Qu'est-ce qui fait un bon AGENTS.md ?

Composants d'un agent de codage

Les agents de codage comme Claude Code ou le Codex CLI d'OpenAI sont devenus des outils incontournables pour les développeurs, mais leur fonctionnement repose sur une architecture précise que peu d'articles détaillent. Un agent de codage n'est pas simplement un grand modèle de langage (LLM) auquel on pose des questions : c'est un LLM enveloppé dans une couche logicielle appelée "harness" (ou cadre agentique), qui orchestre les appels au modèle, gère les outils disponibles, maintient un état en mémoire et décide quand s'arrêter. Cette distinction est fondamentale : le modèle est le moteur, mais le harness est la transmission, le tableau de bord et les roues réunies. Un agent de codage comprend six composants principaux, la boucle de contrôle, la gestion du contexte, les outils (lecture/écriture de fichiers, exécution de code, recherche), la mémoire, la gestion des prompts et la continuité entre sessions longues. Ce cadre explique pourquoi Claude Code ou Codex semblent nettement plus capables que le même modèle sous-jacent utilisé dans une interface de chat ordinaire. La différence n'est pas dans les paramètres du modèle, mais dans le système qui l'entoure : la stabilité du cache de prompts, l'accès au contexte du dépôt Git, la boucle de feedback itérative après exécution du code, et la gestion de sessions qui peuvent durer des heures. Pour les développeurs et les équipes d'ingénierie, cela signifie que choisir un outil de codage assisté par IA revient autant à évaluer l'architecture du harness qu'à comparer les benchmarks des modèles. Un modèle plus puissant dans un harness médiocre produira des résultats inférieurs à un modèle modeste bien intégré. Il convient également de distinguer trois notions souvent confondues : le LLM classique génère des tokens ; le modèle de raisonnement est un LLM entraîné à produire des traces de réflexion intermédiaires et à s'auto-vérifier (à l'image de o1 ou de QwQ), ce qui le rend plus puissant mais plus coûteux à l'inférence ; l'agent, lui, est une boucle de contrôle qui appelle le modèle répétitivement dans un environnement, en mettant à jour son état à chaque itération. Le harness de codage est un cas spécialisé de harness agentique, orienté vers les tâches de génie logiciel, gestion du contexte de code, exécution, débogage itératif. Des systèmes comme Claude Code d'Anthropic ou Codex CLI d'OpenAI illustrent cette catégorie, et la tendance de fond est claire : les progrès les plus décisifs en IA appliquée ne viennent plus seulement des modèles eux-mêmes, mais de l'ingénierie des systèmes qui les entourent.

MCP fait l'objet de sa plus grande mise à jour : voici ce qui change pour les agents IA

Le Model Context Protocol, le standard ouvert créé par Anthropic pour connecter les agents d'IA aux logiciels, vient de recevoir sa mise à jour la plus importante depuis son lancement il y a vingt mois. Publiée sous l'égide de l'Agentic AI Foundation (AAIF), une fondation dirigée hébergée par la Linux Foundation, cette révision achève la transition de MCP vers une architecture entièrement stateless (sans état), renforce le modèle d'authentification contre une classe connue d'attaques, instaure une politique formelle de dépréciation sur douze mois, et fait passer deux fonctionnalités phares au rang d'extensions officielles du protocole : les interfaces interactives rendues côté serveur et les tâches asynchrones de longue durée. David Soria Parra, co-créateur de MCP et mainteneur principal chez Anthropic, a confié à VentureBeat que certains qualifient déjà cette version de "v2 officieuse", ajoutant qu'il s'agit du plus grand changement jamais apporté au protocole. Den Delimarsky, également mainteneur, et Mazin Gilbert, directeur exécutif de l'AAIF et ancien de Google et AT&T, ont tous deux participé à l'annonce aux côtés de nombreuses entreprises partenaires. Ce changement technique répond à un problème très concret qui freinait le déploiement des agents IA en entreprise. Jusqu'ici, un client MCP devait maintenir une session persistante avec une instance de serveur précise, ce qui imposait un "routage collant" (sticky routing) ou un état partagé pour assurer la continuité entre les requêtes. Dans les environnements cloud modernes, où des flottes de machines interchangeables apparaissent et disparaissent derrière des répartiteurs de charge, cette contrainte posait un problème majeur : si le pod hébergeant la session tombait, tout le travail de l'agent était perdu. La nouvelle architecture stateless supprime ce verrou en permettant aux serveurs MCP de fonctionner derrière des load balancers standards, avec les outils Kubernetes et DevOps cloud-natifs déjà utilisés par les entreprises. Selon Gilbert, cette limitation était devenue le principal obstacle empêchant les entreprises de faire passer leurs agents IA du stade pilote à la production à grande échelle, certaines cherchant à déployer des dizaines de milliers d'agents simultanément. Le débat sur les limites du modèle stateful de MCP ne date pas d'hier : dès décembre 2024, quelques semaines seulement après le lancement du protocole, Justin Spahr-Summers, autre co-créateur de MCP, avait ouvert une discussion publique sur GitHub pointant déjà les contraintes des connexions persistantes pour les déploiements serverless. Cette nouvelle version répond directement à ces préoccupations en associant les grands acteurs du secteur au processus de conception, l'AAIF ayant été mise en place précisément pour donner une gouvernance neutre et pérenne à ce standard désormais central dans l'écosystème des agents IA. Avec une politique de dépréciation encadrée sur douze mois et des extensions officielles pour les interfaces interactives et les tâches longues, MCP se positionne comme l'infrastructure de référence pour connecter durablement les agents IA aux logiciels d'entreprise, ouvrant la voie à des déploiements massifs jusqu'ici techniquement impossibles.

