FoundersFeed

La plus grosse hallucination des agents de code en ce moment ? L’estimation de la durée 😂

Ils vont te dire avec assurance « ça prendra 2 heures » puis refactorer la moitié de ton code, ajouter 3 nouvelles dépendances et ne toujours pas terminer la tâche initiale. Un classique : la complexité en théorie, contre la réalité de l’implémentation.

cc (Cursor Composer) exécute des vérifications silencieuses sur votre code après que vous l’avez écrit, en testant des cas limites et des scénarios que vous n’avez jamais demandés explicitement. En gros, cela fait de l’assurance qualité automatisée en arrière-plan pendant que vous travaillez. Imaginez un relecteur de code intégré, paranoïaque, qui vérifie votre logique même quand vous ne le sollicitez pas — pour repérer d’éventuels bugs avant qu’ils n’atteignent la production. C’est une fonctionnalité très pratique si vous utilisez Cursor comme outil quotidien.

PSA : Vous pouvez utiliser directement les crédits d’abonnement Codex dans Todos.

La configuration est ultra simple :
• Exécutez `tds provider add`
• Recherchez "codex"
• Choisissez "Browser login"
• Cliquez sur le lien d’authentification
• C’est fait ✅

Beaucoup de gens ne réalisent pas que Todos le prend en charge nativement. Inutile de jongler avec des clés d’API ou de modifier des fichiers de configuration.

Je viens de tout brûler en une session avec un abonnement Codex — j’ai modifié 5 fichiers avec +64/-28 lignes de changements de code. Coût : 4,97 $.

Si je tapais l’API directement pour ça, je serais déjà ruiné 😂

L’écart de prix entre les modèles d’abonnement et les appels API à l’unité (paiement par jeton) devient complètement fou. Pour des sessions de gros refactoring comme celle-ci, l’abonnement est clairement la bonne option.

L’efficacité des coûts de DeepSeek est stupéfiante : exécuter cette tâche sur Opus 4.8 (medium) coûte 10 fois plus cher. Ce n’est pas juste un léger avantage, c’est une autre ligue totalement différente en termes d’économie $/token. Pour les développeurs qui lancent de lourdes charges d’inférence, cet écart signifie que DS peut gérer 10 fois plus de volume pour le même budget, ou réduire vos factures d’API de 90 %. C’est pourquoi tout le monde teste DS en ce moment : si la qualité tient à grande échelle, c’est une évidence pour basculer en production.

Flux de travail de programmation « vibe » en action : utiliser des Todos pour corriger des bugs à la volée. De la création d’une tâche à la fusion du code, moins de 2 minutes. C’est la vitesse à laquelle les développeurs arrivent avec des outils de codage assisté par IA : changement de contexte instantané, cycles d’itération rapides. Fini les systèmes de tickets trop lourds ou les longues revues de PR pour des corrections mineures. La boucle complète débogage → déploiement compressée en sprints de moins de 2 minutes. Un exemple classique de la façon dont les assistants de codage par IA transforment les indicateurs de vélocité des développeurs.

Prise de position sur le « vibe coding » : sautez la documentation, brûlez ces jetons plutôt sur le refactoring.

L’argument : une architecture de code propre > 100 pages de documentation. Quand vous itérez vite avec du code généré par IA, maintenir une documentation séparée devient une taxe sur la vélocité. Mieux vaut rendre le code auto-documenté grâce à une structure claire, des noms explicites et un design modulaire.

Cela renverse le génie logiciel traditionnel. La sagesse classique dit « documentez tout », mais dans un flux de travail assisté par l’IA où le code peut être régénéré/refactorisé rapidement, la documentation statique se dégrade vite. Le code EST la source de vérité.

La vraie compétence devient : structurer vos prompts et vos cycles de refactoring pour que le résultat soit intrinsèquement lisible. Des noms de fonctions qui expliquent l’intention, de petits modules ciblés, des flux de données évidents. Si un humain ne peut pas le comprendre en lisant le code, alors l’IA non plus ne le pourra à l’itération suivante.

Tout vient d’être lancé — un espace de travail léger pour les petites équipes + des agents IA qui travaillent ensemble.

La configuration prend 60 secondes. Vous le lancez sur votre propre machine avec vos propres clés API, donc aucun verrouillage fournisseur ni souci de confidentialité. L’idée centrale : mettre en place une escouade d’agents qui prennent en charge le développement produit de manière autonome, et vous n’intervenez qu’en approuvant aux étapes clés.

Pensez-y comme du CI/CD pour les flux de travail agentiques — les agents font le travail de fond (code, documentation, tests), et les humains restent dans la boucle uniquement quand des décisions comptent. Conçu pour les équipes en marre de surveiller des LLM à chaque étape.

Si vous testez des pipelines de développement pilotés par des agents, ou si vous cherchez une alternative autohébergée aux plateformes d’agents basées sur le cloud, ça vaut le coup d’y jeter un œil.

Les secrets de l’équipe Todos viennent d’être dévoilés 🚀

Mettez à niveau TDS vers la v0.1.28 et vos agents peuvent désormais accéder à des API privées. Cela signifie que vos agents ne sont plus bloqués sur des endpoints publics : ils peuvent s’authentifier et appeler vos services internes, des API tierces avec des clés, ou toute autre ressource protégée.

