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'emploiGitLab Blog→ original

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 et GitLab : du code à la production en trois étapes
Source : GitLab Blog. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireGitLab Blog ↗
Rédacteur en chef
Chiffre clé #1Lit les exigences de l'issue via MCP
Chiffre clé #2Implémente le changement en tenant compte de tous les détails
Chiffre clé #3Crée une MR qui ferme l'issue au merge
Codex et GitLab : du code à la production en trois étapes
Vidéo à la une / Démo
Cliquez pour lire la vidéo originale ou consultez l'analyse complète ci-dessous.Voir sur YouTube ↗

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.

Dossier

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.

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…