Just AI automatise JAICP DSL : un agent IA écrit patterns et tests en une minute au lieu de six heures

Just AI a automatisé le travail avec JAICP DSL grâce à un agent IA qui écrit les patterns et les tests automatiques à la place d'un humain. Selon l'équipe, une tâche qui demandait auparavant environ six heures de routine manuelle prend désormais environ une minute. Le développeur n'a plus qu'à vérifier le résultat et, au besoin, à le corriger.

Pourquoi c'était nécessaire

L'équipe JAICP travaille avec un DSL spécifique pour décrire les patterns grâce auxquels le bot comprend les phrases des utilisateurs. Sur le papier, la tâche semble simple : prendre « oui », « salut » ou « ça ne marche pas » et les décrire sous forme de modèle. En pratique, tout se complique vite : les utilisateurs écrivent en argot, font des fautes, emploient des formes familières, et ce dans différentes langues. Pour un projet, Just AI a dû couvrir le russe, l'anglais, l'allemand et le turc, et la traduction littérale y fonctionne souvent mal.

La variabilité s'est révélée particulièrement pénible. Le client fournit une liste de base de phrases, mais pour couvrir correctement les scénarios, le développeur doit imaginer lui-même des équivalents, des formes morphologiques et des formulations atypiques. Les tests automatiques ne règlent pas complètement le problème non plus : même si un script peut générer le modèle, quelqu'un doit encore préparer les exemples d'entrée, vérifier la syntaxe et s'assurer que le DSL est bien utilisé.

L'équipe a donc décidé de ne pas se contenter d'une simple requête à un LLM et de construire un agent dédié, qui connaît le contexte de la plateforme et prend la routine en charge.

Comment fonctionne l'agent

La solution repose sur Claude Sonnet 4.5, choisi pour sa génération stable de code DSL et son bon suivi des instructions. L'agent dispose de trois outils : la recherche de passages pertinents de la documentation dans Jay Knowledge Hub, la génération de réponses à partir de la même base de connaissances, et une auto-vérification distincte via Llm.sendRequest avec GPT-4o-mini. Cet empilement permet non seulement de « compléter » des phrases, mais aussi de s'appuyer sur de vrais exemples JAICP et d'intercepter une partie des erreurs avant que le résultat n'arrive à l'utilisateur.

• Récupère exemples et règles dans la base de connaissances JAICP
• Génère des patterns et explique leur structure
• Montre quelles phrases le modèle couvre
• Écrit des tests automatiques à partir des mêmes exemples
• Sépare les réponses par langue et ne les mélange pas dans un même bloc

C'est le prompt, et non l'ensemble d'outils, qui a joué le rôle clé. L'équipe l'a découpé en logique générale, bloc pour les patterns, bloc pour les tests automatiques et auto-vérification finale. Les instructions décrivent séparément l'analyse sémantique, morphologique et syntaxique, les règles pour les blocs optionnels et le regroupement des synonymes, puis forcent le modèle à construire des patterns optimisés plutôt que des énumérations littérales. Quand les modèles continuaient à « n'en faire qu'à leur tête », le prompt a été compressé et structuré avec l'aide de DeepSeek, et pour le multilinguisme, une règle simple a été ajoutée : d'abord identifier la langue, puis appliquer sa morphologie.

Résultats et chiffres

L'agent terminé a été branché à Telegram pour tester les scénarios plus vite. Résultat : le bot a appris à construire un pattern DSL à partir d'une seule phrase d'utilisateur, à montrer les variantes de répliques couvertes et à générer aussitôt les tests automatiques. Autre bonus : le système s'est mis à écrire même des scénarios en DSL, alors qu'il n'avait pas été entraîné spécifiquement pour cela : le modèle est allé chercher les connaissances nécessaires dans la documentation de la base de connaissances. Ce format s'est révélé utile non seulement pour les développeurs expérimentés, mais aussi pour l'intégration des débutants, qui ont besoin de voir non seulement le modèle final, mais aussi la logique de sa construction.

« L'agent s'en sort aussi en 1 minute, soit une accélération de 360 fois. »

L'équipe a calculé ces chiffres sur un exemple précis : 20 phrases fournies par un client doivent être transformées en patterns dans quatre langues, enrichies de variabilité et couvertes par des tests. À la main, le russe prend environ une heure, les autres langues au moins trois heures de plus, auxquelles s'ajoutent une heure pour les tests automatiques et environ une autre heure pour imaginer des formulations supplémentaires. Cela fait au minimum six heures de travail monotone, hors corrections. L'agent produit la même ébauche en une minute environ, mais la relecture finale reste humaine, et c'est ce qui rend le cas réaliste plutôt que publicitaire.

Ce que cela signifie

Le cas de Just AI montre que des agents IA très spécialisés sont déjà utiles non seulement pour les chats et la recherche, mais aussi pour le développement interne sur des DSL de niche. Si une équipe dispose de documentation, de règles claires et d'un travail manuel répétitif, un agent peut supprimer des heures de routine, même sans architecture complexe ni réentraînement important.