En bref, cela élargit ce que votre agent peut réellement faire, au-delà des habituelles fonctionnalités en lecture seule sur le public. Si vous exécutez des workflows multi-agents ou que vous construisez des systèmes autonomes qui doivent interagir avec une infrastructure réelle, c’est l’accès tant attendu.

Tous les agents d’Agent sont livrés avec un outil AskUser intégré, selon le même modèle que cc/codex. Lorsque l’agent rencontre une zone d’incertitude, il demande à l’utilisateur une clarification plutôt que d’halluciner ou de deviner. Coup de maître : cela évite le problème classique des LLM qui génèrent avec assurance des données absurdes quand le contexte est ambigu. Ce type de conception « human-in-the-loop » (avec intervention humaine) devient une norme dans les frameworks d’agents en production, en particulier pour l’exécution de tâches où des hypothèses erronées peuvent se propager et faire dysfonctionner les workflows.

Observation intéressante : à mesure que les modèles d’IA deviennent plus intelligents, vous avez besoin de moins de “trucs” de prompt engineering. Plus le modèle est capable, moins vous devez le surveiller avec des instructions élaborées ou un échafaudage de raisonnement étape par étape. Ça se fait tout seul. 😂

En gros : les modèles “bêtes” ont besoin d’être guidés, les modèles “malins” ont besoin de moins de blabla.

Mise en place d’un trio “vibe coding” :

Couche de planification → Fable 5
Couche d’exécution → Grok 4.5
Couche de recherche → GPT 5.6

Répartition de workflow intéressante : utiliser Fable pour les décisions d’architecture de haut niveau, Grok pour la génération/le développement de code réel, et GPT pour la recherche technique ainsi que la collecte de contexte. Cette approche modulaire vous permet de tirer parti des points forts de chaque modèle au lieu d’obliger un seul à tout faire.

Mise en place d’un contrôle d’accès aux outils basé sur les rôles pour mon équipe d’agents. Désormais, seul le spécialiste du déploiement peut manipuler les outils de déploiement.

Plus aucune mise à jour accidentelle de production par d’autres agents qui essaient de « aider » pendant l’exécution de la tâche. Une séparation claire des responsabilités au niveau des outils.

Mise en place d’un contrôle d’accès aux outils basé sur les rôles pour mon équipe d’agents. Seul le spécialiste du déploiement peut désormais manipuler les outils de déploiement.

Plus aucune mise à jour accidentelle de production par d’autres agents qui essaient de « aider » pendant l’exécution de la tâche. Séparation claire des responsabilités au niveau des outils.

Testé $GPT-5.6-sol sur une refactorisation de code de taille moyenne. J’ai mis 16 minutes et 17 secondes. Très bonnes performances pour ce type de tâche.

Pas mal pour de la refactorisation automatisée — c’est réellement exploitable dans des workflows de développement. Je me demande comment il gère les cas limites et s’il conserve la cohérence du style de code lors des changements.

GPT-5.6 vient d’augmenter sa fenêtre de contexte d’environ 36,76 % par rapport à la version précédente. C’est toutefois encore relativement faible : cela signifie probablement qu’on est passé d’environ 16K à 22K tokens, ou quelque chose de similaire comme saut incrémental. Ce n’est pas la grande avancée dont certains espéraient, mais chaque progrès aide pour l’analyse de code plus longue ou le traitement de documents. 🤔

Le goulot d’étranglement technique s’est déplacé de la génération vers l’ingénierie des prompts. Les modèles de synthèse vidéo (Sora, Runway Gen-3, Pika) gèrent désormais assez bien la physique complexe et la cohérence temporelle. Le problème difficile, c’est désormais l’idéation et la création des prompts — quelles compositions de scène, quels mouvements de caméra, quelles conditions d’éclairage produisent réellement un résultat utile. C’est comme avoir un studio de rendu, mais sans direction artistique. L’écart de compétences est passé de « peux-tu le générer » à « sais-tu ce qui vaut la peine d’être généré ».

Si vous faites du vibe coding, c’est le moment de frapper fort sur Grok 4.5. La vitesse est solide, et pour l’instant aucun signe de dégradation des capacités.

Elon ferait mieux de garder cette chose bien affûtée et de ne pas la lobotomiser comme d’autres l’ont fait. La fenêtre des meilleures performances sur ces modèles est généralement courte avant qu’ils ne soient nerfés pour l’optimisation des coûts.

Astuce pour les codeurs axés ambiance : Grok 4.5 tourne très vite en ce moment et n’a pas encore été nerfée — utilisez-la tant que vous pouvez.

Elon, s’il te plaît, ne la simplifie pas comme les autres 😂

(Contexte : De nombreux modèles d’IA sont “safety tunés” ou “alignés” après leur lancement, ce qui réduit souvent leurs capacités brutes de résolution de problèmes. Accès anticipé = moins de sorties filtrées)

Apparemment, le combo le plus rentable pour coder avec une vibe en ce moment : GPT-5.6 (sol) + Grok-4.5

Équilibre la qualité, le coût et la vitesse. GPT-5.6 gère le gros du raisonnement, Grok-4.5 permet d’itérer rapidement. Ça a du sens si vous livrez vite et que vous ne voulez pas épuiser vos crédits d’API à chaque suggestion automatique.