Un agent IA à 100 roubles : comment configurer OpenCode avec DeepSeek sans dépasser 60 % du contexte
Il est possible de faire tourner son propre agent de programmation pour environ 100 roubles : OpenCode, gratuit, fonctionne avec le modèle peu coûteux DeepSeek Flash, et la somme correspond au montant minimal de recharge via Alipay. La mémoire de conversation du modèle atteint 1 million de tokens, mais plus elle est remplie, plus les réponses se dégradent ; l'auteur recommande donc de ne pas occuper plus de 60 % (600 000 tokens). En pratique, il faut découper le travail en petites tâches confiées à des sous-agents neufs et nettoyer la session avec la commande /clear.
Traité par IA depuis Habr AI ; édité par Hamidun News
Lancer son propre agent de programmation IA coûte aujourd'hui environ 100 roubles. Le chiffre est indicatif : c'est le montant minimal d'une recharge via Alipay, le service de paiement chinois qui alimente le solde du modèle DeepSeek. L'agent lui-même, OpenCode, est gratuit et open source, et DeepSeek Flash, modèle rapide et bon marché, en assure le fonctionnement. Le second chiffre clé de l'analyse publiée sur Habr est 60 %. Il s'agit de la part de la fenêtre de contexte, autrement dit de la « mémoire vive » de la conversation (celle de Flash atteint 1 million de tokens), qu'il ne faut pas dépasser : au-delà, le modèle raisonne moins bien. Voici l'essentiel de la procédure.
Démarrage économique : OpenCode et DeepSeek
L'auteur part d'une comparaison historique. Autrefois, un portrait coûtait cher et prenait des semaines ; puis l'appareil photo est arrivé, et n'importe qui a pu photographier. Selon elle, la programmation suit la même trajectoire : l'agent remplace l'appareil, il écrit du code et accomplit toute tâche sur un ordinateur, du bot au rapport financier. Mais il n'existe pas de « bouton chef-d'œuvre » : demander « fais le mieux possible » ne donne pas un résultat abouti.
La mise en place est simple. OpenCode existe sous forme de terminal, de version web et d'application de bureau. Sur DeepSeek, on s'inscrit, on recharge le solde par QR-code via Alipay, on récupère une clé API sur platform.deepseek.com et on la saisit dans les paramètres du fournisseur en choisissant le modèle deepseek-flash. L'erreur 401 signale une clé incorrecte, l'erreur 402 un solde vide. Alipay exige une vérification avec un passeport étranger ; la recharge peut aussi se faire par virement Sber vers la Chine, sur un numéro au format +7. Cette procédure relève d'un usage personnel : pour des tâches professionnelles, elle doit être validée par le service de sécurité.
Il est même possible de commencer gratuitement : OpenCode propose des modèles gratuits. Mais ceux-ci sont souvent limités dans le temps, et certains utilisent vos données pour s'améliorer ; pour un usage réel, mieux vaut DeepSeek payant.
Agents, commandes et contrôle
Inutile d'écrire les agents à la main : il suffit de demander à l'agent principal, dans le chat, par exemple « Crée un sous-agent Finance, c'est un analyste financier qui calcule uniquement avec des scripts ». OpenCode crée le fichier .opencode/agents/finance.md, et le sous-agent s'appelle ensuite via @finance. Les règles du projet figurent dans AGENTS.md, que l'agent lit au début de chaque session, si bien qu'il ne « oublie » pas qui vous êtes. Plusieurs agents s'enchaînent par une commande : un fichier placé dans .opencode/commands lance une chaîne du type « analyste, puis développeur, puis testeur » avec une seule saisie /audit.
Trois mécanismes limitent l'autonomie excessive : le panneau Questions, où l'agent pose ses questions de précision avant de commencer, le panneau To-do, qui affiche une liste de contrôle des étapes, et le réglage Permission. Si vous mettez Ask pour Edit et Bash, l'agent demandera l'autorisation pour chaque modification de fichier et chaque commande. L'auteur prévient honnêtement : les agents lisent les instructions, mais parfois l'envie d'accomplir la tâche l'emporte ; le vrai contrôle passe donc par Permission, non par l'espoir d'une obéissance.
