Votre boucle d'IA est une 'slop machine'

L'AI a introduit deux flux de travail distincts pour les développeurs. Les systèmes traditionnels human-in-the-Loop Engineering vous gardent aux commandes : vous invitez un agent, examinez sa sortie et itérez manuellement chaque étape. Inversement, l'Loop Engineering Engineering autonome envisage l'AI en pilote automatique, où une seule invite humaine initie un agent auto-correcteur qui génère, examine et affine ses propres résultats par rapport à une spécification définie.

Les meilleurs développeurs comme Boris Cherny Cherny et Peter Steinberger Steinberger défendent l'Loop Engineering Engineering comme l'avenir du développement. Ils soutiennent que les développeurs devraient concevoir des systèmes qui invitent l'AI, plutôt que d'inviter directement l'AI elle-même, permettant aux agents d'exécuter de manière autonome des tâches complexes.

Bien que cette approche pointe vers un avenir ambitieux, elle présente une réalité dangereuse et inefficace pour la plupart des développeurs aujourd'hui. Cherny et Steinberger opèrent avec des budgets de jetons pratiquement illimités, rendant l'Loop Engineeringing constant rationnel pour eux. Pour la grande majorité sans de telles ressources, les Loop Engineerings ouvertes deviennent rapidement une "slop machine", brûlant un nombre significatif de jetons et entraînant des coûts imprévisibles. Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) souligne que Peter Steinberger Steinberger a un jour tweeté avoir dépensé 1,3 million de dollars en jetons en un seul mois, soulignant le potentiel de dépenses incontrôlées.

Un modèle d'Loop Engineering Engineering agentique en roue libre, laissé à lui-même, reflète le défi d'embaucher un brillant développeur de startup et de lui confier une spécification solitaire. Sans une guidance humaine constante, l'agent comble chaque ambiguïté avec ses propres hypothèses et interprétations. Ces suppositions s'éloignent invariablement de la vision originale du produit, entraînant une exécution imparfaite et des cycles gaspillés.

Cette autonomie non contrainte crée deux modes de défaillance principaux pour les développeurs. Premièrement, l'agent fait des suppositions incorrectes à chaque cas limite et détail indéfini, s'éloignant systématiquement du résultat escompté. Deuxièmement, ce processus extensif d'essais et erreurs conduit à astronoRas Mic (Michael Shimeles)al token burn, épuisant rapidement les budgets. Peter Steinberger Steinberger, un développeur connu pour expérimenter avec les Loop Engineerings, a rapporté avoir dépensé 1,3 million de dollars en jetons en un seul mois.

Des commandes comme `/goal` offrent des capacités de prototypage rapide pour l'exploration initiale, mais s'avèrent désastreuses pour un travail de production robuste. Elles transforment rapidement votre flux de travail de développement en une 'slop machine' qui brûle de l'argent. Bien qu'efficaces pour ceux qui ont des budgets quasi illimités comme Boris Cherny Cherny et Peter Steinberger Steinberger, la plupart des développeurs épuisent rapidement leurs allocations de jetons, rendant de telles Loop Engineerings ouvertes insoutenables pour un développement réel et soucieux du budget. Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) souligne que human-in-the-Loop Engineering reste la configuration la plus solide aujourd'hui pour une production contrôlée et efficace.

Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) offre un exemple tangible d'Loop Engineering Engineering agentique qui fonctionne réellement. Son code review Loop Engineering quotidienne est une masterclass en automatisation contrainte, tirant parti d'une combinaison précise d'outils : Cursor comme harnais d'AI, GitHub pour le contrôle de version, et Greptile comme réviseur de code automatisé. Ce n'est pas du battage théorique ; c'est une réalité livrable pour le développement pratique.

Les mécanismes opérationnels sont remarquablement spécifiques et déterministes : une compétence personnalisée `grep Loop Engineering` guide l'agent. Il lit d'abord l'examen complet de Greptile, qui comprend un score de qualité objectif sur cinq, puis applique intelligemment les corrections nécessaires à la base de code, pousse un nouveau commit sur GitHub, et répète ce cycle. Le processus se poursuit jusqu'à ce que le code atteigne un score parfait de 5/5 ou épuise ses tentatives après cinq itérations distinctes ; une règle stricte dicte que le code n'est mis en production que s'il maintient un score supérieur à quatre sur cinq.

