Approches "Bite" contre "Nibble" pour les agents de codage IA

Deux Approches du Codage Assisté par l'IA

Lorsqu'ils travaillent avec des agents d'IA de codage comme Claude, les développeurs utilisent généralement l'un de deux modèles mentaux selon l'analyse d'un chercheur en TAL. L'approche 'bouchée' consiste à charger des fichiers d'instructions complets (comme claude.md ou agents.md) qui contiennent d'emblée toute la sagesse du codage, les avertissements contre les erreurs et les exigences spécifiques. Cette méthode indique au modèle ce que signifie un 'code propre', comment faire du développement piloté par les tests et d'autres préférences en une seule fois.

L'approche 'grignotage' attend une amélioration incrémentielle plutôt que des premières tentatives parfaites. Les développeurs façonnent la solution vers les résultats souhaités sur plusieurs passes, fournissant des retours et des ajustements en cours de route. Les deux stratégies peuvent gérer des tâches 'en une seule fois', mais l'approche grignotage offre plus d'opportunités d'intervention humaine en boucle.

Pourquoi le Grignotage Fonctionne Souvent Mieux

Le chercheur soutient que l'approche grignotage est fondamentalement plus puissante car elle permet au modèle d'accéder à plus de ressources de calcul. Pendant la génération de code, les modèles d'IA ont une 'puissance cérébrale' limitée par jeton - ils ne peuvent considérer qu'un certain nombre de facteurs à la fois. Il n'existe pas d'algorithme qui fournit une logique illimitée gratuitement.

Lorsque les développeurs travaillent sur des tâches complexes, ils ne les exécutent pas 'une seule fois' mais plutôt à travers de nombreuses petites boucles de faire, penser, corriger et réviser. Bien que des modèles comme Claude planifient et décomposent les tâches en étapes, ils ont encore tendance à générer des dizaines de lignes de code à la fois, limités par des contraintes de calcul.

Implications Pratiques

L'approche grignotage donne aux modèles des résultats intermédiaires sur lesquels travailler et répartit le calcul sur plusieurs étapes. Au lieu de mettre des conseils de sécurité dans un fichier CLAUDE.md, les développeurs peuvent créer des contextes frais où le modèle examine le code par rapport à une liste de contrôle de sécurité lors de passes séparées.

Sur des tâches particulièrement difficiles, l'approche bouchée peut entrer dans des boucles d'échec où elle oscille entre des erreurs - similaire à un taux d'apprentissage trop élevé lors de l'entraînement d'un classifieur. L'approche grignotage utilise des étapes plus petites et plus contrôlées qui aident à maintenir la direction et à éviter de rester coincé dans des schémas d'erreur.

Alors que des entreprises comme Anthropic et OpenAI visent à minimiser la différence entre ces approches (et que des développeurs comme Boris Cherny publient des fichiers CLAUDE.md complets), comprendre où l'abstraction de la 'bouchée' fuit peut rendre les modèles plus faciles à utiliser efficacement.