Pi 1.0 connecte MCP via Codemode : l'agent écrit du code JS au lieu d'appels séparés
Pi 1.0 est un « harnais » qui fournit des outils à un agent IA. Il connecte désormais les serveurs MCP (services externes comme Sentry) via Codemode. L'agent écrit un court JavaScript qui combine les appels dans un bac à sable QuickJS isolé, sans réseau ni accès aux fichiers. Bash ne montre au modèle que les 2000 dernières lignes de sortie, alors que Codemode renvoie le résultat complet. Les serveurs MCP doivent donc désormais fournir un JSON structuré et propre.
Traité par IA depuis Хабр: Машинное обучение ; édité par Hamidun News
Imaginez devoir examiner une centaine de tickets ouverts dans un dépôt : lire chacun, évaluer le ton de l'auteur et déterminer s'il s'agit d'un bug ou d'une demande de nouvelle fonctionnalité. Si un agent IA appelle les outils un par un et renvoie chaque réponse dans la mémoire du modèle, le contexte se remplit en quelques étapes. C'est précisément le problème que Codemode résout dans Pi 1.
0. Pi est un « harnais » pour agent : un programme qui fournit des outils à un modèle de langage et les exécute. MCP est le standard qui permet à l'agent de se connecter à des services externes comme Sentry.
Désormais, la prise en charge de MCP dans Pi passe par Codemode : au lieu d'enchaîner des appels séparés, l'agent écrit un court JavaScript qui combine lui-même les outils.
Il y a plus d'un an, l'auteur de ce matériau conseillait de ne pas charger les outils personnalisés, y compris les serveurs MCP, dans le contexte du modèle, et de privilégier autant que possible des scripts. La sortie de Pi 1.0 ressemble à un revirement, mais il s'agit en réalité de l'étape suivante de la même idée : laisser l'agent travailler avec du code.
Pourquoi un agent a besoin de code si bash existe
Bash est pratique parce que les appels se combinent facilement, et le modèle comprend bien le système de fichiers après son entraînement. Mais il a une limite : il ne sait enchaîner que des programmes exécutables. Certains outils ne sont pas des programmes ; ils sont intégrés à l'interface de communication avec le LLM. Par exemple, pour qu'un modèle multimodal voie une image, le harnais doit transmettre directement les données de l'image via le protocole. Une simple commande dans un terminal ne permet pas de le faire.
Il existe une seconde difficulté : l'endroit où s'exécute le code. Le système comporte deux parties. Le harnais de l'agent, c'est-à-dire le « cerveau », tourne sur une machine distincte et est considéré comme fiable. L'environnement cible, où s'exécutent bash et les outils, peut se trouver dans un bac à sable tel que Gondolin. Ces deux parties ont des systèmes de fichiers différents et des niveaux de confiance différents, et une frontière nette les sépare.
Codemode fonctionne côté harnais, dans son propre bac à sable. Pour Pi, on a retenu QuickJS dans un environnement WASM, avec des restrictions délibérées : pas de réseau, pas d'accès aux fichiers, mémoire limitée. La seule façon d'agir sur le monde extérieur est d'appeler d'autres outils. Le terme a été inventé par Cloudflare.
Ce que cela apporte concrètement
Le gain de contexte apparaît clairement sur un exemple simple. Lorsque le LLM appelle bash comme un outil ordinaire, seules les 2000 dernières lignes de sortie entrent dans le contexte, et le reste doit être relu par l'agent depuis un fichier. Avec Codemode, le même appel renvoie des résultats volumineux sous forme structurée. De plus, JavaScript permet de décrire des opérations parallèles et des workflows simples. Schéma typique : l'agent examine d'abord 5 à 10 éléments de la réponse pour en comprendre la structure, puis écrit un script pour traiter les autres.
Une autre possibilité est la conservation d'un état dans l'historique de session. Un appel Codemode enregistre des données, et l'appel suivant, dans la même session, les recharge. Tout cela se déroule sur l'hôte du harnais, et non dans le bac à sable.
Les exemples tirés de sessions réelles de Pi sont révélateurs : c'est l'agent lui-même qui écrit le code. Il génère des images via les API des modèles. Il récupère jusqu'à 100 Issues GitHub ouvertes via gh, fait passer chacune par le modèle classifieur Jev et évalue sa tonalité, le degré d'agacement de l'auteur et le type de demande. Le lancement en parallèle est sans danger ici : Pi limite lui-même le nombre d'appels d'outils simultanés à quatre, les autres attendent en file. Dans un autre exemple, Jev choisit la prochaine action d'un char dans un jeu, lors d'un débogage. Chacune de ces opérations, présentée comme un outil séparé, n'aurait fait qu'occuper de la place dans le contexte.
