Récemment, j’ai officiellement publié en open source un client Mac que j’ai développé, nommé DevFlow.
J’ai créé cet outil principalement parce que, lorsque je développais des projets avec Codex et Claude Code, j’ai rencontré trop souvent des problèmes similaires.
Je lui avais pourtant simplement demandé quelque chose, et après avoir travaillé un bon moment, l’IA m’a dit :
« C’est terminé, tous les tests ont réussi. »
Mais quand j’ai ouvert le programme, le résultat ne correspondait pas à ce que j’avais imaginé. Parfois, des bugs étaient toujours là ; parfois, après en avoir corrigé un, deux nouveaux apparaissaient.
Le plus frustrant, c’est que je n’avais aucune idée de ce qu’elle avait fait entre-temps.
Quels fichiers ont été modifiés ? Quelles commandes ont été exécutées ? Les tests ont-ils vraiment été lancés ? Combien de fois ont-ils échoué ? Pourquoi cette méthode d’implémentation a-t-elle été choisie ?
Quand le projet est petit, on peut encore parcourir les conversations. Mais à mesure que le code s’accumule et que le développement s’étend dans le temps, les conversations ne suffisent plus pour y voir clair.
J’ai donc voulu créer un outil qui me permette de suivre à tout moment le processus de développement de l’IA et de lui faire corriger rapidement les problèmes détectés.
C’est ainsi qu’est né DevFlow.
──── ✦ ────
I. À quoi sert DevFlow, au juste ?
En bref, c’est une application Mac dédiée à l’observation et à la supervision du processus de développement par l’IA.
Pour l’instant, elle se concentre principalement sur cinq points :
① Les exigences ont-elles été bien comprises ?
Vous pouvez revenir sur la demande initiale, voir comment l’IA l’a découpée en tâches, vérifier si certains éléments ont été oubliés ou si des fonctionnalités ont été ajoutées de sa propre initiative.
② Qu’a-t-il été fait pendant le développement ?
Dans les enregistrements intégrés, vous pouvez consulter les commandes exécutées par les agents, les modifications de fichiers, les appels d’outils, les résultats obtenus ainsi que les sources correspondantes.
③ Les tests ont-ils vraiment réussi ?
C’est un point auquel j’accorde beaucoup d’importance.
L’IA vous dit que les tests ont réussi, mais quelles fonctionnalités ont réellement été testées ? Les tests ont-ils vraiment été exécutés ? Le code a-t-il été modifié après leur exécution ?
DevFlow relie la conception des tests, les résultats de leur exécution et les preuves de validation, et signale également les éléments pour lesquels des preuves manquent.
④ Le bug a-t-il été corrigé ?
Les étapes de détection du problème, de modification du code et de nouvelle exécution des tests peuvent toutes être consignées.
Par exemple, si l’IA affirme avoir corrigé un bug sans qu’aucun résultat de nouvelle vérification ne soit disponible, il faut encore examiner la question.
⑤ Peut-on analyser les étapes passées du développement ?
Un projet est développé depuis plusieurs mois. Pourquoi cette conception a-t-elle été choisie ? Quelles exigences ont été modifiées ? Quels problèmes avons-nous rencontrés ?
Tant que les informations pertinentes sont consignées, il est possible de les retrouver.
J’aimerais qu’à l’avenir, lorsque je rouvre un projet, je n’aie pas à chercher les réponses parmi des milliers de messages.
──── ✦ ────
II. Comment fonctionne-t-il avec Codex et Claude Code ?
J’ai configuré deux compétences d’agent indépendantes pour DevFlow.
devflow-record
Cette compétence consigne les exigences, le découpage des tâches, les actions effectuées, les résultats des tests et les éléments de preuve associés pendant le développement assisté par l’IA.
devflow-resolve
Cette compétence traite les problèmes signalés par les développeurs. À partir des retours, elle vérifie à nouveau les faits, corrige ce qui doit l’être, ajoute les tests nécessaires, puis consigne le résultat dans les enregistrements.
