DoorDash utilise des LLM multi-agents pour nettoyer 60 000 feature flags
DoorDash a développé un système multi-agents basé sur des grands modèles de langage pour automatiser le nettoyage de ses feature flags obsolètes, un chantier qui couvre plus de 60 000 drapeaux répartis sur 623 dépôts de code. Le pipeline s'appuie sur le Model Context Protocol pour connecter les agents aux données d'expérimentation en temps réel, exige une validation d'un ingénieur humain avant toute modification, isole chaque intervention dans des worktrees Git distincts, fait tourner plusieurs agents en parallèle, puis vérifie automatiquement les changements produits. Sur un échantillon test de 50 feature flags, 45 ont abouti à des pull requests jugées exploitables, pour un temps de traitement moyen de 13,8 minutes et un coût de 4,79 dollars par nettoyage. L'article est signé Leela Kumili.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de InfoQ AI. Lire l'article original →
Cette automatisation s'attaque à un problème que connaissent bien les grandes organisations technologiques: l'accumulation de feature flags qui restent actifs dans le code bien après la fin de leur utilité, alourdissant la dette technique et compliquant la maintenance. En réduisant le coût et le temps nécessaires pour identifier et retirer ces drapeaux obsolètes, DoorDash montre qu'une tâche d'ingénierie logicielle jugée jusqu'ici trop fastidieuse pour être priorisée peut devenir rentable à grande échelle grâce à des agents IA coordonnés. Le taux de réussite de 90% observé sur l'échantillon testé suggère que ce type d'automatisation pourrait s'appliquer à d'autres corvées de maintenance répétitives, comme la suppression de code mort ou la mise à jour de dépendances, dans des bases de code massives.
Cette initiative s'inscrit dans une tendance plus large de l'industrie: le passage de l'IA générative utilisée comme simple assistant de codage à des systèmes d'agents autonomes capables d'exécuter des tâches complexes de bout en bout, de la détection du problème jusqu'à la proposition de correctif validée par un humain. L'architecture choisie par DoorDash, combinant approbation humaine, isolation technique via Git et validation automatisée, illustre les garde-fous que les entreprises jugent nécessaires avant de laisser des agents modifier du code de production à grande échelle. Reste à voir si cette approche, testée sur un échantillon limité de 50 flags, tiendra ses promesses de coût et de fiabilité une fois déployée sur l'intégralité des 60 000 drapeaux recensés.
Pas d'impact direct sur la France/UE