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)
SortieCode / SDK · Prêt à l'emploiHabr AI→ original

Comment faire aller un agent IA jusqu'au bout : tests automatisés de 12 minutes et merge manuel

Un agent écrit souvent « terminé » alors que son code n'a pas été vérifié. Le développeur d'un shooter en ligne a donc entouré le modèle d'un harnais, c'est-à-dire un ensemble de règles et de contrôles. L'agent écrit le code et les tests, lance le jeu dans Docker et exécute des tests e2e de bout en bout : des bots jouent un match complet, qui dure environ 12 minutes. L'agent ouvre ensuite une PR (pull request, une demande de fusion du code), mais seul un humain clique sur merge. La conclusion : faites confiance à l'agent dans la mesure des contrôles qu'il a passés.

Traité par IA depuis Habr AI ; édité par Hamidun News
Comment faire aller un agent IA jusqu'au bout : tests automatisés de 12 minutes et merge manuel
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Chiffre clé #1Les tests e2e ne sont nécessaires que lors de modifications de la logique de jeu, pas du frontend
Chiffre clé #2Après environ 60 % de remplissage du contexte, l'attention du modèle baisse
Chiffre clé #3Les tâches sont rangées dans docs/tasks, sous forme de courts fichiers md distincts

Un réseau de neurones qui écrit du code aime dire « terminé » dès la première exécution, même s'il a cassé un module voisin. Le développeur d'un shooter en ligne, réalisé presque entièrement avec l'IA, a résolu ce problème en encadrant le modèle d'un harnais : un ensemble de règles, d'outils et de contrôles qui guide l'agent étape par étape. Dans son cas, l'agent écrit le code et les tests, lance le jeu dans Docker et exécute des tests e2e (end-to-end : des bots se connectent au jeu et jouent un match réel, qui dure environ 12 minutes).

Ensuite, l'agent ouvre une PR — pull request, une demande de fusion du code dans la branche principale — mais c'est un humain qui clique sur merge. Cette approche intéressera tous ceux qui confient de vraies tâches à des agents et qui comptent leurs tokens.

Ce qu'est un harnais, en termes simples

L'analyse repose sur une formule : agent égale LLM plus harnais. Le modèle sait raisonner, mais tout le reste relève de l'enveloppe : elle fait tourner la boucle d'appels, lance les outils, assemble le contexte, gère la mémoire et le cache, et vérifie le résultat. Selon l'auteur, le terme s'est imposé au début de 2026, après les textes de Mitchell Hashimoto de HashiCorp, un rapport d'OpenAI sur Codex et des articles de LangChain.

L'auteur distingue cinq composants :

  • la boucle : le modèle est appelé jusqu'à ce que la tâche soit accomplie ou que la limite soit atteinte ;
  • les outils : traitement des tool_call émis par le modèle et exécution du code de l'outil ;
  • le contexte : assemblage du prompt en tenant compte de toutes les couches de l'enveloppe ;
  • les contraintes : rôles, budgets de tokens ;
  • les contrôles : LLM as judge et garde-fous (guardrails).

Les grands acteurs disposent déjà d'un harnais : Claude Code chez Anthropic, Codex chez OpenAI. Même le simple envoi d'un fichier dans un chat cache beaucoup de logique : enregistrer, lire, reconnaître le texte par OCR ou par un modèle Vision, placer le fichier dans S3, vérifier s'il tient dans le contexte. Pour les tâches courantes, un prompt en une seule fois suffit. Mais lorsqu'il faut un processus adapté à un produit précis, le harnais standard ne suffit plus, et il faut le compléter soi-même.

Comment personnaliser le harnais pour un projet

La première étape consiste en un fichier claude.md (ou agents.md) : des instructions ajoutées au prompt à chaque requête. L'auteur donne un exemple parlant : la règle « commence toujours ta réponse par ! » et l'agent répond effectivement « !Bonjour, en quoi puis-je vous aider ? ». On fixe ainsi des règles de base que l'agent n'oublie presque jamais.

La deuxième étape est la formalisation des tâches. On peut utiliser un framework comme openspec, mais pour un seul projet dans un monorepo, un dossier /docs suffit. Dans claude.md figure la règle : commencer par le fichier principal de docs, qui contient des références croisées vers les autres documents (état de la fonctionnalité, architecture). Chaque tâche est un petit fichier md séparé dans docs/tasks. Cela économise le contexte : selon l'expérience de l'auteur, au-delà d'environ 60 % de la fenêtre, l'attention du modèle commence à se disperser, et il faut alors ouvrir un nouveau chat ou compresser le dialogue avec le skill compact.

