Prenez contact avec nous

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

 7 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires