Lettre « Dear friends » d'Andrew Ng dans *The Batch* (DeepLearning.AI, n°359) sur le **loop engineering** appliqué au développement produit **0-to-1**. Ng partage ses **3 boucles clés** — boucle de codage agentique (~minutes), boucle de feedback développeur (~heures), boucle de feedback externe (~jours) — imbriquées par échelle de temps croissante, reliant *coding agent → product spec/evals → developer vision → external feedback*. Thèse centrale : les humains conservent un **avantage de contexte** (plutôt qu'un « goût ») qui rend le human-in-the-loop indispensable ; les ingénieurs endossent un rôle partiel de product management. Domaine : agents de codage, ingénierie produit, méthodologie agentique.
#Loop engineering#développement produit#boucle de codage agentique
Andrew Ng
Post LinkedIn de Fred Plais (CEO d'Archie, ex-Platform.sh) : l'IA a rendu les ingénieurs si rapides que le **goulot d'étranglement s'est déplacé en amont**, là où personne ne regarde. L'exécution n'étant plus la partie lente, le temps de réflexion qui existait « pendant que le code se construisait » a disparu — il faut désormais avoir la bonne vision et prendre les bonnes décisions en une fraction du temps. Deux profils rares émergent : celui qui sait **formuler une vision assez précise** pour qu'un agent l'exécute sans dérailler, et celui qui sait **orchestrer les agents** (anticiper leurs échecs, les chaîner, rattraper une erreur avant qu'elle se propage). Recruter pour le « code output » devient obsolète : c'est précisément ce qui a cessé d'être rare. Thèse finale : « penser clairement a toujours été le métier — la vitesse a juste rendu impossible de faire semblant ».
#goulot d'étranglement#déplacement du bottleneck#vitesse d'exécution
Fred PLAIS (Frédéric Plais)
Papier arXiv (cs.SE) de Martin Monperrus défendant une thèse radicale pour le SDLC : les agents de codage ont franchi un seuil de capacité tel que **la revue de code humaine n'est plus un composant nécessaire** d'un pipeline qualité. Deux affirmations : (1) des systèmes autonomes à base de LLM atteignent tous les objectifs de la revue (détection de défauts, qualité, conformité) à coût moindre et débit supérieur ; (2) le modèle hybride « l'agent écrit, l'humain relit » est intenable — il n'assure pas une vraie qualité et ne passe pas à l'échelle de la vélocité IA, créant une « fausse sécurité ». Monperrus oppose à l'inspection de Fagan (1976) un **pipeline de vérification adversariale multi-agents** (agent générateur + agents reviewers indépendants + tests/méthodes formelles + consensus par vote). L'humain se recentre sur la spec, les arbitrages d'architecture, l'approbation des domaines critiques et les cas limites. Recommandations : piloter d'abord sur composants à faible risque, mesurer agent vs humain, expliciter les décisions de rejet.
#revue de code#code review#inspection de Fagan
Martin Monperrus
Annonce produit de Stack Overflow (blog officiel) lançant **Stack Overflow for Agents**, une plateforme d'échange de connaissances *API-first* conçue pour l'ère agentique. Thèse fondatrice : les agents de codage travaillent **en isolement**, sans accès à une base de savoir partagée et vérifiée. D'où l'**« Ephemeral Intelligence Gap »** — des agents du monde entier résolvent indépendamment les mêmes problèmes, gaspillant tokens et calcul, puis perdent la solution à la fin de la session ; les mêmes patterns d'architecture sont redécouverts en boucle. Principe directeur : *« générer des réponses plausibles est devenu bon marché, mais vérifier lesquelles tiennent en production ne l'est pas »*. Workflow en 4 temps : **chercher d'abord** (consommer le savoir validé) → **contribuer si lacune** (l'agent rédige, l'humain approuve avant publication) → **vérifier** (résultats, modifications, conditions de contexte) → **composer les signaux** (votes, réponses, vérifications font émerger un consensus). Trois formats lisibles par machine : **Questions**, **TIL** (traces de debug), **Blueprint** (patterns réutilisables, exigence qualité maximale). La confiance repose sur la **modération communautaire** et des **boucles de vérification multi-agents** ; l'humain revendique la propriété de son agent via le SSO Stack Overflow (« ancre communautaire » liant l'agent à une réputation humaine). Bénéfices différenciés : développeurs (moins de boucles de retry), labos IA (données haut-signal pour fine-tuning/éval), entreprises (**Stack Internal**, couche de savoir propriétaire sans exfiltration).
#Stack Overflow for Agents#agents de codage#base de connaissances
David Gibson · Janice Manningham
Guide technique approfondi (blog d'agence Lushbinary) sur le **Loop Engineering** : concevoir les systèmes qui pilotent les agents de codage en boucle, plutôt que de les prompter manuellement. Couvre la filiation prompt → context → loop engineering, la technique Ralph (Geoffrey Huntley), les **cinq briques + la mémoire** d'une boucle, leur implémentation dans Claude Code et OpenAI Codex, l'écriture de conditions d'arrêt vérifiables, une échelle de maturité d'adoption et les risques qui s'aggravent à mesure que les boucles se sophistiquent. Domaine : ingénierie logicielle agentique, agents de codage, harness/orchestration.
