- Ce que "code source pour l'IA" signifie généralement
- Où trouver le code source pour les projets d'IA
- Ce qui rend un agent de codage open source diffèrent
- Une architecture pratique d'agent de codage
- Comment construire la stack avec Novita
- Quand l'open source suffit et quand il ne suffit pas
- Conclusion
- FAQ
- Articles recommandés
Si vous cherchez le code source pour l’IA, vous avez habituellement besoin de l’une des trois choses suivantes : le code et les poids du modèle, un agent de codage open source capable de planifier et d’utiliser des outils, ou une stack d’application qui permet à un modèèle de lire des fichiers, d’exécuter des commandes et de renvoyer un résultat vérifiable. Ces couches sont liées, mais ce ne sont pas les mêmes produits. Le moyen le plus rapide de comprendre l’écosystème est de séparer le modèle, la boucle d’agent et l’envionnement d’exécution sandbox qui réalise le travail.
Ce que “code source pour l’IA” signifie généralement
L’expression est suffisamment large pour que deux personnes puissent l’utiliser en pensant à des choses complètement différentes.
Parfois, il s’agit du code source du modèle : code d’entraînement, code d’inférence, logique de tokenizer et poids téléchargeables pour un modèle ouvert. Parfois, il s’agit du logiciel agent : l’outil qui se place dans un terminal ou un navigateur, lit un dépôt, planifie une tâche, écrit du code, exécute des tests et révise sa propre production. Parfois, il s’agit de l’infrastructure produit autour de cet agent : appels API, authentification, cycle de vie du sandbox, gestion des fichiers, journaux, aperçus et portes de revue.
Cette distinction est importante car une équipe qui cherche un modèèle ouvert ne doit pas évoluer les mêmes choses qu’une équipe qui cherche un outil de codage open source.
Utilisez ce filtre rapide :
| Si vous avez besoin de… | Cherchez… |
|---|---|
| Un modèèle que vous pouvez exécuter, fine-tuner ou appeler via une API | Dépôt du modèèle, fiche du modèèle, licence, limites de contexte, support d’appel d’outils |
| Un outil de codage capable d’agir au sein d’un projet | Agent de codage open source, CLI, application de bureau ou plateforme d’agents |
| Une couche d’exécution pour la production | Environnement d’exécution sandbox, isolation de l’espace de travail, politique de package, gestion des secrets, journaux et aperçus |
Où trouver le code source pour les projets d’IA
Pour la plupart des flux de travail de développeurs, la vraie réponse est “dans plusieurs dépôts, pas un seul.”
1. Dépôts de modèles
C’est là que vous trouvez l’architecture du modèèle, la documentation d’utilisation, les points de contrôlle ou les liens vers ceux-ci, les termes de licence et les notes de benchmark. Si votre objectif est l’inférence locale, le fine-tuning ou l’étude de la façon dont un modèèle a été conçu pour des tâches de codage, commencez ici.
Par exemple, le dépôt officiel de Qwen3-Coder de Qwen décrit Qwen3-Coder-Next comme un modèèle à poids ouverts spécifiquement conçu pour les agents de codage et le développement local, avec un support de long contexte et un format d’appel de fonction destiné aux flux de travail agentiques.
2. Dépôts d’agents
C’est là que vous trouvez la boucle de planification, le cablage des outils, l’UX terminal, les adaptateurs de fournisseurs de modèles, et parfois les intégrations navigateur ou MCP.
Tois exemples utiles :
- OpenHands se positionne comme une plateforme ouverte pour les agents de codage cloud et un centre de contrôle capable d’exécuter des agents localement, dans Docker, sur des VM, ou via des backends cloud.
- Goose est un agent open source avec des interfaces desktop, CLI et API qui s’exécute sur votre machine et n’est pas limité aux tâches de codage.
- Qwen Code est un outil de codage orienté terminal de Qwen qui se concentre sur les flux de travail agentiques de codage plutôt que sur le chat générique.
Si votre principale question est “quel agent de codage open source devrais-je inspecter en premier ?”, commencez par les dépôts d’agents, pas par les poids des modèles.
3. Documentation du sandbox et de l’environnement d’exécution
C’est la couche que de nombreuses équipes sautent au début, puis reviennent quand l’agent commence à faire du travail réel.
La documentation du Sandbox de Novita décrit l’environnement d’exécution comme un environnement isolé et avec état pour les agents qui ont besoin d’exécuter du code, d’installer des dépendances, d’accéder à des fichiers, d’utiliser des navigateurs et de conserver l’état entre les sessions. C’est la frontière d’exécution, pas seulement un wrapper de commodité. Une fois que l’agent peut exécuter des commandes, l’environnement d’exécution devient aussi important que le modèèle.
Ce qui rend un agent de codage open source diffèrent
Un agent de codage open source n’est pas juste un LLM avec un template de prompt. Il devient un agent lorsqu’il peut observer un espace de travail, décider d’une prochaine action, exécuter cette action via des outils, lire le résultat et continuer à itérer.