💬 Cette mise à jour stateless, c'est le truc qu'on attendait depuis que MCP existe. Tant qu'un agent avait besoin d'une session collée à un pod précis, aucune boîte sérieuse n'allait déployer ça à l'échelle, un load balancer qui redémarre et tout ton travail part en fumée. Là, MCP devient enfin compatible avec la façon dont le cloud fonctionne vraiment, et c'est ça, plus que l'authentification ou les extensions, qui va faire basculer les agents du pilote à la prod.

Moonshot AI lance Kimi Work, un agent de bureau qui exploiterait Kimi K2.6 et un essaim de 300 sous-agents

Moonshot AI, la startup pékinoise connue pour son modèle Kimi, a lancé cette semaine Kimi Work, un agent IA qui s'installe directement sur l'ordinateur de l'utilisateur. Compatible macOS et Windows, l'application permet de confier des objectifs en langage naturel à un agent capable de lire des fichiers locaux, de piloter le navigateur réel de la machine et d'exécuter des tâches planifiées. Selon des retours de la communauté, Kimi Work tourne sur Kimi K2.6, le modèle phare de Moonshot publié le 20 avril 2026 : un modèle Mixture-of-Experts en accès libre qui active environ 32 milliards de paramètres par token et dispose d'une fenêtre de contexte de 256 000 tokens. L'agent peut orchestrer jusqu'à 300 sous-agents en parallèle pour décomposer des tâches complexes, le modèle K2.6 supportant jusqu'à 4 000 étapes coordonnées. Une extension navigateur appelée WebBridge lui permet d'agir comme un humain sur le web, en héritant des sessions et cookies déjà ouverts. Un moteur de planification intégré (type cron) permet de déclencher des jobs à heure fixe, de manière conditionnelle ou via des scripts Python et shell, avec une option "Keep Computer Awake" pour les tâches nocturnes. Ce positionnement local tranche avec la quasi-totalité des agents IA des deux dernières années, qui s'exécutent dans le cloud sur des serveurs distants avec des navigateurs virtuels isolés. Ici, l'agent accède aux vrais fichiers de l'utilisateur, à ses sessions bancaires ou professionnelles actives, sans avoir à téléverser quoi que ce soit. Moonshot a aussi intégré des données de marché financier en natif, couvrant les actions chinoises A-shares, la Bourse de Hong Kong et les marchés américains, ce qui évite toute configuration d'API personnalisée. Les résultats peuvent être exportés directement en fichiers PowerPoint ou Excel. Pour un analyste ou un cadre qui jongle avec des dizaines de PDF trimestriels, des tableaux de prix boursiers ou des briefings quotidiens, l'outil promet un gain de temps concret sans friction d'intégration. Moonshot AI s'inscrit dans une vague de startups chinoises qui cherchent à rivaliser avec OpenAI et Anthropic sur le segment des agents autonomes, après avoir déjà marqué des points sur les LLMs longue-contexte. Le lancement de K2.6 en open-weight en avril 2026 reflète une stratégie de dissémination rapide pour capter la communauté développeur. L'approche locale soulève néanmoins une question centrale : la sécurité repose entièrement sur l'utilisateur, contrairement aux agents cloud où le vendeur prend en charge l'isolation. À mesure que les agents gagnent en autonomie et en accès aux données sensibles, ce choix d'architecture deviendra un critère de différenciation majeur, aussi bien pour les particuliers que pour les entreprises qui hésitent encore à confier leur environnement de travail réel à un modèle tiers.