Le succès indéniable de cette Loop Engineering repose sur un principe fondamental : elle opère dans un espace très confiné avec un feedback quantifiable et clair. Contrairement au développement d'applications à grande échelle, la révision de code fournit une métrique objective et sans ambiguïté pour l'achèvement et la qualité. Ce mécanisme de feedback précis empêche l'IA de faire de larges suppositions et de dériver vers le territoire de la « slop machine ». Tandis que des visionnaires comme Peter Steinberger Steinberger et Boris Cherny Cherny soulignent le vaste potentiel des systèmes agentiques, l'implémentation de Ras Ras Mic (Michael Shimeles) démontre les conditions spécifiques et pratiques dans lesquelles ils excellent véritablement à l'heure actuelle.

Quand la Loop Engineering Engineering trouve-t-elle sa place ? Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) trace une ligne nette : les Loop Engineerings excellent dans les tâches confinées avec un feedback fixe, binaire ou quantifiable. Sa Loop Engineering de révision de code réussie, utilisant Cursor, GitHub et Greptile pour atteindre un score de 5/5, illustre cette précision. La génération de pages SEO structurées correspond également à ce modèle, où les métriques de succès sont claires.

Contrastez cela avec le défi amorphe du développement d'applications complètes. Ici, la vision du produit est une entité nuancée et évolutive, résidant souvent en partie dans l'intuition humaine. Un agent autonome, livré à lui-même, comble chaque lacune par des suppositions, s'éloignant rapidement de la vision produit initiale et consommant des tokens, comme l'impliquent les expériences de Boris Cherny Cherny et Peter Steinberger Steinberger pour ceux qui n'ont pas de budgets illimités.

Ras Ras Mic (Michael Shimeles) (Ras Mic (Michael Shimeles)hael Shimeles) note que même sa robuste Loop Engineering de révision de code flanche au-delà de 1 000 lignes de code, nécessitant une intervention humaine pour diviser le travail en plusieurs pull requests. Dès qu'une tâche exige un jugement subjectif, une résolution de problèmes créative ou la navigation dans l'ambiguïté, l'intuition et la supervision humaines deviennent indispensables.

En fin de compte, l'avenir pourrait en effet appartenir aux systèmes entièrement autonomes. Mais à ce jour, pour construire quoi que ce soit de complexe, la human-in-the-Loop Engineering reste le flux de travail le plus intelligent, le plus sûr et le plus rentable. Votre main sur le volant empêche la « slop machine » de s'emballer, assurant l'alignement avec la vision et le budget.

Qu'est-ce qu'une agentic loop en IA ?

Une agentic loop est un processus autonome où un agent IA génère un résultat, examine sa propre sortie et utilise cela comme feedback pour continuer à construire sans intervention humaine directe à chaque étape.

Quelle est la différence entre une agentic loop et le human-in-the-loop ?

Dans un système human-in-the-loop, une personne dirige, examine et approuve chaque étape que l'IA franchit. Dans une agentic loop, l'humain lance le processus une fois, et l'IA gère le cycle itératif de révision et de construction par elle-même.

Pourquoi les agentic loops ouvertes sont-elles si coûteuses ?

Ils consomment des tokens rapidement car l'IA fait des suppositions pour combler les lacunes de ses instructions. Ces suppositions conduisent souvent à des résultats erronés, nécessitant plus de cycles et plus de tokens pour corriger, créant une boucle de rétroaction coûteuse.

Quel est un bon cas d'utilisation pour une boucle agentique ?

Les tâches circonscrites avec un feedback clair et objectif sont idéales. Par exemple, une boucle de révision de code où un agent révise le code basé sur un score de qualité d'un autre outil jusqu'à ce qu'il atteigne une cible est très efficace.