Plan du cours
Du code complétion automatique aux agents : pourquoi les agents échouent
• ]]--> Anatomie d'un agent de codage : modèle, orchestration, surface d'outils, contexte, permissions
• ]]--> Positionnement des outils : Claude Code, GitHub Copilot, Cursor, Codex CLI, Gemini CLI
• ]]--> Taxonomie des échecs : contexte inapproprié, outils inadaptés, absence de rétroaction, autonomie illimitée
Démonstration : La même tâche, réussie et échouée, 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 build et de test, limites architecturales
• ]]--> Récupération vs contexte explicite ; décomposition des tâches et sous-agents
Atelier : Rédiger le contexte du dépôt pour un service Python inconnu, puis relancer une tâche échouée et comparer les résultats
Workflows réutilisables et Compétences Agents
• ]]--> Choisir l'abstraction : fichier d'instruction, compétence, commande personnalisée ou script simple
• ]]--> Anatomie d'une compétence : déclenchement, instructions, scripts intégrés, divulgation progressive
• ]]--> Portabilité entre les outils et points de verrouillage potentiels
• ]]--> Versioning, revue et distribution au sein d'une équipe ; anti-modèles courants
Atelier : Construire et tester un workflow réutilisable imposant une norme de codage interne
MCP : connecter les agents aux systèmes réels
• ]]--> Architecture : clients, serveurs, outils, ressources et prompts ; transports stdio et HTTP
• ]]--> Serveurs qui méritent leur place : hébergement Git, suivi des incidents, bases de données, navigateurs, APIs internes
• ]]--> Quand une CLI ou un script bat un serveur MCP
• ]]--> Hygiène de la surface d'outils : pourquoi plus d'outils signifie moins de fiabilité
Atelier : Brancher des serveurs MCP et traiter un ticket de bout en bout — incident, branche, patch, tests, pull request
Boucles de rétroaction et évaluation
• ]]--> Tests, typages et linters comme vérité terrain de l'agent ; travail test-first comme mécanisme de contrôle
• ]]--> CI en boucle externe et discipline de revue pour les diffs générés par l'agent
• ]]--> Ensembles d'évaluation par tâches de référence : quoi mesurer et comment détecter les régressions
• ]]--> Coût et latence comme indicateurs de première classe
Atelier : Construire un petit ensemble d'évaluation et noter deux configurations d'agents sur celui-ci
Sécurité et garde-fous
• ]]--> Injection de prompt via les incidents, pull requests, READMEs, dépendances et pages récupérées
• ]]--> Modèles de permission : listes blanches, approbations, outils en lecture seule, contrôle de l'egress réseau
• ]]--> Hygiène des secrets et sandboxing : conteneurs, identifiants éphémères, limitation de la portée d'explosion
• ]]--> Risques de la chaîne d'approvisionnement dans les serveurs MCP tiers et les compétences partagées
Atelier : Observer un agent détourné par un dépôt empoisonné, puis durcir la configuration pour empêcher que cela ne se reproduise.
Déploiement au sein d'une équipe
• ]]--> Une voie d'adoption par étapes ; ce qu'il faut standardiser et ce qu'il faut laisser à l'initiative individuelle
• ]]--> Indicateurs reflétant une vraie valeur versus ceux qui ne le sont pas
Pré requis
• Connaissances pratiques de Python, Git et la ligne de commande
• Une exposition préalable à un assistant de codage IA
• ]]--> NobleProg mettra en place des VM Dadesktop pour les participants avec Docker, VS Code et Python 3.11 ou ultérieur
• Un assistant de codage IA fonctionnel au choix du participant : Claude Code, GitHub Copilot, Cursor, Codex CLI ou Gemini CLI. Les ateliers sont indépendants des outils et des instructions sont fournies pour chacun.
Audience 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 au sein des équipes
• ]]--> Responsables engineering 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
