L’article aborde la notion de « bon code » dans un contexte où l’IA facilite la génération de code, tout en soulignant que sa qualité reste un enjeu majeur. L’auteur s’appuie sur les travaux de Simon Willison pour définir un code efficace : il doit fonctionner correctement, être validé par des tests et des vérifications, et résoudre un problème réel plutôt qu’un besoin technique mal ciblé. La robustesse face aux erreurs, la simplicité, la documentation à jour et l’évolutivité sont également mises en avant.
L’auteur insiste sur l’importance de gérer les cas d’échec avec des messages exploitables et d’éviter la complexité inutile, tout en respectant des critères non fonctionnels comme la sécurité ou la maintenabilité. Ces principes, valables avant l’ère de l’IA, deviennent encore plus cruciaux avec l’automatisation, car ils garantissent la fiabilité et la pérennité des solutions produites.
Ce dépôt GitHub propose Caveman, un plugin pour Claude Code (et autres outils d'IA) qui réduit drastiquement la taille des réponses en adoptant un langage minimaliste, inspiré du "parler caveman". L'idée centrale est de conserver la précision technique tout en diminuant jusqu'à 75 % des tokens utilisés, ce qui optimise les coûts et la rapidité des interactions.
Le projet inclut des exemples concrets comparant les réponses standard et celles compressées, comme une explication sur les re-rendus de composants React passant de 69 à 19 tokens. Il propose également des benchmarks, des guides d'installation et une documentation détaillée pour une intégration facile avec plus de 30 outils compatibles.
Développé sous licence MIT, Caveman s'appuie sur des scripts d'installation automatisés et une structure modulaire pour faciliter son déploiement et ses contributions. Le dépôt met en avant des améliorations continues, comme la consolidation des fichiers de configuration et des correctifs pour les scripts d'installation.
L’article interroge la qualité croissante des logiciels et l’impact de l’IA sur leur fiabilité, dans un contexte marqué par des failles de sécurité fréquentes et des fuites de données. L’auteur souligne que les vulnérabilités (CVE) ont fortement augmenté depuis 2017, attribuant cette hausse à des facteurs comme la pression des mises à jour quotidiennes, l’expansion du numérique et l’intensification des cyberattaques, plutôt qu’à l’IA. Il relativise cependant ce lien, notant que les CVE reflètent aussi une meilleure détection des bugs et une industrie cyber en croissance.
L’auteur évoque des exemples concrets, comme des failles majeures chez GitHub ou des attaques contre des institutions françaises, pour illustrer la dégradation perçue de la qualité logicielle. Il critique l’idée selon laquelle l’IA serait la principale responsable, soulignant que la baisse de fiabilité précède son adoption massive et s’explique davantage par des enjeux économiques et géopolitiques.
Enfin, l’article aborde la perception selon laquelle l’IA accélérerait la production de "code de merde", une idée que l’auteur juge exagérée. Il conclut que la qualité des logiciels dépend davantage des pratiques de développement et des pressions du marché que de l’IA, tout en reconnaissant que cette dernière pourrait aggraver certains problèmes si mal utilisée.
CodeGraph est un outil open source conçu pour optimiser l'analyse de code par des agents IA comme Claude Code ou Cursor. Il génère un graphe de connaissances pré-indexé (symboles, relations, appels de fonctions) permettant aux agents d'interroger instantanément la structure du code plutôt que de scanner les fichiers, réduisant ainsi les coûts et les appels d'outils.
L'installation est simplifiée avec des scripts dédiés pour macOS/Linux et Windows, ou via npm. CodeGraph s'intègre automatiquement aux agents configurés et fonctionne localement sans dépendances externes, tout en restant compatible avec des projets existants.
Les benchmarks sur sept bases de code réelles montrent une économie moyenne de 35 % des coûts, 59 % de tokens en moins et un gain de vitesse de 49 %, grâce à l'indexation sémantique qui évite les recherches coûteuses.
L’auteur partage son workflow structuré pour intégrer l’IA dans le développement logiciel tout en maintenant la clarté et la maintenabilité du code. L’idée centrale est que le travail réel commence avant l’écriture du code, en privilégiant la réflexion écrite plutôt que l’implémentation directe.
Le processus se décompose en trois étapes : d’abord, un plan informel en langage naturel pour formaliser la pensée, puis la génération d’un PRD (Product Requirements Document) via un entretien structuré avec l’IA pour identifier les failles du plan initial. Enfin, la transformation du PRD en issues techniques, organisées en tranches verticales pour garantir une intégration complète et vérifiable.
L’objectif est de forcer une réflexion approfondie en amont, où l’IA sert à tester et affiner les hypothèses plutôt qu’à remplacer le raisonnement humain, évitant ainsi des solutions techniques floues ou mal adaptées.
Ce billet explore les implications de l'augmentation de la vitesse de codage, notamment grâce à l'IA, sur le métier de développeur. L'auteur, un entrepreneur technique, partage son expérience personnelle où le gain de temps lui permet de se concentrer sur la stratégie et l'amélioration du produit plutôt que sur la simple production de code. Il souligne que l'impact varie selon les contextes, comme les grandes entreprises ou les freelances, et que le gain de temps n'est pas toujours évident, comme le montre une étude récente. L'idée centrale est de se demander à quoi sert ce temps gagné et comment il peut être utilisé pour améliorer la qualité du produit et la réflexion stratégique.
