Des prompts aux agents : comment un ingénieur de Doubletapp a restructuré l'approche de l'IA

Andrey Zharov, développeur iOS de la société Doubletapp, a partagé une expérience d'évolution qui reflète le chemin de toute l'industrie. D'abord, de simples prompts magiques comme « make no mistakes » et « write if you need more context », qui extirpaient presque magiquement du code fonctionnel de ChatGPT. Puis, une phase d'euphorie des agents, quand il semblait qu'on pouvait automatiser absolument tout. Mais finalement, il est arrivé à la conclusion qu'il fallait une approche complètement différente. Non pas tant l'art d'écrire des prompts parfaits, mais l'ingénierie de la construction d'une infrastructure d'IA fiable.

De la magie à la systématique

La première période, c'est l'époque du vibe coding. On ouvre ChatGPT, on écrit une tâche, on obtient des morceaux de code, on assemble dans une application. Si on a de la chance, ça marche. On active Deep Thinking — le résultat est plus stable. On pensait avoir trouvé une baguette magique. Mais la réalité était plus rude. Les résultats se sont avérés instables. Les prompts augmentent en taille, mais la fiabilité diminue. Une même tâche est résolue différemment selon les jours. Il fallait une approche complètement différente — ne pas demander du code au modèle, mais systématiser comment nous interagissons avec lui.

L'industrie a évolué. On est passé du simple chat aux agents locaux, puis on a réalisé l'importance de l'orchestration, et pas seulement une chaîne d'appels. Et à un moment donné, tout le monde a compris ensemble : nous ne devrions pas écrire du code dans ChatGPT. À la place, nous devrions écrire des prompts qui écrivent les bons prompts. Et construire une infrastructure qui fonctionne de manière fiable avec ces prompts.

Le Context Engineering comme fondement

Le moment clé, c'est le context engineering. Ce n'est pas simplement « donne plus de contexte et le modèle comprendra ». C'est la construction systématique d'une architecture déterminant quelles informations et dans quel ordre le modèle voit, quels outils lui sont disponibles, comment ils sont connectés entre eux.

Éléments importants :

• Une bonne préparation du contexte — c'est la moitié du succès d'un agent
• L'ensemble des outils doit être prévisible et sûr pour le modèle
• La gestion des erreurs et la restauration doivent être comme dans du code normal
• Les tests et la surveillance — ce n'est pas une option, c'est une exigence
• La versioning des prompts et des configs, comme dans Git

Ce n'est plus l'art d'écrire un super prompt. C'est de l'ingénierie.

L'orchestration au lieu de la magie

Ensuite vient l'orchestration. Pas un seul grand agent qui fait tout à la fois. Mais un système où chaque composant est responsable d'une partie. L'un analyse le contexte, l'autre traite la logique, le troisième valide le résultat. Cela ressemble à l'architecture normale d'une application, mais appliquée aux systèmes d'IA.

Et c'est ici qu'apparaît un paradoxe intéressant : vous commencez à vous préoccuper de l'injection de prompts, non pas comme d'une vulnérabilité exotique, mais comme d'une partie de votre sécurité, comme autrefois de l'injection SQL. Il faut des guardrails, une validation des données d'entrée, la propreté des interfaces entre les composants — tout comme dans le développement normal.

Ensuite vient le meta-prompting — quand le modèle lui-même vous aide à générer et optimiser les prompts. Mais ce n'est plus de la magie, c'est un outil.

Qu'est-ce que cela signifie

Les développeurs passent à un nouveau niveau : de « demande du code à ChatGPT » à « construis un système qui sait travailler de manière fiable avec l'IA ». Le développement d'IA devient plus prévisible, scalable et techniquement compétent. Comme le développement normal, mais avec de nouveaux défis.