English | 中文 | Español | Français | Deutsch | 日本語 | 한국어 | Português | Aider à traduire
> Une liste organisée et orientée implémentation pour **Loop Engineering** : la couche au-dessus du prompt engineering, du context engineering et du harness engineering pour concevoir des systèmes récurrents d'agents IA. Le prompt engineering améliore ce que l'on demande au modèle. Le context engineering améliore ce que le modèle peut voir. Le harness engineering améliore les outils, permissions, sandboxes et vérifications autour d'une exécution d'agent. **Loop Engineering se situe au-dessus des trois** : il conçoit des systèmes qui déclenchent des agents, les supervisent, vérifient les résultats, persistent l'état et relancent le travail. Un loop découvre du travail, le délègue à un ou plusieurs agents, vérifie le résultat, enregistre l'état, décide de l'action suivante et se relance selon une cadence ou jusqu'à atteindre un objectif vérifiable. Ce dépôt concerne le nouveau sens de Loop Engineering dans le contexte des agents IA et coding agents. Il ne concerne pas les event loops logiciels, la théorie du contrôle, les growth loops, l'automatisation générique ou les feedback loops non liés à l'IA. ## Modèle Mental - Prompt engineering demande : que faut-il dire au modèle ? - Context engineering demande : quel état et quelles connaissances le modèle doit-il voir ? - Harness engineering demande : quels outils, permissions, tests, sandboxes et signaux de feedback doivent entourer l'agent ? - Loop engineering demande : quel système récurrent doit découvrir le travail, déléguer aux agents, vérifier les résultats, persister l'état, décider des prochaines actions et se relancer ? Prompt, context et harness engineering améliorent une exécution. Loop Engineering rend le travail des agents répétable, observable et gouvernable dans le temps. ## Loop Contract Un loop utile rend généralement visibles ces éléments : | Élément | Question de conception | Artefact courant | | ----------------- | -------------------------------------------- | ----------------------------------------------------------- | | Objective | Que doit optimiser le loop ? | Goal, issue, PRD, runbook | | Trigger | Quand le loop s'exécute-t-il ? | Schedule, webhook, `/loop`, `/goal`, automation | | Discover / Intake | Comment le loop trouve-t-il le travail ? | GitHub query, Linear filter, CI failure, feedback stream | | Workspace | Où l'agent peut-il agir en sécurité ? | Worktree, sandbox, branch, container | | Context | Quelles connaissances durables charger ? | `AGENTS.md`, `CLAUDE.md`, `SKILL.md`, docs | | Delegation | Quel agent fait quoi ? | Explorer, implementer, reviewer, judge | | Verification | Qu'est-ce qui décide succès ou échec ? | Tests, typecheck, lint, evals, trace graders | | State | Qu'est-ce qui survit au prochain passage ? | Progress file, checkpoint, trace, issue comment | | Budget | Quand faut-il arrêter de consommer ? | Max turns, max retries, token budget, time box | | Escalation | Quand une personne doit-elle reprendre ? | PR, issue, Slack alert, triage inbox | | Exit | Comment sait-on que le loop est terminé ? | Acceptance criteria, passing checks, no work found | ## Modèle de Maturité | Niveau | Nom | Description | | ------ | -------------------------- | ------------------------------------------------------------------------------------------- | | 0 | Manual prompting | Une personne lit l'état et écrit le prompt suivant. | | 1 | Scripted retry | Un script renvoie les erreurs à l'agent. | | 2 | Scheduled loop | L'agent s'exécute selon une cadence et rapporte ses résultats. | | 3 | Stateful loop | Le progrès survit via fichiers, issues, checkpoints ou traces. | | 4 | Self-verifying loop | Des vérifications déterministes ou évaluateurs empêchent une fausse validation. | | 5 | Multi-agent loop | Des agents spécialisés séparent découverte, implémentation, revue et jugement. | | 6 | Production-supervised loop | Observabilité, budgets, approbations, rollback et escalade humaine sont de premier ordre. | ## Premières Lectures La liste complète des ressources reste dans le README canonique en anglais : [README.md](README.md). Ressources recommandées pour commencer : - [Loop Engineering](https://addyosmani.com/blog/loop-engineering/) - Définition directe du passage du prompting manuel à des systèmes qui promptent, vérifient et continuent. - [Run long horizon tasks with Codex](https://developers.openai.com/blog/run-long-horizon-tasks-with-codex) - Guide pratique pour des cycles plan-edit-test-observe-repair-document-repeat. - [Run prompts on a schedule](https://code.claude.com/docs/en/scheduled-tasks) - Mécanismes officiels pour `/loop`, tâches planifiées et prompts récurrents. - [Building Effective Agents](https://www.anthropic.com/engineering/building-effective-agents) - Patterns composables pour workflows et agents. ## Contribuer Les contributions sont bienvenues. Lis [CONTRIBUTING.md](CONTRIBUTING.md) avant d'ouvrir une pull request. Processus rapide : 1. Vérifie que la ressource concerne Loop Engineering pour agents IA/coding agents ou une base directe. 1. Recherche dans le README pour éviter les doublons. 1. Choisis la catégorie la plus spécifique. 1. Ajoute une entrée dans ce format : ```md - 📄 **Paper** [Title](https://example.com) - One sentence explaining the resource's contribution to Loop Engineering. ``` 1. Explique dans la PR la pertinence, la catégorie, le type de ressource et l'intérêt pour les builders. ## Traductions Pour maintenir ou ajouter une langue, lis [TRANSLATIONS.md](TRANSLATIONS.md). Les traductions doivent préserver le périmètre : ne pas inclure les event loops, growth loops ou automatisations génériques.