Cette boucle nécessite généralement quatre parties :
| Couche | Rôle |
|---|---|
| Planificateur | Diviser la tâche en étapes et décider quand la tâche est terminée |
| Modèle | Raisonner sur les fichiers, les sorties de commandes et les appels d’outils antérieurs |
| Couche d’outils | Lire des fichiers, écrire des fichiers, chercher, exécuter des commandes, ouvrir des aperçus |
| Sandbox | Isoler l’exécution, conserver l’état de l’espace de travail et contenir les effets de bord |
Sans le sandbox, un “agent de codage open source” se transforme souvent en “un modèèle avec un accès shell dangereux.”
C’est aussi là que la stack commence à resermbler plus à une infrastructure d’ingénierie qu’à une fonctionnalité de chat. Une fois que le modèèle peut installer des packages, ouvrir des ports et réécrire des fichiers, vous devez répondre à des questions opérationnelles :
- Quel état de dépôt l’agent utilise-t-il au départ ?
- Quelles commandes s’exécutent automatiquement et lesquelles nécessitent une approbation ?
- L’agent peut-il récupérer des packages ou naviguer sur des URL arbitraires ?
- Où vont les journaux, les diffs, les aperçus et les artefacts générés ?
- Comment suspendre, reprendre ou tuer une session ?
Ces questions déterminent si le projet est une démonstration ou un flux de travail que votre équipe peut utiliser en confiance.
Une architecture pratique d’agent de codage
La façon la plus claire de penser au code source pour les agents d’IA est comme un chainon :
- Un utilisateur décrit la tâche.
- Le modèèle transforme la tâche en plan.
- L’agent appelle des outils pour inspecter le codebase.
- L’environnement d’éxécution exécute ces appels d’outils dans un espace de travail isolé.
- Le modèèle lit les résultas et décide quoi faire ensuite.
- Le système renvoie un diff, une sortie de test et un résumé qu’un réviseur peut vérifier.
Ce chainon importe plus que tout chiffre de benchmark isolé. Un modèèle peut être excelent en génération de code en un seul coup et échouer en tant qu’agent s’il a du mal avec l’appel d’outils, le long contexte ou la récupération d’erreurs.
Avant de vous lancer dans la bouvle de planification, il vaut la peine de mentionner une direction de modèèle qui s’adapte bien à cette stack. Si vous voulez un modèèle ouvert qui rest proche de la qualité de codage des modèèles fermés, Qwen3-Coder est l’une des options les plus pratique à évaluer en premier. Le dépôt officiel de Qwen décrit Qwen3-Coder-Next comme un modèèle de codage à poids ouverts pour les agents et le développement local, avec des résultas comparables à Claude Sonnet sur les tâches agentiques de codage. Le catalogue de modèles actuel de Novita expose également Qwen3 Coder Nxt, Qwen3 Coder 480B A35B Instruct, et Qwen3 Coder 30B A3B Instruct via l’API LLM, ce qui facilite le test de la même famille sur différentes gammes de coûts et de qualité sans devoir reconstruire votre intégration.
Comment construire la stack avec Novita
Si vous voulez un point de départ pratique au lieu d’assembler des fournisseurs séparés, la séparation utile est :
- L’API LLM de Novita pour les modèles de raisonnement, de génération et d’appel d’outils
- Le Sandbox de Novita pour l’exécution de code isolée et l’état persistant de l’espace de travail
L’API LLM de Novita est compatible OpenAI, donc vous pouvez pointer un client OpenAI existant vers Novita en changeant l’URL de base et le nom du modèle.
Étape 1 : appeler un modèle via l’API compatible OpenAI
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="VOTRE_CLE_API_NOVITA",
)
response = client.chat.completions.create(
model="qwen/qwen3-coder-next",
messages=[
{"role": "system", "content": "Vous êtes un assistant de codage."},
{"role": "user", "content": "Planifiez les étapes pour ajouter une limitation de débit à une route de connexion FastAPI."},
],
)
print(response.choices[0].message.content)
Cela ne vous donne que la couche modèle. Cela ne donne pas au modèle un endroit sûr pour agir.
Étape 2 : exécuter du code dans un sandbox plutôt que sur votre ordinateur
Le guide de démarrage rapide actuel du Sandbox Novita utilise l’objet SDK Novita pour créer une session d’interpréteur de code isolée, exécuter du code, inspecter des fichiers, puis arrêter le sandbox une fois la tâche terminée.
from novita_sandbox import Novita
novita = Novita()
sandbox = novita.code_interpreter.create()
try:
execution = sandbox.run_code('print("hello from the sandbox")')
print(execution.logs)
files = sandbox.files.list("/tmp")
print(files)
finally:
sandbox.kill()
Ce modèle est le point de départ le plus simple et fiable pour un flux de travail de codage IA :
- Le modèle décide de la prochaine action.
- Le sandbox effectue la partie risquée dans un environnement isolé.
- La session peut conserver l’état tout au long de la tâche au lieu de recommencer à zéro à chaque étape.
