AI Coding

gstack : Pile de stack d’ingénierie logicielle IA

gstack : Pile de stack d’ingénierie logicielle IA

Une usine logicielle construite à partir des compétences des agents

Les agents de codage IA peuvent déjà écrire des fonctions, modifier des dépôts, exécuter des tests et ouvrir des demandes de fusion (pull requests). Le problème plus difficile est d’amener un agent à suivre un processus d’ingénierie réutilisable avant, pendant et après l’écriture du code.

Propositions rejetées d'OpenSpec : une convention de mémoire décisionnelle

Propositions rejetées d'OpenSpec : une convention de mémoire décisionnelle

Aucun état de rejet. Voici le contournement.

Un agent qui a proposé et déployé « déplacer la persistance dans une bibliothèque partagée » il y a six mois le proposera sans problème le trimestre prochain, à moins qu’un élément durable ne lui signale que l’idée a déjà été étudiée et rejetée – et OpenSpec n’a aujourd’hui aucun état interne pour cela.

OpenSpec en toute rapidité : installation, flux de travail et pièges fréquents

OpenSpec en toute rapidité : installation, flux de travail et pièges fréquents

Les spécifications sous forme de deltas, pas d’un PRD de 40 pages.

OpenSpec est une interface en ligne de commande (CLI) gratuite et open source de Fission AI qui permet à vous et à votre agent de codage de vous mettre d’accord sur une modification en Markdown pur avant la rédaction de n’importe quel code, sans la cérémonie rigide des phases imposée par les cadres de développement dirigé par des spécifications plus lourds.

Compétences des agents vs serveurs MCP : cadre de décision

Compétences des agents vs serveurs MCP : cadre de décision

« Compétence, serveur MCP, ou les deux ? »

Les compétences d’agent et les serveurs MCP sont souvent présentés comme des moyens concurrents d’étendre un agent IA. Cette présentation est fausse : une compétence enseigne à l’agent comment travailler, tandis qu’un serveur MCP lui donne un accès réglementé à des capacités en direct.

Maintenir la synchronisation des spécifications, des tests et du code dans le développement de l'IA

Maintenir la synchronisation des spécifications, des tests et du code dans le développement de l'IA

Évitez que les agents IA ne s’éloignent des spécifications, des tests et du code.

Les agents de codage IA déploient des fonctionnalités rapidement, mais les spécifications, les tests et le code dérivent silencieusement. Ce guide couvre un modèle de traçabilité, la cartographie spécification-test et spécification-code, ainsi que les vérifications d’intégration continue (CI) qui détectent les écarts avant une fusion.

Cycle de développement par spécifications, des exigences au code

Cycle de développement par spécifications, des exigences au code

Cinq phases, de l’intention au code vérifié.

Le développement piloté par spécifications (Spec-Driven Development) fonctionne lorsque la spécification est un flux de travail, et non un document que l’on classe après la réunion de lancement. L’objectif n’est pas de produire un document de exigences produit volumineux.

GitHub Spec Kit contre Kiro contre les flux de travail SDD de Claude Code

GitHub Spec Kit contre Kiro contre les flux de travail SDD de Claude Code

La profondeur de traitement plutôt que la portabilité, et non l’outil idéal.

Les développeurs qui comparent les configurations de développement spécifié (Spec-Driven Development) en 2026 ne demandent généralement pas quel modèle est le plus intelligent. Ils se demandent quel flux de travail maintiendra un agent IA aligné sans les noyer dans des formalités inutiles.

Décodage spéculatif : inférence LLM 20 à 50 % plus rapide

Décodage spéculatif : inférence LLM 20 à 50 % plus rapide

Inférence LLM plus rapide sans perte de qualité : un guide pratique

Un modèle de 70B génère un jeton par passe avant, et chaque passe recharge les poids depuis la VRAM, calcule l’attention sur l’ensemble du contexte et synchronise la mémoire. Entre les jetons, le GPU reste inactif pendant qu’il attend la résolution des dépendances séquentielles.

Modèles d’orchestration multi-agents : un guide pratique

Modèles d’orchestration multi-agents : un guide pratique

40 % des pilotes multi-agents échouent. Voici comment choisir le bon motif d’orchestration – et éviter ceux qui se révèlent défaillants.

Les systèmes d’IA mono-agent ont atteint leur apogée en 2025 — on donnait un prompt, quelques outils et un objectif à un unique LLM, et il s’en sortait reasonably bien sur des tâches bornées.