Parcha publie AgentRun : la revue de code passe de 1 dollar à 18 centes par contrôle
Les agents réapprennent sans cesse la même API et relisent la documentation, et vous payez chaque token. Parcha a publié sous Apache-2.0 la plateforme AgentRun : après chaque exécution, l'agent enregistre une note, une compétence ou un scénario prêt à l'emploi. Chez eux, la facture de revue de code auprès de Greptile (1 dollar par contrôle) est passée de 180 $ à 6451 $ par mois, alors qu'un relecteur maison sur un modèle bon marché coûte 18 centes. Pour les tâches répétitives, il est rentable de n'appeler le modèle coûteux que pour le premier apprentissage.
Traité par IA depuis Hacker News AI ; édité par Hamidun News
Imaginez un employé très brillant qui oublie chaque matin tout ce qu'il a appris la veille. Chaque jour, il relit la documentation de la même API, reconstruit son plan et refait les mêmes erreurs, pendant que vous le payez à l'heure. C'est à peu près ainsi que fonctionnent aujourd'hui beaucoup d'agents en production : chaque nouvelle exécution est facturée en tokens, alors que la tâche est depuis longtemps familière. L'équipe de Parcha a publié en accès libre la plateforme AgentRun, qui veut supprimer ce travail redondant. Le projet est apparu sur Hacker News sous la forme d'un Show HN, et tous les chiffres ci-dessous sont des affirmations des auteurs eux-mêmes, et non un benchmark indépendant.
D'où viennent le dollar et les 18 centes
La motivation des auteurs est très concrète. Le service Greptile de revue de code facturait depuis mars un dollar par contrôle de pull request. Lorsque les agents de l'équipe ont gagné en activité, la facture mensuelle est passée de 180 $ à 6451 $, soit environ 36 fois plus.
Parcha a alors construit son propre relecteur sur un modèle bon marché et l'a calibré sur ses PR. Selon les auteurs, un contrôle coûte désormais 18 centes au lieu d'un dollar. Sur 30 pull requests que le système n'avait jamais vues, il a trouvé 1,6 fois plus de bogues réels que Greptile.
L'échantillon est petit : il faut donc considérer ce chiffre comme un ordre de grandeur, et non comme une preuve.
Second exemple : la classification des marchands, c'est-à-dire la détermination de la catégorie à laquelle appartient un vendeur. Le coûteux Opus découvre d'abord comment procéder, puis l'expérience accumulée est transmise à un modèle bon marché. Le coût par marchand est tombé de 0,89 $ à 0,12 $.
Le fonctionnement
AgentRun ne remplace pas votre agent. Vous choisissez votre environnement : Claude Code, Codex, OpenCode ou pi. La plateforme y ajoute trois éléments.
Le premier est l'autoapprentissage. Après chaque exécution, l'agent conserve ce qui servira la fois suivante : une note, une compétence ou un scénario prêt à l'emploi. Tout est stocké dans un dossier git dédié à l'agent.
Les retours humains, par exemple une évaluation ou un message envoyé après la première réponse, deviennent des lignes du fichier corrections.md, que chaque nouvelle exécution charge intégralement. Lorsqu'un agent atteint 20 exécutions terminées (valeur par défaut), la plateforme tente d'en tirer un scénario : un document pas à pas comprenant des appels d'outils, des étapes confiées au modèle et des décisions rapides « oui/non » assorties d'un score de confiance.
Par exemple, le modèle penche pour « approuver » avec une confiance de 0,61, alors que le seuil du scénario est de 0,75 : le cas est donc renvoyé à une vérification manuelle. Le scénario est d'abord contrôlé par le code, testé à blanc, puis rejoué une fois sur des entrées passées. Il n'est activé que s'il répond à un nombre suffisant de cas et s'il concorde avec les réponses de l'agent.
Les cas complexes reviennent à l'agent. La plateforme refuse les secrets dans les notes et les brouillons.
Le deuxième est l'exécution résiliente. Toutes les exécutions sont stockées dans un même entrepôt. Si le serveur est arrêté en pleine tâche, l'exécution reprend après le redémarrage. Si un runner tombe en panne, un autre reprend le travail à l'expiration de la location de 30 secondes. Les étapes terminées ne sont pas rejouées, et un enregistrement interrompu en plein appel par une panne est marqué interrupted, afin que vous le vérifiiez manuellement.
