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'emploiGitHub Trending AI→ original

JetBrains dévoile ThinkRail : un IDE agentique qui récolte 1211 étoiles en une journée

JetBrains a publié ThinkRail, un IDE léger dans lequel l'agent d'IA ne travaille pas dans votre dossier, mais dans un espace de travail séparé doté de sa propre branche git. Plusieurs agents modifient le code en parallèle, puis vous récupérez les résultats retenus et supprimez le reste. En une journée, le dépôt a obtenu 1211 étoiles. Pour ceux qui exploitent des agents de code, c'est une couche d'outillage prête à l'emploi, qui remplace les scripts maison autour de git worktree.

Traité par IA depuis GitHub Trending AI ; édité par Hamidun News
JetBrains dévoile ThinkRail : un IDE agentique qui récolte 1211 étoiles en une journée
Source : GitHub Trending AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireGitHub Trending AI ↗
Rédacteur en chef
Chiffre clé #1Les spécifications du projet sont stockées sous forme de graphe à côté du code et persistent d'une session à l'autre
Chiffre clé #2Ollama, vLLM, LM Studio, LiteLLM et tout serveur compatible OpenAI peuvent être connectés
Chiffre clé #3Les skills s'importent depuis Claude et Codex, et les serveurs MCP se configurent dans les paramètres

Les agents de code ont rapidement appris à écrire du code, mais leur organisation au quotidien reste compliquée. Un agent modifie les fichiers directement dans votre répertoire de travail, deux conversations se gênent mutuellement, et au bout d'une semaine, personne ne se souvient pourquoi le module est structuré ainsi. JetBrains a tenté de résoudre ce problème avec son nouveau projet ThinkRail, qui a réuni 1211 étoiles en une journée sur GitHub Trending.

ThinkRail est un IDE agentique à dépôt ouvert. Il comprend un éditeur basé sur Monaco, un explorateur de fichiers qui met en évidence les modifications git, des terminaux et une visionneuse de documents. Le moteur est l'agent pi : ThinkRail le lance dans son propre processus et le relie à une interface web en React 19. Les modèles, les skills, la compression du contexte et le coût restent gérés par le moteur, tandis que les espaces de travail et l'interface relèvent de la coque elle-même.

Des espaces de travail plutôt qu'un dossier commun

L'idée centrale est l'isolation. N'importe quel dépôt git s'ouvre comme projet, et des espaces de travail en sont dérivés : chacun dispose de sa propre branche et de son propre répertoire de travail. Les agents y travaillent en parallèle sans toucher au code source. Une fois la tâche terminée, vous intégrez les résultats utiles à la branche principale et supprimez le reste.

Il suffit d'écrire dans le chat « fais ça dans un espace de travail annexe » : l'agent crée lui-même l'espace de travail et une nouvelle conversation, puis suit l'avancement des conversations et des pull requests. Les espaces de travail terminés se ferment après le merge ou la fermeture de la PR, ou après une semaine d'inactivité. Dès que vous reprenez le travail, l'espace de travail se réactive. Le bandeau supérieur indique la position de la branche par rapport à la principale et l'état de sa PR. Pour GitHub, les vérifications CI et les décisions des relecteurs sont affichées, et la PR peut être mergée ou rouverte directement depuis l'interface.

À part, des conversations sans dépôt permettent de poser des questions et de rédiger des brouillons. Chacune dispose de son propre dossier temporaire. Si la discussion se transforme en travail concret, l'agent rédige un bref résumé de contexte et ouvre avec lui une nouvelle conversation dans un espace de travail.

Mémoire du projet : spécifications et skills

Le second niveau est la mémoire longue durée. À côté du code se trouve un graphe de spécifications que l'agent lit, parcourt et met à jour grâce à des outils dédiés. Les intentions du projet survivent aux sessions individuelles. Le développement suit un principe spec-first : si une modification de l'agent change la frontière d'un module ou un contrat, la spécification est mise à jour dans la même évolution.

Les skills réutilisables fonctionnent aussi. ThinkRail sait les importer depuis Claude, Codex et d'autres agents de code. Si la bibliothèque est volumineuse, une liste compacte est injectée dans le prompt, et le reste est retrouvé par l'agent via une recherche dans les skills. Les serveurs MCP sont pris en charge. Les appels qu'un serveur ne marque pas comme sûrs en lecture exigent une confirmation dans le chat, et les serveurs décrits dans le dépôt ne sont pas activés sans votre approbation.

