Agents IA

Repenser la revue de code à l'ère des agents IA

Robert C. Martin et les leaders du secteur soutiennent que les ingénieurs doivent passer d'une lecture ligne par ligne du code à une revue de l'intention, des critères et des décisions architecturales, alors que l'IA génère de plus en plus de logiciels.

Une structure de code holographique flottant au-dessus d'un clavier avec une main pointant dessus.
Illustration générée pour cet article

Traduit automatiquement depuis l'original anglais.

Robert C. Martin, largement connu sous le nom d'Uncle Bob, a récemment révélé qu'il ne lit plus 95 % du code produit par ses agents IA. Cet aveu marque un tournant significatif dans les pratiques d'ingénierie logicielle, suggérant que les relecteurs humains ne peuvent plus suivre le rythme de la génération automatisée de code. À mesure que les équipes intègrent des agents IA dans leurs flux de travail, le modèle traditionnel d'inspection détaillée ligne par ligne devient obsolète, forçant une réévaluation de ce qui constitue une supervision efficace.

Ce qui s'est passé

La discussion porte sur un changement fondamental dans la manière dont les équipes d'ingénierie abordent la qualité et la revue du code. Martin, dont le livre Clean Code a influencé des générations de développeurs, soutient que les humains sont trop lents pour gérer le code à la vitesse requise par les agents IA modernes. Il suggère que maintenir une supervision de haut niveau est nécessaire, mais que l'engagement direct avec chaque ligne de code source échappe désormais au domaine humain. Cette perspective remet en question la croyance selon laquelle le code est principalement écrit pour être lu par d'autres humains, impliquant que le lecteur n'est plus un développeur humain, mais un système automatisé ou une abstraction de plus haut niveau.

Bien qu'il déclare que le code est largement hors du périmètre de la revue humaine, Martin n'abandonne pas entièrement la vigilance. Il se concentre plutôt sur l'intégrité structurelle et les modèles de conception. Il utilise des outils qui visualisent l'architecture du projet, lui permettant d'étendre, de réduire et de creuser des composants spécifiques sans se noyer dans la syntaxe brute. Cette méthode lui permet d'identifier des problèmes tels que des scores élevés de CRAP (Change Risk Anti-Patterns), de faibles résultats de tests de mutation et des directions de dépendances incorrectes. En interagissant avec ces diagrammes dynamiques, il peut exécuter des scénarios hypothétiques et ajuster les couches de composants avant que le code ne soit figé, déplaçant ainsi efficacement le processus de revue en amont, de l'implémentation vers la conception.

D'autres voix de l'industrie offrent des perspectives nuancées sur cette transition. Ray Myers soutient que ceux qui prétendent arrêter de lire le code pratiquent souvent une forme de lecture « en minuscules », inspectant sélectivement les zones critiques tout en s'appuyant sur une vérification automatisée pour le reste. David Poll, qui dirige l'équipe de pull requests et de revue de code chez GitHub, souligne que l'objectif n'est pas d'arrêter de lire, mais de diriger l'attention là où elle est la plus utile. Il préconise des systèmes qui mettent en évidence les parties significatives d'un changement, permettant aux zones de faible confiance de disparaître de l'ensemble d'attention du relecteur. Ce consensus suggère que si le volume de code revu manuellement diminue, l'importance stratégique de la revue restante augmente.

Comment cela fonctionne

Le nouveau modèle de revue repose sur trois artefacts principaux : l'intention, les critères d'acceptation et les décisions. L'intention capture le but du changement, y compris ce qui est inclus dans le périmètre et ce qui est délibérément exclu. Ces informations sont dérivées des prompts et des interactions entre l'ingénieur et l'agent IA. Les critères d'acceptation sont divisés en exigences spécifiques pour le changement actuel et en motifs invariants issus du registre de « AI slop » (code bâclé généré par IA) de l'équipe. Un agent de vérification, indépendant de celui qui a écrit le code, contrôle ces critères et fournit des preuves de conformité. Les relecteurs évaluent ensuite si le problème est résolu correctement dans les contraintes définies.