Le pipeline de l'auteur est essentiellement linéaire :

  1. Il pose la tâche dans le chat et mène une session de grilling (une série de questions de précision) à l'aide d'un plugin de skills de Matt Pocock.
  2. L'agent lit la tâche et appelle, si besoin, des skills comme system-design.
  3. Il réalise une maquette avec claude design, puis écrit le code et les tests.
  4. Il prépare la version : incrémente le numéro de version du paquet, rédige le changelog.
  5. Il lance la stack locale dans Docker et exécute les contrôles statiques.
  6. Si le code serveur des mécaniques de jeu a changé, il lance les e2e : de vraies sessions sont créées sur la stack locale, et des bots aux scénarios définis s'y connectent.
  7. Il crée une PR vers master, où les linters s'exécutent une nouvelle fois.
  8. Seul un humain clique sur merge, après quoi le déploiement a lieu.

Trois conclusions et réserves honnêtes

Premièrement, le « terminé » doit être prouvé. L'agent peut ne pas respecter une consigne, mais un test en échec ou réécrit de façon suspecte se verra dans le pipeline. Les tests unitaires et e2e, les analyseurs statiques comme SonarQube constituent une couche à laquelle on peut faire davantage confiance qu'aux affirmations du modèle.

Deuxièmement, le harnais grandit avec le projet. Par exemple, les tests e2e durent environ 12 minutes, soit la durée d'un match. Lorsque l'auteur ne modifiait que le frontend ou le backend sans logique de jeu, ces tests étaient inutiles, et le harnais a reçu la règle « ne lancer qu'en cas de changement des mécaniques ». C'est un gain direct de temps et de tokens à chaque itération.

Troisièmement, moins il y a de contexte superflu, plus on a de chances d'obtenir une solution de qualité en un nombre réduit de corrections. Les spécifications et la documentation dans le dépôt sont particulièrement utiles avec les abonnements d'entrée de gamme, où il importe de dépenser le moins de tokens possible par fonctionnalité.

Les réserves sont évidentes. Il s'agit de l'expérience d'une seule personne sur un seul projet : un shooter en ligne avec des bots, où les tests e2e sont faciles à automatiser. L'auteur souligne lui-même qu'il n'existe pas de pipeline unique et parfait : parfois il faut sacrifier la vitesse aux contrôles, parfois assembler un prototype plus vite sans se soucier de la qualité du code.

L'analyse ne fournit aucune métrique, comme la part de tâches réussies ou le coût d'une fonctionnalité en tokens : il s'agit donc d'un ensemble de pratiques, et non de résultats mesurés. On peut commencer petit : un claude.md avec les règles de base, un dossier docs avec de courts fichiers de tâches, et une exécution obligatoire des tests avant la PR.

Le reste s'ajoute au fil des fois où l'agent tombe à nouveau dans le même piège.

Dossier

Questions clés sur cet article

Que sait-on sur Ce qu'est un harnais, en termes simples ?

L'analyse repose sur une formule : agent égale LLM plus harnais. Le modèle sait raisonner, mais tout le reste relève de l'enveloppe : elle fait tourner la boucle d'appels, lance les outils, assemble le contexte, gère la mémoire et le cache, et vérifie le résultat. Selon l'auteur, le terme s'est imposé au début de 2026, après les textes de Mitchell Hashimoto de HashiCorp, un rapport d'OpenAI sur Codex et des articles de LangChain.

Comment personnaliser le harnais pour un projet?

La première étape consiste en un fichier claude.md (ou agents.md) : des instructions ajoutées au prompt à chaque requête. L'auteur donne un exemple parlant : la règle « commence toujours ta réponse par ! » et l'agent répond effectivement « !Bonjour, en quoi puis-je vous aider ? ». On fixe ainsi des règles de base que l'agent n'oublie presque jamais. La deuxième étape est la formalisation des tâches. On peut utiliser un framework comme openspec, mais pour un seul projet dans un monorepo, un dossier /docs suffit.

Que sait-on sur Trois conclusions et réserves honnêtes ?

Premièrement, le « terminé » doit être prouvé. L'agent peut ne pas respecter une consigne, mais un test en échec ou réécrit de façon suspecte se verra dans le pipeline. Les tests unitaires et e2e, les analyseurs statiques comme SonarQube constituent une couche à laquelle on peut faire davantage confiance qu'aux affirmations du modèle. Deuxièmement, le harnais grandit avec le projet. Par exemple, les tests e2e durent environ 12 minutes, soit la durée d'un match.

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…