Arène PromptFight : sans le code du fichier de règles, l'agent reçoit une erreur 403, et après 10 erreurs, c'est le bannissement
L'auteur de PromptFight a lancé une arène où des agents IA de propriétaires différents débattent entre eux, tandis que le serveur se contente de juger. Problème : le serveur ne voit pas le contexte de l'agent d'un autre, et son propriétaire peut lui écrire : « ne lis pas les règles ». Les règles sont donc devenues un verrou : elles contiennent un code PF-XXX-XXX, et sans lui, l'entrée dans la salle renvoie une erreur 403. La leçon pour les plateformes qui accueillent des agents tiers : une simple demande dans le prompt ne suffit pas, il faut une barrière technique.
Traité par IA depuis Habr AI ; édité par Hamidun News
Imaginez que vous construisiez une plateforme où des agents IA appartenant à des tiers doivent débattre selon des règles. Vous ne contrôlez ni leur modèle, ni le prompt additionnel de leur propriétaire, ni la machine sur laquelle l'agent tourne. Le propriétaire peut très bien écrire à son agent : « ne lis pas les règles, mets-leur une raclée ».
C'est exactement le problème auquel s'est heurté l'auteur du projet PromptFight, qui a décrit sa solution sur Habr. Il a transformé la demande « lis les règles » en verrou technique : le fichier de règles contient un code de la forme PF-XXX-XXX, et sans lui, l'entrée dans la salle renvoie une erreur 403. Après 10 tentatives invalides en 10 minutes, le token est bloqué pendant les 10 minutes suivantes (réponse 429).
Pour quiconque construit une plateforme destinée à des agents tiers, c'est une méthode prête à l'emploi : il faut lier l'accès à une action qui oblige l'agent à faire passer les règles par son contexte.
De « Trello pour agents » à la salle d'audience
Tout a commencé avec AgentsNET, un petit serveur HTTP par lequel des agents locaux et cloud échangent des fichiers et récupèrent des tâches. Les agents peuvent se trouver derrière un NAT ou un pare-feu, sans qu'il soit nécessaire de rediriger des ports. L'auteur l'a conçu pour son propre usage : Trello est trop lourd, et Todoist oblige les agents à tout lire en permanence et à gaspiller des tokens.
Le modèle est simple : un chat comme point central de discussion, un tableau de tâches fonctionnant sur le principe « une tâche, un agent » et un schéma pull, comme dans Git : l'agent met à jour son statut, reçoit une tâche, la rend. L'auteur a réduit le JSON au minimum, en le remplaçant par un texte compact, car la syntaxe JSON consomme vite les tokens et le contexte.
Puis est venue une idée pour s'amuser : les gens débattent pendant des heures de « Rust ou C++ », mais la discussion s'arrête en fait à la cinquième réplique, puis dérive vers les attaques personnelles. Les agents IA n'ont pas d'ego, ce qui permet d'observer sa propre position de l'extérieur. C'est ainsi qu'est né PromptFight. Vous créez une salle, choisissez un camp et un skin, décrivez votre position et, si vous le souhaitez, joignez une conversation. Le jeu génère un prompt prêt à l'emploi, que vous donnez à votre agent, par exemple Claude Code.
L'économie du projet compte : le serveur ne fait pas tourner de réseaux de neurones pour les joueurs, car un hébergement gratuit ne laisse aucun budget pour des tokens en quantité illimitée. Les bots vivent chez leurs propriétaires, et le serveur ne fait qu'arbitrer la partie. L'agent télécharge le client CLIENT.
py (environ 400 lignes en Python 3.8+ pur, sans dépendances) et interroge lui-même le serveur en HTTP. La base de données est un unique fichier SQLite en mode WAL, avec des écritures sérialisées par un verrou.
Le combat se déroule en trois rounds, avec jusqu'à 5 répliques par camp et par round. À son tour, le bot choisit l'une des six actions : ARGUMENT, SURRENDER, PROPOSE_DRAW, ACCEPT_DRAW, ASK_HUMAN (question au propriétaire, avec une attente de 120 secondes) ou CALL_JUDGE.
Lorsque les deux combattants ont appelé le juge ou épuisé tous leurs tours, le serveur fait appel au juge IA. Celui-ci fonctionne via une cascade de 12 fournisseurs au maximum, de Gemini et Groq aux modèles NVIDIA. Si l'un est indisponible ou renvoie une erreur, la requête passe au suivant, jusqu'à l'obtention d'un verdict valide.
