Modèles agentiques : planifier, exécuter, vérifier
Commencez par établir un plan, exécutez-le ensuite étape par étape, puis vérifiez le résultat par rapport aux critères d’acceptation : c’est plus efficace qu’une exécution en une seule fois.
Modèles agentiques : planifier, exécuter, vérifier est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Pourquoi planifier d’abord ?
La génération de code en une seule fois fonctionne pour les petites tâches (« écrire un fizzbuzz »). Pour les véritables changements logiciels, l’agent doit :
- Plan — décomposer la tâche en étapes
- Exécuter — implémenter chaque étape
- Vérifier — tester, analyser statiquement, exécuter
- Itérer — corriger jusqu’à vérification
Step 1 : Plan
Demandez au modèle de produire un plan structuré :
PLAN_PROMPT = '''
You are a senior engineer. Given this task, produce a JSON plan:
{steps: [{description, files_to_touch: [str], test_commands: [str]}], risks: [str]}
Task: {user_task}
'''Plan Schema
from pydantic import BaseModel
class Step(BaseModel):
description: str
files_to_touch: list[str]
test_commands: list[str]
class Plan(BaseModel):
steps: list[Step]
risks: list[str]Step 2 : exécuter
Exécutez chaque étape dans l’ordre. Fournissez au modèle le contenu des fichiers comme contexte :
for step in plan.steps:
context = {f: read_file(f) for f in step.files_to_touch}
diff = llm.invoke(f'Implement: {step.description}\nFiles:\n{context}').content
apply_diff(diff)Step 3 : vérifier
Exécutez les tests, l’analyse statique et la compilation pour chaque étape :
for cmd in step.test_commands:
result = sandbox.run(cmd)
if result.exit_code != 0:
# Verification failed; iterate
loop_until_verified(step, result.stderr)Step 4: Iterate Until Pass
MAX_ITERS = 5
for iter in range(MAX_ITERS):
result = sandbox.run(test_cmd)
if result.exit_code == 0:
break
fix = llm.invoke(f'Tests failed:\n{result.stderr}\nFix the code.').content
apply_diff(fix)Afficher les différences, pas les fichiers entiers
Pour les changements progressifs, le modèle doit produire des UNIFIED DIFFS :
diff = '''
--- a/main.py
+++ b/main.py
@@ -10,3 +10,4 @@
def add(a, b):
return a + b
+
+def sub(a, b): return a - b
'''
import patch
patch.fromstring(diff).apply()La qualité du Plan est essentielle
Un mauvais plan condamne l’exécution. Utilisez un modèle plus puissant pour la planification (GPT-4o, Claude Sonnet 4.5) et un modèle moins cher pour l’exécution (gpt-4o-mini, haiku) si votre budget est limité.
Replanifier en cas de blocage
Si la vérification échoue à plusieurs reprises, abandonnez le plan actuel et demandez au LLM de replanifier avec les nouvelles informations :
if iter == MAX_ITERS - 1:
new_plan = llm.invoke(f'Original plan failed. Errors: {errors}. Make a new plan.').contentCompromis de la planification à long horizon
Plus l’horizon est long, moins les plans du modèle sont bons. Pour les tâches de plus de 10 étapes, générez un plan général, puis affinez-le à chaque étape.
Plan + critique
Faites examiner le plan par un agent « critique » avant l’exécution. Cela permet de détecter rapidement les erreurs évidentes, à moindre coût que de les corriger pendant l’exécution.
Présenter le Plan à l’utilisateur
Montrez le plan à l’utilisateur avant de l’exécuter. Permettez-lui de le modifier :
approved_plan = await ask_user_to_approve_or_edit(plan)
execute(approved_plan)Planifier-exécuter-vérifier
Pourquoi ce schéma est-il plus fiable que la génération de code en une seule fois ?
Récapitulatif
Planifiez, exécutez, vérifiez, itérez. Utilisez un planificateur puissant et un exécuteur économique, puis lancez de vrais tests. Présentez les plans aux utilisateurs lorsque les enjeux sont élevés.
Questions Fréquemment Posées
La leçon « Modèles agentiques : planifier, exécuter, vérifier » est-elle gratuite ?
Oui — le texte complet de « Modèles agentiques : planifier, exécuter, vérifier » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Modèles agentiques : planifier, exécuter, vérifier » ?
Commencez par établir un plan, exécutez-le ensuite étape par étape, puis vérifiez le résultat par rapport aux critères d’acceptation : c’est plus efficace qu’une exécution en une seule fois. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Modèles agentiques : planifier, exécuter, vérifier » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Modèles agentiques : planifier, exécuter, vérifier
- Interfaces d’outils pour coder (Read, Edit, Bash)
- Boucles itératives d’autocorrection
- Architectures de SWE-Agent et OpenDevin