L'interface est elle aussi conçue pour l'agent. Au lieu de deviner, il pose des questions structurées avec des options de réponse, dessine des diagrammes Mermaid et affiche des maquettes d'interface « avant/après » que l'on peut commenter comme un diff. Les maquettes dans le navigateur sont des prototypes cliquables, dont les scripts s'exécutent dans un bac à sable sans accès réseau. Les résultats, comme les rapports, schémas et captures d'écran, sont rangés dans un dossier d'artefacts dédié, et les fichiers supprimés par l'agent restent visibles dans la liste.

Modèles, plateformes et confidentialité

ThinkRail n'a pas de compte propre. On peut se connecter via JetBrains AI ou brancher ses propres fournisseurs. Tout serveur compatible OpenAI est également pris en charge : LiteLLM, sglang, vLLM, Ollama, LM Studio, llama.cpp. Cela convient aussi bien à une passerelle d'entreprise qu'à un modèle local.

L'application est distribuée sous forme d'installeur natif pour macOS 14+, Windows et Linux, ainsi que sous forme de CLI qui ouvre la même interface dans le navigateur. Les canaux stable et nightly sont disponibles, et l'installeur vérifie le SHA-256. L'interface est traduite en sept langues, dont le russe.

Ce qu'il faut prendre en compte avant l'installation

Il y a des réserves. Le CLI pour macOS est signé mais pas encore notarisé, et les artefacts pour Linux ne sont pas signés du tout. Les anciens DMG peuvent être bloqués par Gatekeeper. Les versions sont encore en 0.x (les exemples mentionnent 0.3.1 et 0.4.0-nightly), ce qui signifie que le produit est jeune. L'application collecte une télémétrie de base : lancements, créations de conversations, envois de messages et connexions de fournisseurs, rattachés à un identifiant d'installation aléatoire. Les prompts, le code et les fichiers n'y figurent pas. Les rapports d'erreurs sont toujours envoyés, mais les données supplémentaires peuvent être désactivées dans les paramètres.

En pratique : si vous faites déjà tourner plusieurs agents de code et gérez à la main des git worktree, des scripts et des notes pour les accompagner, ThinkRail mérite d'être examiné comme cadre tout prêt. L'isolation par espaces de travail, le graphe de spécifications et la connexion de modèles locaux répondent à trois problèmes typiques de ce type de travail.

Dossier

Questions clés sur cet article

Que sait-on sur Des espaces de travail plutôt qu'un dossier commun ?

L'idée centrale est l'isolation. N'importe quel dépôt git s'ouvre comme projet, et des espaces de travail en sont dérivés : chacun dispose de sa propre branche et de son propre répertoire de travail. Les agents y travaillent en parallèle sans toucher au code source. Une fois la tâche terminée, vous intégrez les résultats utiles à la branche principale et supprimez le reste.

Que sait-on sur Mémoire du projet : spécifications et skills ?

Le second niveau est la mémoire longue durée. À côté du code se trouve un graphe de spécifications que l'agent lit, parcourt et met à jour grâce à des outils dédiés. Les intentions du projet survivent aux sessions individuelles. Le développement suit un principe spec-first : si une modification de l'agent change la frontière d'un module ou un contrat, la spécification est mise à jour dans la même évolution. Les skills réutilisables fonctionnent aussi.

Que sait-on sur Modèles, plateformes et confidentialité ?

ThinkRail n'a pas de compte propre. On peut se connecter via JetBrains AI ou brancher ses propres fournisseurs. Tout serveur compatible OpenAI est également pris en charge : LiteLLM, sglang, vLLM, Ollama, LM Studio, llama.cpp. Cela convient aussi bien à une passerelle d'entreprise qu'à un modèle local. L'application est distribuée sous forme d'installeur natif pour macOS 14+, Windows et Linux, ainsi que sous forme de CLI qui ouvre la même interface dans le navigateur.

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.
✦ Hands-On AI Engineering · Hamidun Academy

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.

Start 72h Free Trial →Vibe-Coding Intensive
Qu'en pensez-vous ?
Chargement des commentaires…