Contexte : pourquoi 60 % et non 100 %
La partie la plus utile de l'analyse concerne le contexte. Par défaut, OpenCode ne garde rien d'une session à l'autre, et les sous-agents travaillent dans des espaces isolés. Le modèle dispose d'une « zone intelligente » au début du contexte, et d'une « zone bête » lorsque celui-ci s'allonge : l'attention se dilue, comme lorsqu'on tente d'écouter un interlocuteur dans une salle où cent personnes parlent en même temps. C'est pourquoi l'auteur ne considère pas la fenêtre de 1 million de tokens de Flash comme une réserve d'intelligence, mais comme un vaste espace propice aux erreurs. Sa recommandation : ne pas dépasser 60 %, soit 600 000 tokens, et elle-même évite d'approcher même 300 000 tokens.
Il en découle des règles pratiques :
- Découpez les grandes tâches en petites et confiez chacune à un sous-agent neuf.
- Préférez /clear à la compression de l'historique. Après une compression subsiste un « résidu » : on ne sait pas ce qui a été conservé, et d'anciennes données peuvent égarer le modèle. /clear rétablit une fenêtre propre avec le prompt système.
- Gardez courts le prompt système, AGENTS.md et les descriptions des agents : tout ce qui est toujours présent dans le contexte occupe cette fameuse zone intelligente.
- Rédigez ces instructions en anglais : le texte russe occupe environ 38 % de tokens en plus. Vous pouvez discuter de la tâche avec l'agent en russe, puis demander de traduire le prompt en anglais et de le conserver.
- Tout ce qui peut être codé doit passer par des scripts Python : le modèle lui-même calcule mal.
Limites
Il s'agit d'une instruction personnelle, non d'une mesure de qualité : des chiffres comme 60 % ou 300 000 tokens sont des repères pratiques de l'auteur, et non le résultat d'un benchmark. La voie de paiement par Alipay dépend de la banque et de l'accès régional, et le montant de 100 roubles varie avec le minimum de recharge. Le message clé pour les développeurs et les chefs de produit : le coût et la qualité du travail d'un agent dépendent de la discipline vis-à-vis du contexte autant que du choix du modèle. Des instructions permanentes courtes, des sous-agents isolés et un nettoyage régulier de la session apportent davantage qu'un passage à un modèle plus cher.
- 21 nov. 2026MLCommons se met à mesurer les API d'IA sous charge réelle : 7 mesures pour les agents
- 21 nov. 2026Via OpenRouter, une DeepSeek piratée a répondu pendant trois jours : les refus sont tombés de 83–98 % à 1 %
- 21 nov. 2026Alice, ChatGPT et Perplexity ne citent que 34 sites sur 309 pour les articles
- 21 nov. 2026CoreWeave a mesuré Vera Rubin : jusqu'à 10 fois plus de tokens par mégawatt que le GB200
Questions clés sur cet article
Que sait-on sur Démarrage économique : OpenCode et DeepSeek ?
L'auteur part d'une comparaison historique. Autrefois, un portrait coûtait cher et prenait des semaines ; puis l'appareil photo est arrivé, et n'importe qui a pu photographier. Selon elle, la programmation suit la même trajectoire : l'agent remplace l'appareil, il écrit du code et accomplit toute tâche sur un ordinateur, du bot au rapport financier. Mais il n'existe pas de « bouton chef-d'œuvre » : demander « fais le mieux possible » ne donne pas un résultat abouti. La mise en place est simple.
Que sait-on sur Agents, commandes et contrôle ?
Inutile d'écrire les agents à la main : il suffit de demander à l'agent principal, dans le chat, par exemple « Crée un sous-agent Finance, c'est un analyste financier qui calcule uniquement avec des scripts ». OpenCode crée le fichier .opencode/agents/finance.md, et le sous-agent s'appelle ensuite via @finance. Les règles du projet figurent dans AGENTS.md, que l'agent lit au début de chaque session, si bien qu'il ne « oublie » pas qui vous êtes.
Que sait-on sur Contexte : pourquoi 60 % et non 100 % ?
La partie la plus utile de l'analyse concerne le contexte. Par défaut, OpenCode ne garde rien d'une session à l'autre, et les sous-agents travaillent dans des espaces isolés. Le modèle dispose d'une « zone intelligente » au début du contexte, et d'une « zone bête » lorsque celui-ci s'allonge : l'attention se dilue, comme lorsqu'on tente d'écouter un interlocuteur dans une salle où cent personnes parlent en même temps.
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.