#Loop engineering#agents de codage#harness engineering
Lushbinary Team
Guide d'Augment Code (Paula Hingel) décrivant comment les agents IA restructurent le cycle de vie logiciel (SDLC), stage par stage. Thèse : l'IA produit **plus de débit sur certaines étapes et plus de risque d'instabilité sur d'autres** — symptôme d'une adoption inégale sans redessiner les frontières de revue. Appui sur le **DORA 2025** : l'adoption IA est positivement corrélée au débit de livraison et à la performance produit, mais **négativement à la stabilité**. Six étapes revisitées (Requirements, Design/Architecture, Implementation, Testing/QA, Deployment, Maintenance), trois risques majeurs (érosion du pipeline junior, **validation circulaire** des tests IA, lacunes de gouvernance à l'échelle) et trois rôles émergents (**Intent Engineering**, Agentic DevOps, AI Governance/Assurance). Recommandations actionnables : auditer une étape avant de scaler, stress-tester la gouvernance, rendre la **spécification** centrale, définir des politiques de rollback explicites, redessiner le rôle des juniors autour de la revue.
#SDLC#cycle de vie logiciel#agents de codage
Paula Hingel (Augment Code)
Étude data d'Atlassian (Inside Atlassian) mesurant le retour réel d'un **SDLC AI-native** outillé par **Rovo Dev**. Sur 3 400 dépôts de 2 500 clients (quasi-expérience avec appariement par score de propension), les dépôts adoptants mergent **19 % de PR en plus par mois** ; jusqu'à **37-51 %** sur les dépôts peu/moyennement actifs et **59-87 %** quand **3 à 5 membres** de l'équipe adoptent l'outil. Côté efficience, les développeurs gagnent **2-3 h/semaine** (≈10 % des 24 h consacrées au code et à la revue), soit 20-30 h/semaine réinvesties pour une équipe de 10. La thèse : résoudre le « paradoxe de la productivité » de Solow (1987) en passant de **métriques d'usage** (tokens) à des **métriques d'impact** (throughput, heures gagnées, taux d'échec, satisfaction). Recommandation : démarrer par une **équipe** (pas un individu) et mesurer 2-3 mois après.
#SDLC AI-native#Rovo Dev#agents de codage
Robbie Geoghegan · Fan Jiang (Atlassian)
Refonte du processus de recrutement ingénieur chez Sierra à l'ère des agents de codage : entretien onsite AI-native (Plan/Build/Review), suppression du coding test algorithmique, remplacement du phone screen par un entretien de system design, pilote d'un entretien de debugging sur codebase existant.
#recrutement ingénieur#entretien technique#agents de codage
Vijay Iyengar · Arya Asemanfar · Angie Wang
Entretien d'embauche AI-native chez Sierra — Refonte processus recrutement ingénieurs — Plan/Build/Review — Blog Sierra
#entretien d'embauche#recrutement AI-native#processus de recrutement
Bret Taylor
Harness engineering : modèle mental pour construire la confiance dans les agents de codage via guides feedforward et capteurs feedback
#harness engineering#agents de codage#feedforward
Birgitta Böckeler
Framework de compétences agentiques pour agents de codage — Superpowers — Méthodologie TDD — GitHub
#framework agentique#skills#agents de codage
Jesse Vincent (Prime Radiant)
Role du developpeur face aux agents de codage IA, experimentation methode BMAD en 1 jour, evolution vers superviseur d'agents - Blog technique
#agents de codage#BMAD#developpeur
Marco Mornati
Effondrement de l'IDE face au CLI agentique, trois couches d'abstraction developpeur qui s'effondrent successivement - X/Twitter
#CLI#IDE#agents de codage
Cobus Greyling
Volant d'inertie contextuel — avantage compétitif des équipes IA par le contexte cumulé
#context flywheel#context development lifecycle#CDLC
Patrick Debois
Context Development Lifecycle (CDLC) — cycle d'ingénierie du contexte pour agents de codage IA
#context development lifecycle#CDLC#contexte organisationnel
Patrick Debois
Minions Stripe — agents de codage bout-en-bout, devboxes, blueprints et orchestration hybride à l'échelle
#agents de codage#Stripe#Minions
Alistair Gray
Harness engineering OpenAI : 1M lignes de code zéro écriture manuelle, Codex agents, ingénierie d'environnement agent-first
#harness engineering#Codex#agents de codage
OpenAI
Rapport tendances codage agentique 2026, multi-agents, supervision humaine, démocratisation, sécurité
#codage agentique#agents de codage#SDLC
Anthropic
Guillermo Rauch - CLI comme abstraction fondamentale des agents de codage - Claude Code comme IA pour l'OS
#agents de codage#CLI#abstraction
Guillermo Rauch
Lee Robinson - migration cursor.com CMS vers code agents IA budgets complexité
#agents de codage#complexité#migration
Lee Robinson