Le processus se déroule à peu près ainsi :
Exigence formulée → développement et consignation par l’IA → vérification par DevFlow → problème détecté → retour transmis à l’IA → correction, nouvelle vérification et mise à jour des enregistrements.
Prenons un exemple simple.
Je demande à Codex d’ajouter une fonctionnalité, et il me dit que c’est terminé.
J’ouvre DevFlow et je constate que le code a bien été modifié, mais qu’aucun test correspondant n’a été consigné.
Je peux alors signaler directement le problème à Codex et lui demander d’ajouter les vérifications nécessaires.
Une fois le travail terminé, je retourne dans DevFlow pour voir quels enregistrements ont été ajoutés et si le problème est réellement résolu.
Ainsi, je n’ai plus à me fier à mon intuition pour déterminer à chaque fois si l’IA a bien fait le travail.
Bien sûr, DevFlow ne peut pas encore connaître automatiquement tout ce que l’IA a fait. La quantité d’informations accessibles dépend des conversations et des enregistrements réellement intégrés. Les éléments qui ne sont pas étayés par des preuves restent explicitement signalés comme inconnus.
──── ✦ ────
III. Ce qui compte le plus à mes yeux, c’est qu’il puisse aussi aider l’IA à améliorer le processus de développement
C’est une idée que je voulais concrétiser depuis le début de la conception de DevFlow.
Quand je développe des projets avec Codex, beaucoup de problèmes ont tendance à se répéter.
Par exemple, les exigences ne sont pas assez détaillées, une fonctionnalité n’est pas testée, un bug n’est pas vérifié à nouveau après sa correction, ou une modification apportée à un module n’est pas contrôlée pour voir si elle affecte d’autres fonctionnalités.
C’est effectivement fatigant, à la longue, de devoir repérer soi-même ces problèmes et les signaler à chaque fois.
Je souhaite donc que DevFlow puisse fonctionner avec Codex.
Codex se charge du développement, tandis que DevFlow vérifie le processus et transmet à Codex les problèmes détectés afin qu’il puisse continuer à améliorer le résultat.
Par exemple, si DevFlow détecte au cours d’un développement qu’une exigence ne dispose pas de preuves de validation, je peux transmettre à Codex le problème précis ainsi que les enregistrements associés.
Grâce à devflow-resolve, Codex vérifie à nouveau les éléments, ajoute des tests ou corrige le code, puis met à jour les enregistrements après une nouvelle vérification.
La prochaine fois que j’ouvre DevFlow, je peux encore vérifier le résultat du traitement.
Développement par l’IA → Vérification par DevFlow → Lacunes détectées → Retour transmis à Codex → Correction et nouvelle vérification → Nouvelle inspection.
Ce processus peut être répété autant de fois que nécessaire.
Plus important encore, à mesure que le projet avance, ces enregistrements nous permettent de repérer les problèmes récurrents.
Quelles exigences sont souvent oubliées ? Quels tests manquent régulièrement ? Quelles étapes de développement nécessitent davantage de contraintes ?
Ces enseignements peuvent être progressivement capitalisés afin d’améliorer nos processus de développement futurs.
À terme, j’aimerais que DevFlow permette de consigner chaque développement, de donner un retour sur chaque problème et d’appuyer chaque amélioration sur des éléments concrets.
──── ✦ ────
IV. Pourquoi avoir choisi une application Mac ?
Principalement parce que je développe moi-même sur Mac au quotidien.
Je voulais qu’elle puisse gérer directement les documents des projets en local, sans inscription ni envoi du code ou des enregistrements de développement vers une autre plateforme.
DevFlow n’utilise pas lui-même de modèles d’IA externes et n’envoie pas automatiquement d’instructions à Codex ou Claude Code.
Vous pouvez vérifier et organiser les retours vous-même, puis décider si vous souhaitez demander à l’IA de poursuivre le travail.
