Art du code : laissez l'IA réviser, pas écrire, votre code
L'essai de Peter Bloem "AI coding without the vibes" tranche dans le battage autour du développement assisté par IA. L'argument central : l'IA est bonne pour faire ou vérifier, mais pas les deux. La pratique courante — laisser l'IA écrire le code puis le faire relire par un humain — est une fiction. Notre attention vagabonde, et les échecs de l'IA deviennent subtiles. L'alternative, qu'il appelle craft coding, inverse les rôles : vous écrivez le code, et l'IA agit comme votre relecteur.
Pourquoi le vibe-coding échoue
Bloem explique les deux étapes de la plupart des travaux : faire et vérifier. Si l'IA écrit le code, vous devez tout vérifier. Mais les humains ne sont pas conçus pour ce niveau de vigilance soutenue. Les cas d'échec sont assez rares pour que vous commenciez à faire confiance au moteur, et avec le temps, la base de code devient un gâchis ingérable. Pire, c'est une expérience pénible et sans plaisir. Comme il le dit, "Vérifier le code des autres est une corvée. Écrire le vôtre est amusant."
L'approche du craft coding
Au lieu de cela, écrivez le code vous-même et faites-le réviser par l'IA. Cela vous garde le contrôle, maintient vos compétences, et fait toujours gagner du temps — l'IA attrape des bugs qui pourraient prendre des semaines à trouver à l'ancienne. Cela vous introduit également à de meilleures pratiques et technologies que vous ne connaissiez pas. Crucialement, cela préserve votre capacité à auto-évaluer votre compréhension, une compétence qui s'atrophie si vous déléguez tout à la machine.
Pourquoi cela fonctionne
- Vous restez engagé : La partie amusante — écrire le code — reste la vôtre.
- L'IA attrape ce que vous manquez : Elle relit votre travail, repérant les cas limites et les problèmes de style.
- Vous apprenez : Les suggestions de l'IA vous enseignent de nouvelles astuces, mais vous les implémentez, donc la compréhension est retenue.
- Vous gardez votre jugement : Vous évitez le piège de croire que vous maîtrisez quelque chose alors que vous l'avez simplement délégué.
Ce n'est pas seulement pour les étudiants. Bloem prévient que "les compétences cognitives sont comme des muscles : difficiles à gagner, faciles à perdre." Même les développeurs expérimentés devraient éviter de déléguer toute réflexion à l'IA.
Comment commencer
En pratique, cela signifie utiliser l'IA comme un binôme ou un relecteur de code : demandez-lui de regarder votre diff, suggérer des améliorations, signaler les bugs. Vous restez l'auteur ; l'IA est votre deuxième paire d'yeux. Cette méthode aligne également les incitations — vous ne prenez pas de raccourcis, vous améliorez votre propre travail.
L'essai de Bloem est un contrepoint opportun à la tendance du "vibe-coding". C'est un guide pratique pour quiconque veut utiliser l'IA sans perdre la compétence qui fait de lui un développeur.
📖 Lire la source complète : HN LLM Tools
👀 See Also

Trellis 2 fonctionne avec succès sur ROCm 7.11 avec une AMD RX 9070 XT
Un développeur a réussi à faire fonctionner Trellis 2 sur Linux Mint 22.3 avec une carte graphique AMD RX 9070 XT en utilisant ROCm 7.11, en résolvant deux problèmes majeurs : l'instabilité de ROCm avec les tenseurs de grande dimension N et une fonction hipMemcpy2D défectueuse dans CuMesh.

Cinq problèmes courants de configuration d'OpenClaw qui augmentent les coûts des API
Un post Reddit identifie cinq problèmes de configuration dans les installations OpenClaw qui entraînent une consommation excessive de crédits API, notamment l'utilisation de modèles coûteux pour des tâches routinières, l'absence de limites budgétaires, des passerelles ouvertes, une mémoire non gérée et des compétences non vérifiées.

Accéder aux webcams USB dans WSL2 pour la détection de mouvement locale
Un développeur explique comment utiliser usbipd-win pour passer des webcams USB de Windows à WSL2, permettant une détection de mouvement locale avec OpenCV sans dépendances cloud.

Comment fonctionne réellement la mémoire d'OpenCLAW : Résoudre l'« oubli » de l'agent
Les agents OpenCLAW n'ont pas de mémoire persistante entre les conversations - ils reconstruisent le contexte à partir de fichiers comme SOUL.md, USER.md et MEMORY.md à chaque session. Les problèmes courants d'«oubli» proviennent de l'encombrement des sessions, des fichiers mémoire non structurés et de la confusion entre l'historique des discussions et le stockage permanent.