Les décisions représentent les choix architecturaux, comportementaux et techniques effectués lors du développement. Puisque les agents IA gèrent la majeure partie du code répétitif (boilerplate), la contribution humaine réside dans la sélection des bibliothèques, la définition des modèles de données et la détermination des stratégies de gestion des erreurs. Les relecteurs se concentrent sur ces décisions pour assurer l'alignement avec les objectifs du système. Cette approche préserve le modèle mental de la base de code, un concept que Mitchell Hashimoto appelle la « défense du tableau blanc ». Les ingénieurs doivent pouvoir expliquer pourquoi des choix spécifiques ont été faits et où se situent les défaillances potentielles, garantissant que le partage des connaissances reste intact même sans familiarité ligne par ligne avec le code.

Détails clés

  • Robert C. Martin rapporte qu'il ne lit pas 95 % du code généré par ses agents IA, citant les écarts de vitesse entre les humains et les machines.
  • Le score CRAP, ou Change Risk Anti-Patterns, est une métrique datant de 2007 qui combine la complexité cyclomatique avec la couverture de test pour identifier le code risqué.
  • Les diagrammes dynamiques de type UML permettent aux relecteurs de visualiser les dépendances et la structure, facilitant des ajustements interactifs avant la finalisation du code.
  • Les agents de vérification contrôlent les critères d'acceptation par rapport au registre de « AI slop » de l'équipe, fournissant des verdicts basés sur des preuves plutôt que d'exiger une inspection manuelle.
  • David Poll de GitHub affirme que l'objectif est de diriger l'attention humaine vers les parties significatives d'un changement, et non d'éliminer totalement la lecture.
  • La responsabilité ultime du code incombe toujours aux humains, car les agents IA sont considérés comme entièrement irresponsables et ne peuvent assumer les résultats.

Pourquoi c'est important

Pour les responsables d'ingénierie et les développeurs, ce changement nécessite une évolution de l'état d'esprit, passant d'une vérification tactique à une supervision stratégique. La revue de code traditionnelle servait deux objectifs : assurer l'alignement avec les normes et faciliter le partage des connaissances. L'IA perturbe ces deux aspects en générant rapidement du code conforme et en obscurcissant le processus décisionnel. En se concentrant sur l'intention, les critères et les décisions, les équipes peuvent maintenir la qualité sans engorger le pipeline de développement. Cette approche garantit que les ingénieurs seniors consacrent leur temps à des jugements architecturaux à haute valeur ajoutée plutôt qu'à des critiques syntaxiques mineures.

De plus, ce modèle répond au risque de silos de connaissances. Si une seule personne comprend le code généré par l'IA, l'équipe devient vulnérable. En documentant les décisions et en exigeant que les ingénieurs défendent leurs choix, l'équipe construit un modèle mental partagé. Cette pratique assure que plusieurs personnes comprennent comment le système fonctionne et pourquoi certaines voies ont été choisies. Elle transforme la revue de code d'un exercice de filtrage en une session de conception collaborative, favorisant une compréhension plus profonde du système parmi tous les membres de l'équipe.

Ce que vous pouvez faire

  • Mettre en œuvre des outils qui visualisent la structure du code et les dépendances, permettant aux relecteurs d'évaluer l'architecture avant de plonger dans les détails de l'implémentation.
  • Définir clairement l'intention pour chaque tâche, en documentant ce qui est inclus dans le périmètre et ce qui est exclu dans les prompts fournis aux agents IA.
  • Établir un registre de « AI slop » pour capturer les motifs et les erreurs courants, en l'utilisant pour automatiser la vérification des critères d'acceptation.
  • Exiger que les ingénieurs documentent les décisions techniques et architecturales clés, créant un dossier pouvant être examiné indépendamment du code.
  • Former les relecteurs à se concentrer sur les zones à haut risque et les choix stratégiques, en utilisant des tests automatisés pour gérer les tâches de validation routinières.
  • Organiser régulièrement des sessions de tableau blanc où les ingénieurs expliquent leurs choix de conception et les défendent face aux questions de leurs pairs pour renforcer la compréhension partagée.
  • #ai agents
  • #code review
  • #software engineering
  • #clean code
  • #developer productivity

Outils de la Boutique Bytechap

Continuer la lecture

Tous les articles