Plan du cours
Du code autocomplété aux agents : pourquoi les agents échouent
• Anatomie d'un agent de codage : modèle, environnement d'exécution (harness), surface d'outillage, contexte, permissions
• Positionnement de chaque outil : Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• Taxonomie des échecs : contexte incorrect, outils inadaptés, absence de rétroaction, autonomie non bornée
Démonstration : La même tâche exécutée avec succès et avec des erreurs, 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 source unique de vérité
• Conventions, commandes de construction et de test, limites architecturales
• Récupération versus contexte explicite ; décomposition des tâches et sous-agents
Atelier : Rédiger le contexte du dépôt pour un service Python inconnu, puis relancer une tâche défaillante et comparer les résultats.
Workflows réutilisables et compétences d'agent (Agent Skills)
• Choix de l'abstraction : fichier d'instructions, compétence, commande personnalisée ou script standard
• Anatomie d'une compétence : déclenchement, instructions, scripts intégrés, divulgation progressive
• Portabilité entre les outils et points de verrouillage (lock-in)
• Gestion des versions, revue et distribution au sein d'une équipe ; anti-modèles courants
Atelier : Construire et tester un workflow réutilisable imposant une norme de codage maison.
MCP : connecter les agents à des systèmes réels
• Architecture : clients, serveurs, outils, ressources et invites ; transports stdio et HTTP
• Serveurs qui méritent leur place : hébergement Git, suivi des anomalies, bases de données, navigateurs, APIs internes
• Quand un CLI ou un script bat un serveur MCP
• Hygiène de la surface d'outillage : pourquoi plus d'outils signifie moins de fiabilité
Atelier : Brancher des serveurs MCP et traiter un ticket de bout en bout — anomalie, branche, correctif, tests, pull request.
Boucles de rétroaction et évaluation
• Tests, typages et linters comme vérité fondamentale pour l'agent ; travail orienté tests comme mécanisme de contrôle
• CI (Intégration Continue) comme boucle externe et discipline de revue pour les diffs écrits par l'agent
• Ensembles d'évaluation de tâches références (golden-task) : quoi mesurer et comment détecter les régressions
• Coût et latence en tant que métriques de première classe
Atelier : Construire un petit ensemble d'évaluation et noter deux configurations d'agents à son regard.
Sécurité et garde-fous
• Injections de prompts via les anomalies, pull requests, READMEs, dépendances et pages récupérées
• Modèles de permissions : listes autorisées, approbations, outils en lecture seule, contrôle de l'egress réseau
• Hygiène des secrets et sandboxing : conteneurs, jetons éphémères, limitation de l'impact
• Risques de la chaîne d'approvisionnement dans les serveurs MCP tiers et les compétences partagées
Atelier : Observer un agent détourné par un dépôt corrompu, puis durcir l'environnement pour empêcher que cela ne se reproduise.
Déploiement au sein d'une équipe
• Un parcours d'adoption par étapes ; quoi standardiser et quoi laisser à l'initiative individuelle
• Métriques indiquant une réelle valeur, et celles qui ne le font pas
Pré requis
• Connaissance pratique de Python, Git et de la ligne de commande
• Exposition préalable à un assistant de codage IA
• NobleProg mettra en place des machines virtuelles Dadesktop pour les participants avec Docker, VS Code et Python 3.11 ou ultérieur
• Un assistant de codage IA fonctionnel au choix des participants : Claude Code, GitHub Copilot, Cursor, Codex CLI ou Gemini CLI. Les ateliers sont indépendants de l'outil et des instructions spécifiques sont fournies pour chaque option.
Public cible
• 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 IA à travers les équipes
• Chefs de projet technique 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