Leçons pratiques tirées de l'utilisation d'agents d'IA sur une base de code de 100 000 lignes

Six Techniques Concrètes pour le Développement Assisté par IA à Grande Échelle

Un développeur a récemment documenté son expérience d'utilisation d'agents IA (Claude Code + Cursor) pour construire une couche API compatible pandas sur le moteur analytique chDB. Le projet impliquait l'alignement de plus de 600 méthodes entre deux systèmes et a coûté environ 20 000 $ en tokens. Voici les leçons spécifiques et actionnables qu'il a partagées.

Détails Clés de la Mise en Œuvre

• Maintenir un fichier de règles CLAUDE.md : Puisque l'IA n'a pas de mémoire inter-sessions, ils ont intégré un fichier de règles au dépôt contenant chaque motif que l'IA continuait à mal comprendre, chaque raccourci qu'ils ont interdit, et chaque décision architecturale qui a été arrêtée. Cela a également servi d'interface de collaboration d'équipe. Ils mettent en garde contre la transformation de ce fichier en un "manifeste de 500 lignes" que l'IA commencera à ignorer.
• Observer le raisonnement, pas seulement la sortie : Aux premiers stades, lire comment l'IA pense est plus précieux que ce qu'elle produit. Lorsque sa logique s'écarte de la vôtre, demandez-vous : ma réflexion était-elle erronée, ou ne l'ai-je simplement pas communiquée correctement ?
• Utiliser périodiquement un agent sans contexte comme critique : Ils ont commencé à utiliser un nouvel agent (claude.ai/code, pas l'interface CLI de Claude Code) sans mémoire du projet pour évaluer leur travail du point de vue d'un observateur extérieur critique et rationnel. Deux mots-clés importent : critical (contourner le mode accommodant par défaut de l'IA) et rational (exiger un raisonnement structuré, pas des impressions).
• Utiliser le système cible comme oracle de test : Puisque leur objectif était de correspondre à une API existante, ils ont trouvé du code réel (notebooks GitHub/Kaggle), ont remplacé une ligne d'importation, et ont comparé les sorties au lieu d'inventer des cas de test.
• Règles plutôt qu'invites : Ils ont observé comment l'IA prend des raccourcis et ont écrit des interdictions explicites. Par exemple : lorsque les tests échouaient à cause d'un désaccord sur l'ordre des lignes, le mouvement préféré de l'IA était d'ajouter .sort_values() pour faire passer le test. Ils ont explicitement interdit cela. Les cas qui ne peuvent vraiment pas être appariés sont marqués XFAIL, jamais ignorés silencieusement.
• Système de fichiers plutôt qu'historique de conversation pour les pipelines multi-agents : Ils orchestrent des flux de travail multi-agents avec des scripts Python où le système de fichiers est la couche de contexte partagée. Chaque agent écrit son travail dans un répertoire de suivi, et le suivant lit ce dont il a besoin. Les modèles clés qui ont fonctionné : séparation des rôles, décisions structurées (APPROUVER/REJETER/ESCALADER sous forme de JSON pour un flux de contrôle déterministe), et retour arrière git automatique en cas d'échec.

Le développeur note que l'IA excelle dans le travail à grande échelle—aligner des centaines de fonctions, générer des milliers de tests, détecter les régressions—mais le jugement ("est-ce un bug ou une fonctionnalité ? L'architecture est-elle correcte ?") reste la responsabilité de l'humain.