Qu'est-ce qu'un agent de développement ?

Définition : agent, chatbot, compléteur

Trois composants d’un agent

Un agent de développement combine trois choses :

• Un modèle de langage (LLM) qui comprend du code et des instructions en langage naturel.
• Des outils : lire un fichier, écrire du code, lancer un build, chercher dans une codebase.
• Une boucle : le modèle observe, décide, agit, observe le résultat, et recommence.

Point clé : Sans boucle ou sans outils, ce n’est pas un agent. C’est autre chose.

La différence avec les autres outils

Un chatbot répond à des questions — il produit du texte. Un compléteur (style Copilot inline) suggère la ligne suivante. Un agent agit : il modifie des fichiers, exécute des commandes, et itère sur les résultats.

Dans les outils concrets

• Claude Code est un agent complet : il lit, écrit, exécute, boucle. System prompt riche (~10k tokens), 15+ outils intégrés, hooks, sub-agents, MCP natif.
• Pi (pi.dev) est aussi un agent de coding CLI, open-source, avec une philosophie minimaliste : 4 outils core (read, write, edit, bash), system prompt court (~200 tokens), multi-modèles, extensible via npm.
• GitHub Copilot (inline) est un compléteur : il prédit la suite du code, sans boucle.
• Cursor / Continue se situent entre le compléteur et l’agent selon le mode utilisé.

La boucle agentique

Comment ça marche

À chaque tour de boucle :

1. Le modèle reçoit tout le contexte (instructions + historique + résultats d’outils précédents).
2. Il décide : répondre directement, ou appeler un outil.
3. Si outil : le runtime exécute et renvoie le résultat.
4. Le modèle observe le résultat et décide du prochain pas.
5. La boucle s’arrête quand le modèle répond sans appeler d’outil, ou quand une limite est atteinte.

Point clé : Le LLM ne modifie jamais tes fichiers directement. Il demande au runtime de le faire. Si l’outil échoue (erreur de compilation, test rouge), le LLM voit l’erreur et peut corriger. C’est cette capacité d’auto-correction qui rend l’agent utile. On peut rendre cette boucle explicite dans le prompt pour créer des pipelines auto-correcteurs — c’est le principe du Closed-Loop Prompting.

Dans les outils concrets

Avec Claude Code : tu demandes « ajoute une méthode X ». L’agent lit le fichier, écrit le code, lance le build, voit une erreur, corrige, relance — tout seul. Avec Pi : même principe, mais Pi délègue plus au bash (grep, find, test runners) là où Claude Code a des outils dédiés (Glob, Grep, Task). La différence est dans le style, pas dans le mécanisme.

Le Core Four : Model, Prompt, Context, Tools

Quatre leviers

Concept d’IndyDevDan. Quand un agent produit un résultat, sa qualité dépend de quatre choses — le Core Four :

• Model — le modèle de langage utilisé. Compromis capacité / coût / vitesse.
• Prompt — ce que tu demandes. Plus c’est clair, meilleur est le résultat.
• Context — les informations que l’agent peut voir au moment de travailler.
• Tools — les outils dont l’agent dispose. Sans outils, un agent ne peut que parler — pas agir.

Ce framework et sa règle de diagnostic sont développés en détail au chapitre 3.

Tokens et fenêtre de contexte

Ce que c’est

Un token est l’unité de base que le modèle traite (environ 0,75 mot anglais, environ 0,5 mot français). La fenêtre de contexte est la quantité maximale de tokens que le modèle peut voir en une fois (ex : 200k tokens). C’est une limite dure.

Conséquences pratiques

Quand l’historique dépasse la fenêtre, les messages anciens sont tronqués : l’agent « oublie » ce qu’il a fait au début. C’est le context rot. Chaque tour renvoie aussi l’historique complet au modèle, ce qui rend les sessions longues de plus en plus coûteuses. Ces mécanismes et leurs remèdes sont détaillés au chapitre 4.