Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarHabr AI→ original

Un agent IA dans VS Code produit un brouillon de spécification technique en 15–20 minutes au lieu d'un jour et demi

Les analystes doivent réécrire à la main les exigences du client et les comptes rendus de réunion sous la forme d'une spécification technique particulière (ЧТЗ). Cela prend un jour à un jour et demi. Une équipe a installé un agent IA dans VS Code et lui a fourni des skills : des fichiers Markdown contenant des règles du type « n'invente rien » et « cite la source ». Le brouillon de ЧТЗ est désormais prêt en 15–20 minutes, et en une demi-journée avec la relecture. Conclusion : le gain ne vient pas du modèle, mais des garde-fous stricts et du contrôle par l'analyste.

Traité par IA depuis Habr AI ; édité par Hamidun News
Un agent IA dans VS Code produit un brouillon de spécification technique en 15–20 minutes au lieu d'un jour et demi
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Chiffre clé #1Analyse du calcul de commission dans trois services : 40 minutes au lieu de 2–3 heures
Article Confluencebrouillon en 10 minutes au lieu d'une demi-journée
Chiffre clé #3Pas plus de 3–4 fichiers dans le contexte, sinon l'agent invente

L'analyste reçoit du client un document d'exigences fonctionnelles métier (БФТ), y ajoute les notes d'une ou deux réunions et doit transformer le tout en spécification technique particulière (ЧТЗ), c'est-à-dire en un document compréhensible par les développeurs. À la main, cela prend un jour à un jour et demi : ouvrir le modèle, y reporter les exigences, choisir les formulations, mettre en forme. L'équipe qui rédige les exigences pour le développement a confié cette routine à un agent IA dans VS Code.

Le brouillon de ЧТЗ s'assemble désormais en 15–20 minutes, et, relecture de l'analyste comprise, le document est prêt en une demi-journée au lieu d'un jour et demi. Ces chiffres sont des estimations internes de l'équipe, et non des mesures indépendantes. Mais son expérience montre comment configurer un agent pour qu'il aide au lieu d'inventer.

Comment fonctionne la chaîne de traitement

Le schéma est le suivant : la réunion ou le БФТ est condensé en une synthèse Markdown, l'agent assemble un brouillon, l'analyste le corrige, puis le document part dans Confluence ou chez les développeurs. Il y a plusieurs agents. Certains tournent sur des serveurs internes avec des modèles locaux, auxquels on peut confier du code source sans demander d'autorisation. Les autres sont connectés via un accès cloud d'entreprise et ne reçoivent que les documents autorisés par la politique de l'entreprise.

Tout se passe dans le chat intégré de VS Code (GitHub Copilot Chat). Les modèles locaux se connectent par BYOK (« bring your own key », apportez votre propre clé) : on indique le fournisseur (Ollama, Azure ou tout endpoint compatible OpenAI) et la clé, puis le modèle apparaît dans la liste à côté des modèles cloud. L'équipe a choisi VS Code parce que les dépôts y sont déjà ouverts, qu'on peut garder à côté un dossier « bac à sable » séparé, et que les fichiers s'attachent au chat par des liens du type #file:requirements.md, sans copier le texte dans le prompt. La même approche fonctionne dans Cursor, IntelliJ IDEA et opencode.

Il y a aussi la question du coût. L'analyse d'un gros БФТ avec le code de trois services consomme beaucoup de tokens ; un modèle local sur son propre matériel revient donc souvent moins cher qu'un modèle cloud.

Des skills plutôt que de longs prompts

L'agent se configure au moyen de skills. Il s'agit d'un simple fichier Markdown d'instructions, stocké dans VS Code sous .github/skills/<nom>/SKILL.md ; l'agent le charge de lui-même lorsque sa description correspond à la tâche. Un skill comporte trois parties : la structure du résultat avec des contraintes strictes (« n'invente rien », « cite la source », « signale les divergences »), une synthèse du contexte du projet (domaine, stack, rôles, normes) et des liens vers des références comme le glossaire et la description de l'architecture. La requête elle-même tient donc en deux lignes : les fichiers et la tâche.

L'agent dispose d'un minimum d'outils : lecture de fichiers, recherche par mots-clés et écriture uniquement dans le dossier output/. Les auteurs préviennent : avec un droit d'écriture, l'agent peut écraser le mauvais fichier, d'où l'importance de poser des limites.

Les skills sont stockés dans un dépôt git commun, un par type de travail : ЧТЗ, article Confluence, analyse de code, cas de test, synthèse de réunion, note explicative du projet technique, points de fonction pour le calcul du НМЦК (prix maximal initial du contrat), exigences pour le développement. Un nouvel arrivant clone le dépôt et dispose d'un jeu prêt à l'emploi. Quand l'agent « déraille », on compare le skill utilisé à la version de référence. L'équipe a préféré les skills aux Cursor Rules et aux prompts système, car il s'agit d'un fichier portable, qui peut être relu en revue et versionné.

Le contexte est strictement limité : 2–4 fichiers Markdown de documents et 1–3 services de code, avec l'indication d'une méthode précise, par exemple « regarde le calcul de commission dans CommissionService.java ». Quand l'équipe a essayé de donner à l'agent tout ce qu'elle avait, il s'est noyé et s'est mis à inventer. D'où la règle : pas plus de 3–4 fichiers à la fois, et uniquement avec les termes clés de la tâche.

Résultats et erreurs de l'agent

Trois cas tirés de la pratique. L'analyse d'un calcul de commission éparpillé sur trois microservices sans documentation correcte a pris environ 40 minutes (20 de travail de l'agent et 15 de vérification, le reste pour la mise en place), au lieu de deux à trois heures, sans solliciter de développeur. Le brouillon de ЧТЗ s'assemble en 15–20 minutes, plus une à deux heures de relecture.

Pour l'article Confluence, la logique est la même : brouillon en 10 minutes au lieu d'une demi-journée. Des serveurs MCP sont connectés ici, et l'agent crée lui-même la page et récupère les pièces jointes. Sur une petite évolution, quelques corrections suffisent ; sur une grosse fonctionnalité avec une dizaine de scénarios, on réécrit la moitié du texte.

Les erreurs sont classiques. Quand le contexte manque, l'agent extrapole : à partir de la phrase « nous avons discuté de l'évolution du modèle de statuts », il peut déduire des statuts qui n'existent pas dans le système. Il avoue rarement son ignorance et fournit avec assurance une information plausible mais fausse. Dans les projets en russe, « заявка », « обращение » et « запрос » se confondent, d'où la nécessité d'un glossaire dans le skill. Si le БФТ et le compte rendu de réunion se contredisent, l'agent peut retenir la version qui l'arrange sans signaler l'écart ; le bloc « Divergences » est donc vérifié à la main par rapport aux sources.

La vérification se fait en plusieurs étapes : l'analyste confronte le brouillon aux sources, à la logique et au format ; le document destiné au client est validé avec lui ; les exigences pour le développement sont relues par l'équipe de développement. Les erreurs systématiques se corrigent plus facilement par une simple consigne (« dans la section 3, tu as confondu “Rejeté” et “Retiré”, corrige partout »), les petites erreurs se corrigent à la main.

Ce qu'il faut retenir

Commencez par un seul БФТ et un seul compte rendu dans un dossier vide, pas par une grosse fonctionnalité. Créez un skill distinct pour chaque type de document. Limitez l'agent à un seul dossier en écriture. Un skill vaut la peine d'être écrit si la tâche se répète, par exemple la synthèse hebdomadaire des réunions : pour une tâche ponctuelle, il est plus rapide de la faire soi-même. Traitez l'agent comme un stagiaire compétent : il rassemblera la matière et mettra en évidence les zones d'ombre, mais c'est l'analyste qui répond du document final.

Dossier

Questions clés sur cet article

Comment fonctionne la chaîne de traitement?

Le schéma est le suivant : la réunion ou le БФТ est condensé en une synthèse Markdown, l'agent assemble un brouillon, l'analyste le corrige, puis le document part dans Confluence ou chez les développeurs. Il y a plusieurs agents. Certains tournent sur des serveurs internes avec des modèles locaux, auxquels on peut confier du code source sans demander d'autorisation. Les autres sont connectés via un accès cloud d'entreprise et ne reçoivent que les documents autorisés par la politique de l'entreprise.

Que sait-on sur Des skills plutôt que de longs prompts ?

L'agent se configure au moyen de skills. Il s'agit d'un simple fichier Markdown d'instructions, stocké dans VS Code sous .github/skills/<nom>/SKILL.md ; l'agent le charge de lui-même lorsque sa description correspond à la tâche.

Que sait-on sur Résultats et erreurs de l'agent ?

Trois cas tirés de la pratique. L'analyse d'un calcul de commission éparpillé sur trois microservices sans documentation correcte a pris environ 40 minutes (20 de travail de l'agent et 15 de vérification, le reste pour la mise en place), au lieu de deux à trois heures, sans solliciter de développeur. Le brouillon de ЧТЗ s'assemble en 15–20 minutes, plus une à deux heures de relecture. Pour l'article Confluence, la logique est la même : brouillon en 10 minutes au lieu d'une demi-journée.

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.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
Qu'en pensez-vous ?
Chargement des commentaires…