L'article explore l'évolution des stratégies de développement logiciel, passant du traditionnel "Build or Buy" à un nouveau paradigme "Build, Buy, Run or Vibe" (BBRV) avec l'essor de l'IA. L'auteur souligne que la capacité à produire du code n'est plus un avantage compétitif durable, car les assistants de code boostés par l'IA permettent de reproduire rapidement des logiciels existants. Il illustre ce point avec des exemples comme Nolto.social et Pono-job.eu, des alternatives à LinkedIn développées par de petites équipes grâce à l'IA. L'article met en lumière les défis pour les créateurs de logiciels, notamment les SAAS, et suggère que la compréhension métier devient un facteur clé de différenciation.
L'article explore comment optimiser l'utilisation des agents de codage (comme Claude Code ou GitHub Copilot) pour améliorer la productivité des développeurs. Basé sur des retours d'expérience, il propose plus de 40 bonnes pratiques pour rendre les bases de code plus "agent-friendly". Parmi les conseils clés : intégrer la connaissance du domaine dans le code (via des fichiers dédiés, des commentaires, des noms explicites), améliorer la "SEO" du code pour faciliter la recherche, et suivre des conventions claires. L'objectif est de permettre aux agents de travailler de manière autonome et efficace sur des tâches complexes.
En 2026, l'utilisation d'outils d'IA comme Copilot ou ChatGPT pour générer du code crée des "zones mortes" de 5 à 15 secondes dans le flux de travail des ingénieurs, fragmentant leur journée et réduisant leur productivité. Ces micro-pauses invitent aux distractions, brisant la concentration et le travail en profondeur. L'article propose un protocole "AI Detox" pour maintenir l'état de flux et éviter le coût caché du changement de contexte, qui inclut la perte de temps et la détérioration de la qualité du code.
L'auteur explore l'évolution de la création logicielle avec l'essor des outils comme Claude Code, marquant un déplacement vers des logiciels personnels et éphémères. Il souligne la chute des barrières d'entrée pour le développement, permettant aux non-développeurs de créer des outils sur mesure pour des besoins spécifiques. Cette tendance s'éloigne du modèle SaaS traditionnel, axé sur la rétention, vers des solutions éphémères, locales et sans friction, optimisées pour l'immédiateté et le contrôle. L'article met en lumière une nouvelle ère où le logiciel devient une utilité personnelle générée, plutôt qu'un produit acheté, reflétant un retour aux origines des tableurs comme outils de résolution de problèmes ponctuels.
Ce billet de blog de JoliCode explore l'utilisation de Jane, une suite de librairies PHP, pour maintenir la cohérence entre la documentation et le code dans le développement d'APIs. Jane génère automatiquement du code (modèles, normalisateurs, clients HTTP) à partir de spécifications JSON Schema ou OpenAPI, éliminant ainsi les divergences entre la documentation et le code. L'article illustre cette approche avec un exemple concret de tunnel d'achat e-commerce, divisé en deux microservices (Panier et Commande), et montre comment Jane peut être utilisée pour générer et valider les données échangées entre ces services.
L'auteur, DamyR, partage son expérience et ses réflexions sur l'utilisation de l'IA dans le domaine du SRE/DevOps. Il critique l'utilisation de l'IA pour la complétion de code dans les IDE, qu'il juge inefficace et perturbante pour son flux de travail. Il préfère les solutions traditionnelles comme les snippets et les LSP (Language Server Protocol), qu'il trouve plus efficaces et personnalisables. Cependant, il reconnaît les avantages de l'IA dans d'autres aspects de son travail, comme l'aide à la configuration de Neovim avec Claude, une IA externe. Il encourage à utiliser l'IA de manière ciblée et bénéfique, plutôt que de l'intégrer de manière contre-productive dans tous les outils.
Le Vibe Coding, tendance récente promettant de générer du code sans savoir coder, suscite le scepticisme. Bien que l'idée ne soit pas nouvelle (FrontPage, LightSwitch, NoCode), l'auteur souligne que les non-développeurs finissent souvent par confier le travail à des professionnels. Le métier de développeur ne se résume pas à produire du code, mais implique discernement et expérience. Une étude d'OX Research révèle que les modèles actuels de Vibe Coding reproduisent des erreurs typiques des juniors, comme des anti-patterns et des problèmes de scalabilité, de sécurité et de maintenabilité. La rapidité et le volume de code généré posent des défis pour les processus de revue et d'accompagnement.
L’article "Simplify Your Code: Functional Core, Imperative Shell" (adapté d’un épisode Google Tech on the Toilet) propose une méthode pour structurer son code en séparant la logique métier pure (le cœur fonctionnel) des effets de bord (la coquille impérative). L’idée est d’isoler la logique métier dans des fonctions pures, faciles à tester et à réutiliser, tandis que les interactions externes (base de données, envoi d’emails, etc.) sont reléguées à une couche impérative. Par exemple, au lieu de mélanger requêtes base de données et envoi d’emails dans une seule fonction, on extrait d’abord les utilisateurs expirés via une fonction pure (getExpiredUsers), puis on génère les emails avec une autre fonction pure (generateExpiryEmails), avant de les envoyer via une couche impérative. Cette approche améliore la testabilité, la maintenabilité et la flexibilité du code.
L'auteur présente brièvement ce qu'est la "screaming architecture" et ses avantages
Tout est dans le titre
Réflexions intéressantes (via https://www.standblog.org/blog/post/2024/02/12/En-vrac-de-fevrier-2024 )
Tout est dans le titre
Tout est dans le titre