Traders, faites une pause ! Robinhood lance des agents IA qui analysent les cryptos 24h/24

Robinhood a ouvert son système de trading agentique aux cryptomonnaies via Robinhood Chain, permettant à des agents IA de surveiller les marchés 24 heures sur 24 et d'exécuter automatiquement des opérations pour le compte des utilisateurs. Ces agents analysent en continu plusieurs sources de données : cours des actifs, actualités financières, carnets d'ordres et mouvements de marché, afin de détecter des configurations statistiques susceptibles de générer un avantage. Selon Robinhood, environ 70 000 comptes agentiques fonctionnent déjà sur les marchés des actions et des options, un volume que l'entreprise juge significatif. L'un des premiers agents déployés sur les cryptos, baptisé Raxol et développé par la société Axol, s'est hissé parmi les quatre comptes les plus actifs seulement vingt-quatre heures après son lancement, une adoption rapide révélée notamment par un message publié par le compte Coin Bureau sur X le 3 juillet 2026. Cette évolution marque une nouvelle étape dans la démocratisation d'outils financiers longtemps réservés aux grands investisseurs institutionnels et aux fonds spéculatifs. Robinhood affirme vouloir permettre à ses agents IA de reproduire, à terme, la plupart des tâches qu'effectue aujourd'hui un trader humain, en misant sur la capacité de calcul et l'analyse continue de volumes de données massifs plutôt que sur l'intuition. Pour les investisseurs particuliers, la promesse est celle d'une surveillance ininterrompue des marchés cryptos, réputés pour leur volatilité extrême et leur activité qui ne s'arrête jamais, contrairement aux marchés actions traditionnels. Concrètement, cela signifie qu'un utilisateur pourrait déléguer à une IA la détection d'opportunités d'achat ou de vente pendant qu'il dort, sans avoir à surveiller lui même les graphiques en permanence. Cette annonce s'inscrit dans une tendance plus large de généralisation du trading algorithmique, une pratique déjà ancienne chez les fonds d'investissement mais jusqu'ici peu accessible au grand public. Robinhood, plateforme américaine connue pour avoir démocratisé le trading d'actions sans commission, cherche ainsi à consolider sa position en misant sur l'intelligence artificielle comme nouvel argument de différenciation face à ses concurrents. La société prend toutefois soin de rappeler que ces algorithmes ne prédisent pas l'avenir des marchés et ne garantissent aucun gain : ils identifient des tendances statistiques, avec les risques que cela comporte sur des actifs aussi imprévisibles que les cryptomonnaies, capables de bondir ou de chuter en quelques secondes après une simple rumeur ou annonce. La question reste ouverte de savoir si ces agents deviendront de véritables partenaires d'investissement fiables ou s'ils exposeront surtout les particuliers à de nouveaux risques mal maîtrisés, dans un secteur où la régulation peine encore à suivre le rythme de l'innovation.

💬 70 000 comptes déjà agentiques sur les actions et options, et Robinhood remet ça sur les cryptos avec Raxol qui explose en 24h : la démocratisation du trading algo, c'est fait, plus la peine d'en débattre. Bon, sur le papier, déléguer la surveillance nocturne à une IA qui ne dort jamais sur un marché qui ne dort jamais non plus, ça a du sens. Sauf que Robinhood a bâti son modèle sur le trading impulsif des particuliers, alors leur mettre un agent IA qui tourne 24h/24 entre les mains, c'est surtout leur donner un nouvel outil pour perdre de l'argent plus vite et plus souvent.