Étape 3 : relier les décisions du modèle à l’exécution des outils
Une fois que vous ajoutez l’appel d’outils, la boucle d’agent devient dirècte :
| Outil | But |
|---|---|
read_file |
Charger les fichiers du projet dans le contexte du modèle |
write_file |
Appliquer les modifications de code |
search_files |
Trouver des symboles, des routes, des tests ou des entrées de config |
run_command |
Exécuter des tests, des buildes, des linters et des commandes de configuration |
list_files |
Découvrir la structure du dépôt |
Novita documente également l’appel de fonctions et les sorties structurées pour les flux de travail de modèles compatibles OpenAI. Cela importe car les boucles d’agent se cassent facilement lorsque les arguments des outils sont mal formés ou incohérents. En pratique, un appel d’outils fiable est souvent plus important qu’un benchmark impressionnant en un seul tour.
Quand l’open source suffit et quand il ne suffit pas
L’open source suffit généralement quand :
- Vous voulez inspecter comment le modèle ou l’agent fonctionne.
- Vous voulez auto-héberger une partie de la stack.
- Vous avez besoin de contrôler les prompts, les outils et le comportement de l’environnement d’exécution.
- Vous êtes à l’aise pour prendre en charge le travail opérationnel.
L’open source ne suffit généralement pas à lui seul quand :
- Vous avez besoin d’une exécution multi-utilisateurs stable avec des journaux d’audit et des flux de revue.
- Vous avez besoin d’une isolation suffisamment forte pour du code non fiable.
- Vous avez besoin de routage de modèles, de visibilité sur les prix ou de plusieurs niveaux de modèles derrière une seule API.
- Vous voulez que l’agent conserve l’état lors de tâches plus longues sans construire vous-même cet environnement d’exécution.
C’est le point où les équipes arrêtent de demander “code source pour l’IA” dans l’abstrait et commencent à demander quelles parties elles souhaitent réellement posséder. Certaines équipes veulent un contrôlle total. D’autres veulent des modèles ouverts et des outils open source, mais pas le fardeau de faire fonctionner chaqu composnt d’exécution elles-mêmes.
Conclusion
La meilleure façon d’aborder le code source pour l’IA est d’arrêter de le traiter comme un artefact unique. Les dépôts de modèles, les agents de codage open source et les environnements d’exécution sandbox résoudvent des problèmes différents. Si vous les mélangez, votre évaluation devient rapidement floue.
Commencez par la couche dont vous avez réellement besoin :
- Vous voulez un contrôlle local ou auto-hébergé du modèèle ? Commencez par les déppôts de modèles ouverts.
- Vous voulez un agent de codage open source ? Commencez par OpenHands, Goose ou Qwen Code.
- Vous voulez une stack de codage fonctionnelle qui peut planifier, agir et exécuter en sécurité ? Associez une API de modèèle compatible OpenAI avec un environnement d’exécution sandbox isolé.
C’est pourquoi la combinaison d’un modèle de codage ouvert et d’une frontière d’exécution gérée est souvent la voie la plus pratique. Vous gardez la flexibilité au niveau du modèle sans donner un accès shell brut à un modèle sur votre machine principale.
FAQ
Où puis-je trouver du code source pour l’IA ?
Générallement à trois endroits : les dépôts de modèles, les dépôts d’agents et la documentation du sandbox ou de l’environnement d’éxécution. Si vous voulez un agent de codage open source, commenchez par les projets d’agents comme OpenHands, Goose, ou Qwen Code plutôt que par des dépôts de modèles génériques.
Qu’est-ce qu’un agent de codage open source ?
C’est un agent capable d’inspecter des fichiers, de planifier une tâche, d’utiliser des outils, d’éxécuter des commandes et de réviser sa propre production à l’intérieur d’un projet. La différnce imporante par rapport à un assistant de codage est l’action, pas seulement la génération.
Le code source du modèle suffit-il pour construire un agent de codage IA ?
Non. Un modèle seul ne vous donne pas d’accès au dépôt, de câblage d’outils, de contrôlle d’éxécution, de journaux, d’apreçus ou d’isolation. Vous avez toujours besoin d’une boucle d’agent et d’un environement d’éxécution où les actions du modèle peuvent s’éxécuter en sécurité.
Quel modèèle devrais-je tester en premier pour les flux de travail de codage ouvert ?
Si vous voulez un modèèle ouvert spécifiquement conçu pour les agents de codage, Qwen3-Coder est un bon point de départ. Le dépôt actuel de Qwen3-Coder met l’accent sur le codage agentique et le support de long contexte, et Novita expose plusieurs variantes de Qwen3-Coder via la même API.
Pourquoi les agents de codage ont-ils besoin d’un sandbox ?
Parce qu’ils exécutent des commandes, installent des dépendances et modifient des fichiers. Un sandbox offre à l’agent un environnement d’exécution isolé, prèserve l’état de la tâche et limite l’impact en cas d’erreur du modèèle.
