Formation Développement Logiciel IA – Arrêtez de materner les éditeurs IA

Formation Développement Logiciel IA

Un cours pratique et concret pour les équipes d'ingénierie. Apprenez à automatiser tout le cycle de développement logiciel avec des agents IA qui tournent dans GitHub Actions — pas dans votre éditeur. Basé sur le toolkit open-source d'ingénierie de harnais CodeFactory et des monorepos de production réels.

Format:

2 x demi-journée

Sessions de formation pratiques

Additional material

Hints & Tips ebook

1-6 personnes :

€900

7-12 personnes :

€1100

Pratique sur votre propre dépôt Essai FlowHunt gratuit

Réserver maintenant

Séance 1:

Partie 1 – Fondamentaux de l'ingénierie de harnais

Vous apprendrez :

• Pourquoi materner un éditeur IA ne passe pas à l'échelle
• Ingénierie de harnais : les humains pilotent, les agents exécutent
• Amorçage d'un dépôt avec le CLI CodeFactory
• Détection de la stack, paliers de risque et frontières architecturales
• Écrire CLAUDE.md comme plan de contrôle des agents
• Versionner les prompts et les gardes comme du code
• Hooks pre-commit, portes de politique de risque et fichiers protégés

Séance 2:

Partie 2 – Développement automatisé dans GitHub Actions

Vous apprendrez :

• Agents de triage d'issues, planner et implementer
• Agents de revue en lecture seule avec verdicts structurés
• Boucles de remédiation et auto-revert des fichiers protégés
• Pipelines CI à portes de risque avec discipline SHA
• Jardinage de docs et métriques hebdomadaires de harnais
• Exécution live de la boucle complète issue → PR → merge
• Adaptation des harnais à votre propre base de code

Montrez votre expertiseavec notre certificat !

Arrêtez de materner l’éditeur IA

La plupart des développeurs utilisent aujourd’hui l’IA de la mauvaise manière. Ils sont assis dans Cursor ou Copilot Chat, acceptent une suggestion, défilent, en acceptent une autre, annulent, réessaient, recollent une erreur dans le chat et en restent là. Ça donne une impression de productivité, mais c’est du travail manuel déguisé en IA. L’humain reste le goulot d’étranglement. L’agent devine toujours. Rien n’est reproductible, rien n’est revisable, et rien ne passe à l’échelle au-delà d’un développeur et d’une branche.

Cette formation inverse le modèle. Votre équipe apprendra à sortir le codage IA de l’éditeur pour le mettre dans GitHub Actions, où les agents tournent dans des runners éphémères, protégés par des prompts versionnés et des portes qualité automatisées. Le développeur ouvre une issue, revoit une pull request et clique sur merge. Tout ce qui se passe entre les deux — triage, planification, implémentation, revue de code, remédiation — arrive automatiquement, sur une infrastructure CI standard.

Le toolkit de harnais CodeFactory

Nous enseignons sur CodeFactory , un CLI open-source qui amorce un harnais de sécurité d’agents complet dans n’importe quel dépôt existant. Une seule commande — codefactory init — et votre dépôt gagne 16 harnais et plus de 14 workflows GitHub Actions adaptés à votre stack :

• Un contrat de risque (harness.config.json) qui classe chaque fichier en Tier 1, 2 ou 3 et impose le bon niveau de contrôle
• Des instructions d’agent (CLAUDE.md) qui décrivent les conventions, règles de dépendances et fichiers protégés
• Un agent de triage d’issues qui évalue la clarté, la reproductibilité et le périmètre avant qu’une ligne de code ne soit écrite
• Un planner d’issues qui lit la base de code en lecture seule et publie un plan d’implémentation structuré
• Un implementer d’issues qui crée une branche, implémente le changement, exécute une validation de base et ouvre une PR
• Un agent de revue qui tourne avec des outils en lecture seule et émet un verdict APPROVE / REQUEST_CHANGES / COMMENT classé par un second modèle léger
• Une boucle de remédiation qui renvoie les verdicts de revue à l’implementer pour jusqu’à trois cycles d’auto-correction avant d’escalader à un humain
• Des workflows de jardinage de docs, tests structurels, tests de fumée du harnais et métriques hebdomadaires qui maintiennent le harnais lui-même en bonne santé

Tout vit dans le dépôt. Pas de tableaux de bord externes, pas de verrouillage fournisseur, pas d’état caché. Modifier un prompt, c’est une pull request normale.

Exemple de production réel : sport-affiliate

Nous parcourons QualityUnit/sport-affiliate , un vrai monorepo de production (trois sites Next.js, un moteur partagé et un pipeline de données Python) qui fait tourner le harnais CodeFactory complet. Vous lirez les vrais fichiers de workflow, prompts et scripts de garde qui le pilotent :

• 15 workflows GitHub Actions orchestrant toute la boucle issue → PR → merge
• Quatre prompts personnalisés dans .codefactory/prompts/ (issue-triage.md, issue-planner.md, issue-implementer.md, review-agent.md)
• Des scripts de garde TypeScript (scripts/*-guard.ts) qui préparent chaque exécution d’agent et décident si elle doit même commencer
• Un pipeline CI fail-fast en quatre étapes qui saute les builds Next.js complets (25 minutes chacun) au profit de type-check + lint + tests structurels
• Discipline SHA : chaque job downstream checkout exactement le SHA rapporté par la porte de risque pour qu’un agent ne puisse pas race-pusher en plein pipeline
• Fichiers protégés (.github/workflows/*, harness.config.json, CLAUDE.md, fichiers de lock, configs de déploiement) qui sont auto-revertés si un agent y touche
• Le prompt de revue chargé depuis origin/main — pas depuis la branche de la PR — pour que les PR rédigées par un agent ne puissent pas falsifier leur propre reviewer

L’expérience développeur de bout en bout ressemble à ceci : un humain ouvre une issue. L’agent de triage l’étiquette, pose des questions clarificatrices si besoin, et la passe au planner. Le planner publie un plan d’implémentation en commentaire. L’implementer crée issue-N, implémente le changement, exécute les portes qualité et ouvre une PR. L’agent de revue revoit. Si des changements sont demandés, l’implementer est relancé en mode review-fix — jusqu’à trois cycles — avant d’escalader à un humain. Les seuls points de contact humain sont l’ouverture de l’issue et l’approbation du merge final.

Ce que votre équipe ramènera

À la fin de la formation, vos développeurs sauront amorcer exactement cette configuration dans leurs propres dépôts, écrire et régler leurs propres prompts d’agent, définir des paliers de risque correspondant à leur architecture, et mesurer si le harnais fonctionne vraiment grâce aux métriques Mean-Time-To-Harness et SLO. Ils repartiront avec un harnais en marche sur l’un de vos vrais dépôts — pas un exemple jouet.

Rejoignez la prochaine cohorte

Réservez votre place aujourd'hui !

Le futur n'attend pas — contactez-nous maintenant et réservez votre formation développement logiciel IA pour commencer à automatiser votre workflow d'ingénierie.

Contactez-nous