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)

DeepSeek publie le code d'un agent qui prend lui-même des tâches sur GitHub et écrit du code

DeepSeek a publié le code de dsh-superagent, un agent qui récupère lui-même les tâches dans GitHub au lieu de les attendre dans un chat. Par exemple, une demande « l'export plante quand la date est vide » apparaît dans le dépôt : l'agent ouvre une session distincte, corrige le code et ouvre une Pull Request, une proposition de modifications qu'un humain doit valider. Il s'agit d'un prototype, pas d'un produit en production, et il faut donc le considérer comme un exemple d'architecture.

Traité par IA depuis TG: @ai_machinelearning_big_data (Machinelearning) ; édité par Hamidun News
DeepSeek publie le code d'un agent qui prend lui-même des tâches sur GitHub et écrit du code
Source : TG: @ai_machinelearning_big_data (Machinelearning). Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireTG: @ai_machinelearning_big_data (Machinelearning) ↗
Rédacteur en chef
Chiffre clé #1Il accepte les tâches depuis GitHub et Feishu, uniquement de la part de collègues autorisés
Chiffre clé #2Les décisions qui nécessitent l'intervention d'un humain s'affichent dans un tableau de bord web
Licence MIT, pile techniqueTypeScript et DeepSeek Harness

La plupart des assistants de programmation fonctionnent de la même manière : le développeur ouvre un chat, décrit sa tâche, attend la réponse et copie le résultat. DeepSeek a mis en accès libre le projet dsh-superagent, qui inverse ce schéma. L'agent surveille lui-même GitHub, où l'équipe crée ses tickets (issues), les prend en charge, modifie le code et ouvre une Pull Request, c'est-à-dire une demande d'intégration des modifications dans la branche principale, que l'humain vérifie ensuite. Tout cela se fait sans transmettre la tâche manuellement dans un chat.

Le projet est un système expérimental reposant sur DeepSeek Harness, conçu pour automatiser le développement au sein d'une équipe. Le code se trouve sur GitHub, dans le dépôt deepseek-ai/dsh-superagent-prototype, sous licence MIT, et il est écrit en TypeScript.

Comment cela fonctionne en pratique

Imaginez qu'une tâche soit créée dans le dépôt : « L'export du rapport plante quand la date est vide ». D'habitude, quelqu'un de l'équipe prend le ticket, crée une branche, corrige le problème, ouvre une Pull Request et annonce dans la discussion que c'est terminé. Ici, l'agent prend en charge l'essentiel de cette chaîne.

Selon la description de DeepSeek, il sait faire ce qui suit :

  • surveiller les événements GitHub et les messages dans Feishu (messagerie d'entreprise populaire en Chine) ;
  • n'accepter les tâches que de membres autorisés de l'équipe ;
  • créer une session de travail distincte pour chaque tâche, afin que les tâches n'interfèrent pas entre elles ;
  • travailler seul sur le code et préparer une Pull Request ;
  • renvoyer le résultat dans la discussion d'origine, d'où venait la tâche ;
  • afficher dans un tableau de bord web les tâches qui nécessitent un humain.

Une session distincte par tâche est une solution raisonnable. Lorsque l'agent traite plusieurs tickets à la suite dans un même contexte, il confond les fichiers et reporte dans une nouvelle modification des traces de l'ancienne. L'isolation réduit ce risque, même si la description initiale ne donne aucune donnée sur son ampleur réelle.

Le principe de « moins d'attention du développeur »

Les auteurs formulent l'idée d'architecture ainsi : un minimum d'attention du développeur, un maximum de travail autonome utile. L'agent agit sur demande ou selon des règles définies à l'avance, et ne dérange pas l'équipe sans nécessité. Tout ce qui exige une décision humaine remonte dans le tableau de bord web. Le développeur le consulte lui-même, au lieu de recevoir un flot de notifications.

Pour les chefs de produit et les leads techniques, ce changement est intéressant. La question n'est plus de savoir quel modèle écrit le meilleur code, mais de savoir comment intégrer l'agent au processus : qui a le droit de lui confier des tâches, où il rend compte, quand un humain intervient. La vérification de l'autorisation des membres et le tableau de bord pour l'intervention manuelle montrent que DeepSeek réfléchit précisément à ces questions.

Limites et que faire

DeepSeek le précise clairement : il s'agit d'un prototype de recherche, et non d'une solution de production prête à l'emploi. Autre détail : une partie du code du projet a elle aussi été écrite par des agents d'IA. C'est spectaculaire, mais cela invite aussi à lire le dépôt avec plus d'attention avant de reprendre quoi que ce soit.

Ce que la description ne contient pas : des benchmarks, des statistiques sur les Pull Requests acceptées, une comparaison avec d'autres agents, des données sur le coût des exécutions. Il n'est donc pas encore possible d'évaluer la qualité du travail de l'agent autrement que par sa propre expérimentation. L'intégration avec Feishu peut aussi être gênante pour les équipes qui travaillent sur Slack ou Telegram. Il faudra alors écrire un adaptateur, ce que la licence MIT autorise.

Ce que peuvent faire les praticiens :

  • si vous développez votre propre agent de programmation, étudiez comment le projet organise les sessions, les règles de lancement et le tableau de bord des tâches : c'est un exemple de structure prêt à l'emploi ;
  • si vous voulez tester, commencez dans un bac à sable et sur un dépôt sans code sensible, et n'ouvrez l'accès qu'à un cercle restreint de personnes ;
  • ne laissez pas partir des Pull Requests automatiques vers la branche principale sans relecture humaine.

La sortie en elle-même ne promet pas de révolution : c'est un prototype en open source. Mais elle montre dans quelle direction évolue le marché. Les agents cessent d'être une fenêtre de chat et deviennent des membres de l'équipe, avec une file de tâches, des droits d'accès et des comptes rendus dans les mêmes discussions où travaillent les humains. Pour les développeurs, c'est l'occasion d'examiner cette architecture de l'intérieur et d'en reprendre ce qui convient à leur processus.

Dossier

Questions clés sur cet article

Comment cela fonctionne en pratique?

Imaginez qu'une tâche soit créée dans le dépôt : « L'export du rapport plante quand la date est vide ». D'habitude, quelqu'un de l'équipe prend le ticket, crée une branche, corrige le problème, ouvre une Pull Request et annonce dans la discussion que c'est terminé. Ici, l'agent prend en charge l'essentiel de cette chaîne.

Que sait-on sur Le principe de « moins d'attention du développeur » ?

Les auteurs formulent l'idée d'architecture ainsi : un minimum d'attention du développeur, un maximum de travail autonome utile. L'agent agit sur demande ou selon des règles définies à l'avance, et ne dérange pas l'équipe sans nécessité. Tout ce qui exige une décision humaine remonte dans le tableau de bord web. Le développeur le consulte lui-même, au lieu de recevoir un flot de notifications. Pour les chefs de produit et les leads techniques, ce changement est intéressant.

Que sait-on sur Limites et que faire ?

DeepSeek le précise clairement : il s'agit d'un prototype de recherche, et non d'une solution de production prête à l'emploi. Autre détail : une partie du code du projet a elle aussi été écrite par des agents d'IA. C'est spectaculaire, mais cela invite aussi à lire le dépôt avec plus d'attention avant de reprendre quoi que ce soit. Ce que la description ne contient pas : des benchmarks, des statistiques sur les Pull Requests acceptées, une comparaison avec d'autres agents, des données sur le coût des exécutions.

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…