Prenez contact avec nous

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

 7 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires