Objectif de cette présentation

• Pas de magie : des astuces qui marchent aujourd'hui
• Techniques pour améliorer la pertinence des agents
• Retours d'expérience concrets
• Interactif : partagez vos usages !

LLM ≠ Agent IA

LLM (ChatGPT, Claude...)

• Question → Réponse
• Stateless, one shot

Agent IA

• Boucle autonome : Think → Act → Observe → Repeat
• Gère des tâches multi-étapes
• Utilise des outils (filesystem, fonction IDE, terminal, serveurs MCP...)

Cas concret #1 : Onboarding projet

Situation : Arrivé sur un nouveau projet fullstack

• Comment est-ce que le frontend est servi ?
• Comment est setup l'authentification ?
• Intégration de la DB ?

Doc : Souvent conséquente, ou incomplète, ou obsolète

Avec agent :

• Exploration autonome du code
• Documentation sur mesure
• Temps gagné considérable

Cas concret #2 : Reverse Engineering CLI

Situation : Outil interne en C#, doc introuvable

Les Agents pour tout les usages

Autres exemples :

• Génération de tests unitaires / d'intégration
• Documentation
• Dev (dans certaines mesures)
• Revue de code

Limites et précautions

Les agents ne sont pas parfaits

• Hallucinations : peuvent inventer des informations
• Erreurs subtiles : code qui compile mais logique incorrecte
• Compréhension limitée : contexte métier complexe

Bonnes pratiques :

• Toujours relire et valider le code généré
• Tester les solutions proposées
• Garder l'esprit critique : l'agent est un assistant, pas un oracle

→ Agent = Gain de productivité, mais vous restez aux commandes !

Booster l'efficacité des agents - Exemple : Recherche dans le code

L'agent finira surement par trouver

• Grâce à la boucle Think-Act-Observe
• Il itère jusqu'à satisfaction

Mais...

• Consomme beaucoup de tokens
• Peut prendre du temps
• Résultats moins ciblés par défaut

Comment optimiser leur efficacité ?

Amélioration #1 : Instructions personnalisées

Instructions globales (global-copilot-instructions.md pour IntelliJ)

• Environnement : pwsh 7, bash, ripgrep
• Style de code, tooling local

Instructions par projet (.github/copilot-instructions.md)

• Framework spécifique (Spring Boot, patterns...)
• Conventions du projet
• APIs/endpoints disponibles

→ Agent adapté au contexte = meilleure efficacité

Amélioration #2 : Outils spécialisés - Recherche dans le code 1/2

Recherche basique IDE

• Fonctionne, mais limité
• Résultats moins ciblés

Solution : donner accès a un outil spécialisé

• L'agent a accès au terminal
• Dans son prompt: lui indiquer d'utiliser ripgrep pour les recherches

Amélioration #2 : Outils spécialisés - Recherche dans le code 2/2

Exemple de commandes ripgrep

rg "DataSource|JdbcTemplate" --type java
rg "switch.*case.*arg" -B3 -A2 -i

Bénéfices :

• Recherche plus rapide et ciblée
• Query puissante (regex, filtres par type)
• Moins de tokens consommés
• Ressenti: Gains de temps et de pertinence significatifs

Pattern clé : Agent = Cerveau, Outils = Mains

Anti-pattern : Agent fait tout

• Génère HTML + CSS + JS pour slides
• Contexte divisé, fond noyé dans le code

Pattern : Séparation des préoccupations

• Dev : Prépare le contenu (notes, structure, exemples...)
• Agent : formatte le contenu (Markdown)
• Marp : gère le rendering et le style
• Focus sur le fond, qualité optimale

→ La base de cette présentation est générée avec ce pattern !

Généraliser le pattern

Ne réinventez pas la roue, combinez !

Amélioration #3 : Prompts - Trouver l'équilibre

Trop vague

• "Explique-moi le projet"
• → Réponse générique, peu utile.

Trop spécifique

• "Cherche dans src/main/java/com/app/config/SecurityConfig.java ligne 45..."
• → Vous faites le job de l'agent.

Juste ce qu'il faut

• "Comment l'authentification est configurée dans ce projet Spring ?"
• → L'agent explore le code avec ses outils.

Tips Prompts

• Polution de la fenêtre de contexte
  • Bien choisir le contexte à fournir
  • Ne pas utiliser la même "discussion" trop longtemps
• Itération
  • Reformuler, ajuster les questions
• Feedback explicite
  • Dire à l'agent ce qui marche/ne marche pas
  • Rajouter des constraintes si trop générique

Key Takeaways

1. Agent ≠ ChatGPT : la boucle change tout
2. Cas d'usage : onboarding, reverse engineering, doc, tests, dev...
3. Optimisez : instructions globales + projet
4. Outillez : ripgrep, outils spécialisés
5. Combinez : Agent (cerveau) + Outils (mains)
6. Équilibrez vos prompts

→ Agents + bons outils = productivité exponentielle

Pour aller plus loin

Outils mentionnés :

• Ripgrep : https://github.com/BurntSushi/ripgrep
• Marp : https://marp.app
• GitHub Copilot instructions

Nouveauté cette semaine :

• mgrep : « LLM-powered grep, pattern matching en langage naturel »
  https://github.com/mixedbread-ai/mgrep

Le domaine évolue chaque semaine !

Serveurs MCP...

Temps d'échange

Questions :

• Comment utilisez-vous les agents ou l'IA dans votre workflow ?
• Problèmes rencontrés ?
• Quelles attentes ?

Partagez vos expériences !