Le troisième est le tableau de bord. Pour chaque outil, vous définissez un mode : autorisé, à confirmer ou interdit. Chaque exécution dispose d'un plafond de dépenses : une fois atteint, elle se met en pause au lieu d'échouer. Un coût que la plateforme ne peut pas calculer s'affiche comme « unknown » et non comme 0 $. Vous pouvez aussi attribuer à l'agent l'ordinateur voulu : bac à sable, bureau Linux, téléphone Android ou navigateur.
Ce que l'on peut tester dès maintenant
La plateforme est distribuée sous Apache-2.0. Elle requiert Node 24.22.3 ou plus récent, macOS ou Linux. Elle peut tourner sur un ordinateur portable, dans un seul conteneur ou en serveur avec plusieurs runners. Des instructions existent pour Railway, Render, VPS, Kubernetes, Coolify, Dokploy et Docker. Si vous utilisez déjà Claude Code ou Codex, vous pouvez réutiliser votre configuration existante. Pour Codex et pi, une connexion via ChatGPT suffit, sans clé de modèle. Les agents déjà en service dans votre backend peuvent simplement être observés via la CLI et OpenTelemetry Collector, sans activer l'apprentissage.
Des modèles d'agents sont fournis : revue de pull request par huit relecteurs indépendants, due diligence sur une entreprise, synthèse hebdomadaire des changements chez les entreprises suivies, et scoring de prospects de 0 à 100. Chaque modèle peut être vérifié sur vos propres cas de test.
Limites et conclusion
La réflexion et l'évaluation indépendante de la qualité consomment des tokens supplémentaires : l'économie n'est donc pas gratuite. Les connexions distantes exigent pour l'instant un serveur et un connecteur Python issus d'un même checkout vérifié. Tous les chiffres proviennent des tâches de Parcha, et les résultats sur votre propre code peuvent différer.
La conclusion pratique est simple. Si vous avez des tâches d'agents répétitives, comme la revue, la classification ou le scoring, il est judicieux de payer une fois un modèle puissant, puis de transférer l'expérience accumulée dans un scénario confié à un modèle bon marché. Vous pouvez tester cette approche sur vos propres données dès maintenant : AgentRun peut servir de banc d'essai prêt à l'emploi.
- 21 nov. 2026Anthropic baisse de 20 % le prix de Claude Fable 5.2 : sur le code, elle fait presque jeu égal avec Opus 5.5
- 21 nov. 2026Dreamteam lève 53 M$ pour un CRM qui se remplit tout seul à partir des e-mails et des appels
- 21 nov. 2026Claude Opus 5.5 complète le jeu d'horreur Dimension 9 à partir des 15 salles de son auteur
- 21 nov. 202622 agents Claude ont cherché pendant six semaines des réponses sur les trous noirs — et ont résolu deux problèmes
Questions clés sur cet article
Que sait-on sur D'où viennent le dollar et les 18 centes ?
La motivation des auteurs est très concrète. Le service Greptile de revue de code facturait depuis mars un dollar par contrôle de pull request. Lorsque les agents de l'équipe ont gagné en activité, la facture mensuelle est passée de 180 $ à 6451 $, soit environ 36 fois plus. Parcha a alors construit son propre relecteur sur un modèle bon marché et l'a calibré sur ses PR. Selon les auteurs, un contrôle coûte désormais 18 centes au lieu d'un dollar.
Que sait-on sur Le fonctionnement ?
AgentRun ne remplace pas votre agent. Vous choisissez votre environnement : Claude Code, Codex, OpenCode ou pi. La plateforme y ajoute trois éléments. Le premier est l'autoapprentissage. Après chaque exécution, l'agent conserve ce qui servira la fois suivante : une note, une compétence ou un scénario prêt à l'emploi. Tout est stocké dans un dossier git dédié à l'agent.
Que sait-on sur Ce que l'on peut tester dès maintenant ?
La plateforme est distribuée sous Apache-2.0. Elle requiert Node 24.22.3 ou plus récent, macOS ou Linux. Elle peut tourner sur un ordinateur portable, dans un seul conteneur ou en serveur avec plusieurs runners. Des instructions existent pour Railway, Render, VPS, Kubernetes, Coolify, Dokploy et Docker. Si vous utilisez déjà Claude Code ou Codex, vous pouvez réutiliser votre configuration existante. Pour Codex et pi, une connexion via ChatGPT suffit, sans clé de modèle.
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.