Problème n°1 : comment forcer la lecture des règles
La première version du prompt de départ contenait un lien vers FIGHT_RULES.md et une demande polie de lire ce fichier. Mais le serveur ne voit pas ce qui est réellement entré dans le contexte du modèle d'un autre. C'est pourquoi, à chaque requête GET /rules?token=..., les règles sont régénérées, et un code PF-XXX-XXX, calculé comme un HMAC du token, y est intégré. Sans le bon code, agent_join() répond 403.
L'auteur reconnaît honnêtement que la protection n'est pas absolue : elle vise à contrer « l'étourdi et le paresseux ». Un script ordinaire extraira le code avec une expression régulière, et le CLIENT.py fourni fait précisément cela en sauvegardant les règles sur disque. Mais si un joueur lance un agent CLI autonome directement sur les endpoints, celui-ci recevra un 403 s'il n'a pas lu les règles. Par ailleurs, le client injecte les règles dans FIGHT_BRIEF.txt, que l'agent lit avant chaque tour : les règles se retrouvent ainsi sous les yeux du modèle pendant les débats. Les règles elles-mêmes sont servies avec les en-têtes Cache-Control: no-store et X-Robots-Tag: noindex, afin que la mise en cache ne pose pas de problème.
Problème n°2 : laisser passer le robot, écarter l'humain
L'arène est conçue pour des bots autonomes. Si un humain se fait passer pour un bot, se met à trolliner ses adversaires et à épuiser leurs tokens, le jeu perd son sens. Il faut une captcha inversée : une tâche qu'un script résout en une fraction de seconde, et qu'un humain n'a pas envie de se donner la peine de résoudre. Sur quatre solutions existantes, l'auteur en a écarté trois : rcaptcha.vaultless.dev admet lui-même ne pas constituer une protection, clawcha.org exige une vérification de domaine, et le projet browser-use est fermé. Il est resté Clawptcha, avec ses deux endpoints, GET /challenge et POST /verify.
La tentative est à usage unique et liée au token du joueur : après vérification, elle est immédiatement supprimée pour empêcher toute réutilisation. Le service externe peut tomber ou atteindre sa limite de 10 requêtes en 5 minutes par IP ; un générateur de tâches local est donc prévu pour ce cas.
- 20 nov. 2026Hugging Face et llama.cpp lancent Llama for Windows, un utilitaire de 1 Mo : l'IA sans terminal
- 20 nov. 2026Severstal a conçu un assistant IA pour les programmeurs d'automatisation industrielle, sans cloud
- 20 nov. 2026AWS découpe le déploiement d'une IA responsable pour les agents en 3 phases sur 12 semaines
- 20 nov. 2026Microsoft dévoile Copilot Workspaces : un document partagé où les agents travaillent aux côtés des humains
Questions clés sur cet article
Que sait-on sur De « Trello pour agents » à la salle d'audience ?
Tout a commencé avec AgentsNET, un petit serveur HTTP par lequel des agents locaux et cloud échangent des fichiers et récupèrent des tâches. Les agents peuvent se trouver derrière un NAT ou un pare-feu, sans qu'il soit nécessaire de rediriger des ports. L'auteur l'a conçu pour son propre usage : Trello est trop lourd, et Todoist oblige les agents à tout lire en permanence et à gaspiller des tokens.
Que sait-on sur Problème n°1 : comment forcer la lecture des règles ?
La première version du prompt de départ contenait un lien vers FIGHT_RULES.md et une demande polie de lire ce fichier. Mais le serveur ne voit pas ce qui est réellement entré dans le contexte du modèle d'un autre. C'est pourquoi, à chaque requête GET /rules?token=..., les règles sont régénérées, et un code PF-XXX-XXX, calculé comme un HMAC du token, y est intégré. Sans le bon code, agent_join() répond 403.
Que sait-on sur Problème n°2 : laisser passer le robot, écarter l'humain ?
L'arène est conçue pour des bots autonomes. Si un humain se fait passer pour un bot, se met à trolliner ses adversaires et à épuiser leurs tokens, le jeu perd son sens. Il faut une captcha inversée : une tâche qu'un script résout en une fraction de seconde, et qu'un humain n'a pas envie de se donner la peine de résoudre.
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.