Pour l’instant, il est possible d’intégrer manuellement les conversations Codex locales. Les autres agents peuvent générer des enregistrements au format standard grâce aux compétences fournies.
J’ai également fait une autre chose :
Utiliser DevFlow pour superviser son propre développement.
Dans le développement de cet outil, j’ai aussi essayé de consigner, de la même manière, les changements d’exigences, les problèmes de test et le processus de correction.
Pour commencer, j’ai testé l’outil que j’ai créé sur mes propres projets.
──── ✦ ────
V. Le projet est désormais open source : n’hésitez pas à l’essayer
DevFlow est actuellement disponible en version préliminaire pour macOS.
Compatible avec Apple Silicon / macOS 14 et versions ultérieures
Paquet d’installation DMG fourni
Les deux compétences devflow-record et devflow-resolve sont intégrées
Licence open source MIT
Traitement local des documents du projet, sans compte
L’application n’a pas encore été notariée par Apple. Lors de la première installation, suivez les instructions du fichier README.
L’installation et la configuration sont également assez simples.
Vous pouvez même simplement transmettre l’adresse du dépôt GitHub à Codex : il lira la documentation du projet et vous aidera à l’intégrer en suivant les instructions.
Dépôt open source GitHub :
https://github.com/damobianyuan0325/DevFlow-Mac
Si vous utilisez aussi souvent l’IA pour écrire du code, n’hésitez pas à le télécharger et à l’essayer.
En cas de problème, vous pouvez ouvrir une Issue. Si l’outil vous est utile, n’hésitez pas à lui attribuer une étoile.
──── ✦ ────
VI. Pour finir, voici un aperçu de mon deuxième projet open source : Harness Engineering
En réalité, pendant le développement de DevFlow, je réfléchissais aussi à une autre question.
Puisque nous pouvons déjà examiner le processus de développement de l’IA et détecter les exigences oubliées, les tests insuffisants ou les corrections incomplètes, pourrait-on aller plus loin et aider l’IA à éviter ces problèmes dès le développement ?
C’est aussi la raison pour laquelle je prépare un deuxième projet open source.
Harness Engineering (compétences de développement et ingénierie des harnais).
Je prévois de rassembler les méthodes acquises en utilisant Codex pour développer des projets — notamment le découpage des exigences, les règles d’exécution, les tests et la validation, l’analyse des échecs et les vérifications avant livraison — sous la forme d’un ensemble réutilisable de compétences et de processus d’ingénierie.
À terme, il pourra fonctionner avec DevFlow :
Harness Engineering définit les règles qui encadrent le développement par l’IA.
DevFlow vérifie la qualité réelle du travail effectué par l’IA.
Les problèmes détectés sont ensuite transmis à Codex par l’intermédiaire des compétences, afin qu’il complète les vérifications, corrige les défauts et contribue progressivement à améliorer nos règles de développement.
En combinant les deux projets, on peut créer une boucle complète de développement, de la définition des exigences à l’amélioration continue, en passant par le développement, la vérification et les retours.
Bien sûr, ce système de collaboration plus complet est encore en cours de développement. Je partagerai plus tard le processus de création du deuxième projet ainsi que son adresse open source.
──── ✦ ────
Après avoir utilisé l’IA pour développer des projets ces derniers temps, ce qui m’a le plus marqué, c’est la vitesse à laquelle elle écrit du code. Des tâches qui prenaient autrefois plusieurs jours peuvent parfois être réalisées en quelques heures.
Mais à mesure que les projets se complexifient, une autre question me préoccupe de plus en plus :
Chaque fois que l’IA dit avoir terminé, j’aimerais savoir clairement ce qu’elle a réellement fait, quels éléments prouvent que le travail est terminé et ce qui reste à faire.
DevFlow est ma première tentative dans cette direction.
Je vais continuer à l’améliorer et partager progressivement d’autres projets que je développe et publie en open source.
J’espère que ces outils aideront d’autres personnes qui, comme moi, développent avec l’IA à mener leurs projets avec plus de sérénité.