Plan du cours
Du code automatiquement suggéré aux agents : pourquoi les agents échouent
• Anatomie d'un agent de codage : modèle, cadre d'exécution (harness), surface d'outils, contexte, permissions
• Positionnement des outils : Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Taxonomie des échecs : contexte incorrect, outils inadaptés, absence de rétroaction, autonomie non bornée
Démonstration : Une même tâche, réalisée correctement et incorrectement, côte à côte
Ingénierie du contexte
• La fenêtre de contexte comme budget : ce qui mérite d'y figurer
• AGENTS.md, CLAUDE.md, .cursor/rules, copilot-instructions.md : un concept, plusieurs noms de fichiers, une seule source de vérité
• Convention de codage, commandes de construction et de test, limites architecturales
• Récupération vs contexte explicite ; décomposition des tâches et sous-agents
Travail pratique : Rédiger le contexte du dépôt pour un service Python inconnu, puis relancer une tâche échouée et comparer les résultats
Flux de travail réutilisables et Compétences d'agent (Agent Skills)
• Choisir l'abstraction : fichier d'instructions, compétence, commande personnalisée ou script basique
• Anatomie d'une compétence : déclencheurs, instructions, scripts intégrés, révélation progressive
• Portabilité entre les outils et point de départ de l'enfermement (vendor lock-in)
• Gestion des versions, examen et distribution au sein d'une équipe ; anti-modèles courants
Travail pratique : Construire et tester un flux de travail réutilisable qui impose les normes de codage internes
MCP : connecter les agents aux systèmes réels
• Architecture : clients, serveurs, outils, ressources et invites ; transferts stdio et HTTP
• Serveurs qui justifient leur présence : hébergement Git, gestionnaires de tickets, bases de données, navigateurs, APIs internes
• Quand une CLI ou un script surpasse un serveur MCP
• Hygiène de la surface d'outils : pourquoi plus d'outils signifie moins de fiabilité
Travail pratique : Configurer des serveurs MCP et traiter un ticket de bout en bout – issue, branche, correctif, tests, pull request
Boucles de rétroaction et évaluation
• Tests, typage et linters comme vérité terrain pour l'agent ; travail axé sur les tests comme mécanisme de contrôle
• CI comme boucle externe et discipline d'examen des diffs rédigés par l'agent
• Ensembles d'évaluation par tâches de référence : quoi mesurer et comment détecter les régressions
• Coût et latence comme métriques à part entière
Travail pratique : Construire un petit ensemble d'évaluation et évaluer deux configurations d'agents par rapport à celui-ci
Sécurité et garde-fous
• Injection de consignes via les issues, pull requests, READMEs, dépendances et pages récupérées
• Modèles de permissions : listes autorisées, approbations, outils en lecture seule, contrôle de l'égress réseau
• Hygiène des secrets et isolement (sandboxing) : conteneurs, identifiants éphémères, limitation de la surface d'impact
• Risques liés à la chaîne d'approvisionnement dans les serveurs MCP tiers et les compétences partagées
Travail pratique : Observer un agent détourné par un dépôt corrompu, puis durcir la configuration pour éviter le problème
Déploiement de cette approche au sein d'une équipe
• Un parcours d'adoption progressif ; ce qu'il faut standardiser et ce qui doit rester sous la responsabilité individuelle
• Les indicateurs de valeur réelle et ceux qui ne le sont pas
Pré requis
• Connaissances pratiques de Python, Git et de la ligne de commande
• Une certaine expérience préalable avec un assistant de codage IA
• NobleProg mettra en place des machines virtuelles Dadesktop pour les participants, équipées de Docker, VS Code et Python 3.11 ou version ultérieure
• Un assistant de codage IA de votre choix : Claude Code, GitHub Copilot, Cursor, Codex CLI ou Gemini CLI. Les travaux pratiques sont indépendants des outils et les instructions sont fournies pour chacun
Public visé
• Ingénieurs logiciels, chefs techniques et architectes utilisant des assistants de codage IA sans obtenir de résultats fiables
• Ingénieurs plateforme et expérience développeur déployant des outils d'IA à travers les équipes
• Responsables techniques définissant les normes, les garde-fous et les indicateurs de succès
Nos clients témoignent (3)
Le formateur est patient et très aidant. Il maîtrise bien le sujet.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Formation - Agentic AI for Business Automation: Use Cases & Integration
Traduction automatique
Bon mélange de connaissances et de pratique
Ion Mironescu - Facultatea S.A.I.A.P.M.
Formation - Agentic AI for Enterprise Applications
Traduction automatique
Le mélange de théorie et de pratique, ainsi que des perspectives de haut niveau et de bas niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Formation - Autonomous Decision-Making with Agentic AI
Traduction automatique