Qodo associe ses propres outils de révision indépendante au générateur de code Codex d’OpenAI. L’entreprise veut faire remonter dans l’IDE les règles internes, l’historique des changements et les dépendances inter‑dépôts, avec à la clé une automatisation plus large et un tri des contrôles via l’API Decisions d’OpenAI.
Qodo combine intelligence artificielle et ingénierie logicielle
Qodo associe des méthodes d’intelligence artificielle, des approches classiques de l’ingénierie logicielle et du scripting. Les connaissances internes de l’entreprise orientent les agents chargés du codage, une vérification indépendante examine leurs suggestions et l’intervention humaine permet de résoudre les questions qui restent en suspens. Itamar Friedman présente ce but comme une « usine logicielle » que les clients auraient la possibilité de composer et de s’approprier, en réunissant les agents de codage et de vérification tout en gardant une vision de l’évolution du logiciel en production. Aux côtés d’OpenAI, Qodo prépare un futur où les agents s’appuient davantage sur l’expérience de l’entreprise et où les développeurs réservent leur expertise aux points cruciaux.
Qodo veut s’appuyer sur l’API Decisions d’OpenAI pour sélectionner les règles
Itamar Friedman identifie une opportunité dans l’API Decisions récemment lancée par OpenAI pour déterminer, à chaque étape du développement, quelles règles et compétences d’agent s’appliquent, plutôt que de solliciter un modèle linguistique pour chaque décision. Il donne l’exemple d’un cas où Decisions sélectionnerait lesquelles des 200 règles vérifier avant qu’un modèle linguistique n’analyse leur pertinence. Selon lui, ce tri pourrait accélérer et réduire le coût de la sélection tout en améliorant la qualité de la révision. Il considère que l’API Decisions peut renforcer la confiance dans le processus.
Un plugin Codex qui relie règles internes, dépendances et révision indépendante
Qodo exploite les modèles d’OpenAI, parmi lesquels GPT‑6 Astra, afin de centraliser le savoir en ingénierie, d’effectuer des revues de code et d’assurer le suivi de la qualité logicielle. Son extension Codex insère ce contexte ainsi que la vérification dans l’environnement de développement. Il est conçu pour des environnements clients pouvant compter 10 000 dépôts ou plus, où une modification locale peut affecter un service en aval. Ce plugin permet à Codex d’accéder à la base de connaissances, aux règles de l’organisation et à une vérification indépendante grâce à l’Agentic Toolbox. Il prend en considération les dépendances entre différents dépôts, y compris ceux gérés par divers fournisseurs Git ou reliés par Kafka. Qodo met en place ces liens pour que Codex puisse appréhender le système dans sa globalité et repérer les bugs majeurs.
Vous codez avec l’IA ?
Outils, agents et nouveautés dev IA décryptés, chaque soir en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Automatiser la boucle avant la PR : récupérer, modifier, contrôler
Avant que Codex ne produise du code, le plugin Qodo est capable de collecter les règles pertinentes ainsi que l’historique des pull requests. Après la réalisation des modifications, Qodo procède à leur évaluation puis transmet ses analyses à Codex au sein de la même session, avant même que le développeur ne soumette une pull request. Nnenna Ndukwe indique que certaines équipes recourent à ce processus pour livrer des fonctionnalités et atténuer la dette technique, en s’appuyant sur les modèles GPT‑6 intégrés à Codex, ce qui permet d’automatiser la transition entre la génération de code et la vérification indépendante. Elle estime que ces modèles sont extrêmement capables.
Des agents « yin et yang » et une escalade centrée sur les désaccords
Itamar Friedman met en avant un binôme d’agents aux rôles complémentaires : l’un génère le code et l’autre le critique. Chacune de ces fonctions requiert une configuration et un contexte distincts, et peut mobiliser plusieurs agents. L’idée est que ces agents confrontent leurs résultats et ne transmettent à l’humain que les désaccords, tandis que les développeurs se chargent de la planification et de la revue, en ayant accès aux échanges entre agents, au contexte et à l’historique des décisions. Il y voit un moyen de bâtir la confiance, et Nnenna Ndukwe considère que ce mode opératoire rend l’ensemble plus efficace et valorise l’expertise.
Usages internes : GPT‑6 Astra en modes Extra High et Ultra
En interne, Nnenna Ndukwe utilise les réglages d’effort Extra High et Ultra de GPT‑6 Astra, aussi bien dans des workflows de développement automatisés que dans ses activités de connaissance. Elle programme Codex pour dresser un bilan hebdomadaire, signaler des axes de progression, parcourir les conversations sur l’ingénierie agentique sur les réseaux et proposer des idées de contenus destinés aux développeurs. Pour ses propres changements de code, elle lui confie l’analyse et la suggestion de compétences d’agent à créer ou à affiner.
