Codex et GitLab : du code à la production en trois étapes
Codex écrit vite du code dans le terminal, mais ce n'est que la moitié du travail. GitLab apporte le contexte : exigences tirées d'une issue via MCP, collaboration dans le merge request, pipeline CI/CD et validation humaine. L'article présente trois scénarios : une correction locale, une correction guidée par les exigences et une aide à la revue de code.
Traité par IA depuis GitLab Blog ; édité par Hamidun News
Codex est un agent IA de programmation dans le terminal. Il écrit du code, lance les tests et fait des commits sur une branche, le tout rapidement. Mais écrire du code n'est que la première étape. Il faut ensuite une tâche, une pull request, du CI/CD, une revue de code et une décision humaine sur le merge. GitLab aide à associer la vitesse de Codex au contexte qu'exige la production.
Codex en local : du bug au code
Le premier scénario se déroule dans le terminal. Dans le projet Tanuki IoT Platform, une erreur affecte le WebSocket : le filtrage des métriques par type ne fonctionne pas. Vous décrivez la tâche à Codex, qui analyse le code Rust, repère le paramètre metric manquant, ajoute le filtrage et écrit des tests. Après vérification, Codex crée une branche, fait le commit et le push. GitLab CI contrôle le style Rust et exécute les tests. La modification est prête pour le merge.
Ici, l'agent travaille avec le dépôt et un fichier local AGENTS.md, qui décrit à quoi doit ressembler une bonne implémentation.
GitLab MCP : le contexte des exigences
Le deuxième scénario ajoute de la profondeur. Codex peut désormais récupérer des informations d'une issue GitLab via MCP (Model Context Protocol). L'issue n° 32 décrit les exigences : il faut des tests, de la documentation et des mises à jour. Au lieu de tout copier dans le prompt, il suffit de demander à Codex « help implement issue 32 », et il charge les exigences directement depuis GitLab.
La correction tient désormais compte non seulement de la solution technique, mais aussi des exigences métier. Codex crée une pull request avec un « Closes #32 » automatique :
- Lit les exigences de l'issue via MCP
- Implémente le changement en tenant compte de tous les détails
- Crée une MR qui ferme l'issue au merge
- Relie le code aux exigences
- Intègre l'agent au workflow de livraison
Ce n'est plus de la programmation locale, mais une participation au processus de livraison.
Un agent externe dans le merge request
Le troisième scénario est le plus intéressant. La revue de code signale des problèmes : il manque de la documentation et des tests pour les cas d'erreur. Vous mentionnez Codex dans un commentaire de la MR (@ai-codex-agent), et l'agent travaille alors dans le contexte de la pull request. Il voit le diff, les retours, les résultats du CI et les approbations. Codex ajoute la documentation, écrit les tests manquants, fait un commit et lance les vérifications. Il publie ensuite une réponse dans la MR.
Le merge request devient la surface centrale : le code est ici, la revue est ici, l'agent aide ici et l'humain approuve ici.
Ce que cela signifie
Coder est devenu rapide, mais la vitesse sans contexte, c'est une chaîne de montage de rustines. Quand l'agent voit les exigences (de l'issue) et la collaboration (de la MR), le travail prend du sens. Cela associe la vitesse du code au contexte de la production : l'agent travaille vite, l'humain prend les décisions.
- 19 nov. 2026Le modèle ouvert DaisyRose-27B résout 12% des tâches de Terminal-Bench, contre 5,6%
- 19 nov. 2026La même Gemma 4 écrit un backend à 80% dans opencode, mais seulement à 41% dans OpenHands
- 19 nov. 2026Les agents de codage d'OpenAI coûteraient 2400 $ par jour et par chercheur au tarif de l'API
- 19 nov. 2026Les agents AWS AgentCore peuvent désormais joindre un Keycloak fermé protégé par une CA d'entreprise
Questions clés sur cet article
Que sait-on sur Codex en local : du bug au code ?
Le premier scénario se déroule dans le terminal. Dans le projet Tanuki IoT Platform, une erreur affecte le WebSocket : le filtrage des métriques par type ne fonctionne pas. Vous décrivez la tâche à Codex, qui analyse le code Rust, repère le paramètre metric manquant, ajoute le filtrage et écrit des tests. Après vérification, Codex crée une branche, fait le commit et le push. GitLab CI contrôle le style Rust et exécute les tests. La modification est prête pour le merge.
Que sait-on sur GitLab MCP : le contexte des exigences ?
Le deuxième scénario ajoute de la profondeur. Codex peut désormais récupérer des informations d'une issue GitLab via MCP (Model Context Protocol). L'issue n° 32 décrit les exigences : il faut des tests, de la documentation et des mises à jour. Au lieu de tout copier dans le prompt, il suffit de demander à Codex « help implement issue 32 », et il charge les exigences directement depuis GitLab. La correction tient désormais compte non seulement de la solution technique, mais aussi des exigences métier.
Que sait-on sur Un agent externe dans le merge request ?
Le troisième scénario est le plus intéressant. La revue de code signale des problèmes : il manque de la documentation et des tests pour les cas d'erreur. Vous mentionnez Codex dans un commentaire de la MR (@ai-codex-agent), et l'agent travaille alors dans le contexte de la pull request. Il voit le diff, les retours, les résultats du CI et les approbations. Codex ajoute la documentation, écrit les tests manquants, fait un commit et lance les vérifications. Il publie ensuite une réponse dans la MR.
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.
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.
