autonome, $5000), construit sur la bibliothèque JSCAD, transforme le courriel d'un professeur de mathématiques décrivant une fonction en graphique tactile pour un élève non voyant. Les agents dessinent un graphique aux lignes en relief et aux légendes en braille, le vérifient selon les règles issues de la recherche sur la lecture tactile, corrigent leurs propres erreurs, publient le résultat sur Google Cloud, envoient les fichiers d'impression à l'enseignant et commandent l'impression. Les agents ne peuvent pas déclarer eux-mêmes le travail terminé : le graphique n'est produit que s'il a satisfait aux règles.
Prix spéciaux et enseignements
Le prix « Le plus d'étapes » récompense les projets qui touchent le maximum des neuf étapes du cycle de vie DevSecOps. Un projet a gagné sur chaque voie, avec $5000 chacun.
Stale (Diptarka Nandi, Harshit Anand, Abhinav Kumar, Ashutosh Pandey) revérifie le verdict « déploiement sans risque » lorsque le monde change, et pas seulement le code. Par exemple, quand un certificat racine cesse d'être considéré comme fiable. Un pipeline planifié surveille des sources externes et crée une tâche pour un flow qui écrit le correctif. La CI le confirme, et un déploiement canari le vérifie avant la bascule du trafic.
Earned Autonomy (Shivansh Kalra) attribue à chaque merge request d'un modèle FastAPI son propre niveau d'autonomie, de « sans intervention » à « bloqué », en fonction des preuves accumulées. Cinq agents se chargent de la planification, du triage, de la revue d'infrastructure, du routage et du retour arrière, et ils peuvent uniquement relever l'évaluation du risque. Dans un essai, une dépendance vulnérable est passée de l'alerte au correctif en production en 35 minutes sans intervention humaine ; dans un autre, une mauvaise release a été annulée en 3,3 secondes.
Memory Lane (Oliver McBride, « Le plus écologique », $5000) aide les coordinateurs de maisons de retraite à préparer des séances de réminiscence pour des personnes atteintes de démence. Trois flows font passer une tâche ordinaire par le contrôle de sécurité, la CI/CD et Cloud Run jusqu'en production. L'auteur a mesuré l'empreinte carbone de chaque requête livrée selon la spécification Software Carbon Intensity, puis a remanié le pipeline : compiler une seule fois et sauter les exécutions superflues. Le nombre d'exécutions CI par requête livrée a baissé de 48%.
GitLab relève un schéma commun : les agents lisent, écrivent et routent, tandis que les tests et la CI décident si une étape est validée, et dans la plupart des projets, un humain signe les déploiements risqués. Une réserve toutefois : il s'agit de démos de hackathon sélectionnées, et des chiffres comme les 18 minutes proviennent d'essais de démonstration réalisés par les auteurs, pas d'une exploitation prolongée. Mais le schéma est transposable : déterminez quelles étapes l'agent peut accomplir seul, lesquelles sont vérifiées par l'automatisation et où la signature d'un humain reste nécessaire.
- 18 nov. 2026rust-anything apprend aux agents IA à réécrire des applications en Rust, module par module
- 18 nov. 2026Google a découvert des agents IA qui traquent les failles et piratent des sites de façon autonome
- 18 nov. 2026L'agent BioMaster, propulsé par Kimi, sélectionne 100 gènes en 90 minutes au lieu de 4 heures
- 18 nov. 2026Hugging Face route les requêtes LLM via OpenRouter : 46% d'erreurs de capacité en moins
Questions clés sur cet article
Que sait-on sur Voie A : projets partis de zéro ?
Aftermath (Ahadi Cyizere, meilleur agent assisté, $4000) répond à une question que les scanners ne couvrent pas. Quand un paquet npm piraté est révélé, il faut savoir s'il a eu le temps de s'exécuter dans la CI la semaine précédente. Un flow de trois sous-agents reconstitue les anciens jobs CI et la liste des secrets auxquels chacun pouvait accéder.
Que sait-on sur Voie B : projets open source existants ?
Unstuck (Aryan Shah et Riken Shah, meilleur agent assisté, $4000) termine les mises à jour de dépendances que les bots commencent sans les finir. Un bot change le numéro de version, mais ne sait ni lire les release notes ni réparer ce qui casse. Deux flows planifient une campagne de mises à jour et la mènent dans une seule merge request, en citant la note de release sous chaque modification et en interrogeant l'humain lorsque le comportement change.
Que sait-on sur Prix spéciaux et enseignements ?
Le prix « Le plus d'étapes » récompense les projets qui touchent le maximum des neuf étapes du cycle de vie DevSecOps. Un projet a gagné sur chaque voie, avec $5000 chacun. Stale (Diptarka Nandi, Harshit Anand, Abhinav Kumar, Ashutosh Pandey) revérifie le verdict « déploiement sans risque » lorsque le monde change, et pas seulement le code. Par exemple, quand un certificat racine cesse d'être considéré comme fiable.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.