Avec MCP, l'agent cherche d'abord les outils pertinents via l'API interne de Codemode. Parfois, il s'adresse directement au serveur : par exemple au serveur MCP de Sentry, dont il connaît l'existence grâce au prompt système.
Ce qui ne fonctionne pas encore avec MCP
L'auteur reconnaît que, pour MCP, tout n'est pas encore parfait. Les serveurs sont conçus pour l'essentiel pour des harnais sans Codemode. La solution provisoire de Cloudflare, qui consiste à exécuter Codemode à l'intérieur du serveur MCP lui-même, aboutit à du Codemode dans du Codemode. Il en résulte un double échappement du JSON, qui déroute les petits modèles, et le code interne ne peut pas appeler les outils de l'extérieur.
Quatre problèmes subsistent :
- Données structurées. Les serveurs doivent renvoyer un JSON propre, ce que beaucoup ne font pas.
- Uniformité des résultats. Si un serveur change de format selon le nombre d'éléments, par exemple pour économiser des tokens, une requête test sur cinq éléments passe, tandis que le lot maximal fait échouer le traitement.
- Gros volumes de données binaires. MCP ne les prend pas encore en charge ; il faut recourir à des URL préssignées.
- Recherche parallèle d'outils. Il n'existe pas de mécanisme commode pour la répartir entre plusieurs serveurs. Aujourd'hui, tout repose sur le comportement spontané des modèles, ce qui passe mal à l'échelle.
D'autres questions restent ouvertes. Avec Codemode, la reprise après incident est plus difficile à assurer : il faudra peut-être s'inspirer des moteurs d'exécution fiable de workflows et sauvegarder des instantanés de l'état des appels. Plutôt que JavaScript, Starlark, avec son déterminisme, conviendrait peut-être mieux. Restent aussi à résoudre le traitement des images et des données binaires, ainsi que l'incapacité des petits modèles à exploiter efficacement cette approche.
Que doit faire le développeur
Si vous développez un serveur MCP, renvoyez du JSON structuré et gardez un format de réponse identique quelle que soit la taille du résultat. Si vous construisez votre propre harnais d'agent, envisagez un environnement isolé pour le code du modèle, sans réseau ni accès aux fichiers, mais capable d'appeler des outils. Dans Pi, Codemode est activé par défaut avec MCP, et il peut aussi être activé séparément via "defaultTools": ["+codemode"]. L'auteur est convaincu que cette approche s'imposera de plus en plus, même si l'on est encore loin de l'idéal.
- 22 nov. 2026EvoNova Labs publie un benchmark de chaos : 10 pannes d'agents IA fonctionnant 24h/24
- 22 nov. 2026L'agent a ignoré AGENTS.md : dans un tiers des push, il n'a pas demandé, et 31 force push
- 22 nov. 2026Wells Fargo et quatre autres banques américaines ne répondent plus des erreurs des agents IA de leurs clients
- 22 nov. 2026Une subvention de Yandex finance un moteur LLM : un modèle de 35B sur RTX 2080 Ti est trois fois plus rapide que llama.cpp
Questions clés sur cet article
Pourquoi un agent a besoin de code si bash existe?
Bash est pratique parce que les appels se combinent facilement, et le modèle comprend bien le système de fichiers après son entraînement. Mais il a une limite : il ne sait enchaîner que des programmes exécutables. Certains outils ne sont pas des programmes ; ils sont intégrés à l'interface de communication avec le LLM. Par exemple, pour qu'un modèle multimodal voie une image, le harnais doit transmettre directement les données de l'image via le protocole.
Que sait-on sur Ce que cela apporte concrètement ?
Le gain de contexte apparaît clairement sur un exemple simple. Lorsque le LLM appelle bash comme un outil ordinaire, seules les 2000 dernières lignes de sortie entrent dans le contexte, et le reste doit être relu par l'agent depuis un fichier. Avec Codemode, le même appel renvoie des résultats volumineux sous forme structurée. De plus, JavaScript permet de décrire des opérations parallèles et des workflows simples.
Que sait-on sur Ce qui ne fonctionne pas encore avec MCP ?
L'auteur reconnaît que, pour MCP, tout n'est pas encore parfait. Les serveurs sont conçus pour l'essentiel pour des harnais sans Codemode. La solution provisoire de Cloudflare, qui consiste à exécuter Codemode à l'intérieur du serveur MCP lui-même, aboutit à du Codemode dans du Codemode. Il en résulte un double échappement du JSON, qui déroute les petits modèles, et le code interne ne peut pas appeler les outils de l'extérieur. Quatre problèmes subsistent : Données structurées.
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.
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.