- Ce que « code source pour l'IA » signifie généralement
- Où trouver le code source des projets IA
- Ce qui rend un agent de code open source différent
- Une architecture pratique d'agent de codage
- Comment construire la pile avec Novita
- Quand l'open source suffit et quand ce n'est pas le cas
- Conclusion
- FAQ
- Articles recommandés
Si vous cherchez du code source pour l’IA, vous avez généralement besoin d’une de ces trois choses : le code et les poids du modèle, un agent de code open source capable de planifier et d’utiliser des outils, ou une pile applicative qui permet à un modèle 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 le sujet est de séparer le modèle, la boucle de l’agent et l’environnement d’exécution sandboxé qui effectue le travail.
Ce que « code source pour l’IA » signifie généralement
L’expression est suffisamment large pour que deux personnes puissent l’utiliser en parlant de choses complètement différentes.
Parfois, cela désigne le code source du modèle : code d’entraînement, code d’inférence, logique du tokenizer et poids téléchargeables pour un modèle ouvert. Parfois, cela désigne le logiciel agent : l’outil qui se trouve dans un terminal ou un navigateur, lit un dépôt, planifie une tâche, écrit du code, exécute des tests et révise sa propre sortie. Parfois, cela désigne l’infrastructure produit autour de cet agent : appels API, authentification, cycle de vie du sandbox, gestion des fichiers, journaux, aperçus et portes de validation.
Cette distinction est importante car une équipe qui recherche un modèle ouvert ne doit pas évaluer les mêmes choses qu’une équipe qui recherche un agent de codage open source.
Utilisez ce filtre rapide :
| Si vous avez besoin de… | Cherchez… |
|---|---|
| Un modèle que vous pouvez exécuter, affiner ou appeler via une API | Dépôt du modèle, fiche du modèle, licence, limites de contexte, support des appels d’outils |
| Un outil de codage capable d’agir dans un projet | Agent de code open source, CLI, application de bureau ou plateforme d’agents |
| Une couche d’exécution en production | Environnement d’exécution sandboxé, isolation de l’espace de travail, politique de paquets, gestion des secrets, journaux et aperçus |
Où trouver le code source des projets IA
Pour la plupart des flux de travail des développeurs, la vraie réponse est « dans plusieurs dépôts, pas un seul ».
1. Dépôts de modèles
C’est là que vous trouvez l’architecture du modèle, la documentation d’utilisation, les points de contrôle ou leurs liens, les termes de la licence et les notes de référence. Si votre objectif est l’inférence locale, le réglage fin ou l’étude de la façon dont un modèle a été conditionné pour les tâches de codage, commencez ici.
Par exemple, le dépôt officiel Qwen3-Coder de Qwen décrit Qwen3-Coder-Next comme un modèle à poids ouverts conçu spécifiquement 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 du planificateur, le câblage des outils, l’interface utilisateur du terminal, les adaptateurs de fournisseurs de modèles, et parfois les intégrations navigateur ou MCP.
Trois 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 machines virtuelles ou via des backends cloud.
- Goose est un agent open source avec des surfaces de bureau, CLI et API qui s’exécute sur votre machine et n’est pas limité aux tâches de code.
- Qwen Code est un outil de codage orienté terminal de Qwen qui se concentre sur les flux de travail de codage agentiques plutôt que sur le chat générique.
Si votre principale question est « quel agent de code open source dois-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 d’abord, puis à laquelle elles reviennent lorsque l’agent commence à faire du vrai travail.
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 juste une enveloppe de commodité. Une fois qu’un agent peut exécuter des commandes, l’environnement d’exécution compte autant que le modèle.
Ce qui rend un agent de code open source différent
Un agent de code open source n’est pas simplement un LLM avec un modèle de prompt. Il devient un agent lorsqu’il peut observer un espace de travail, décider de la prochaine action, exécuter cette action via des outils, lire le résultat et continuer à itérer.
Cette boucle nécessite généralement quatre parties :
| Couche | Rôle |
|---|---|
| Planificateur | Décomposer la tâche en étapes et décider quand la tâche est terminée |
| Modèle | Raisonner sur les fichiers, la sortie des commandes et les appels d’outils précédents |
| Couche d’outils | Lire des fichiers, écrire des fichiers, rechercher, 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 code open source » se transforme souvent en « un modèle avec un accès shell dangereux ».
C’est également là que la pile commence à ressembler davantage à une infrastructure d’ingénierie qu’à une fonctionnalité de chat. Une fois que le modèle peut installer des paquets, ouvrir des ports et réécrire des fichiers, vous devez répondre à des questions opérationnelles :
- Dans quel état de dépôt l’agent démarre-t-il ?
- Quelles commandes s’exécutent automatiquement et lesquelles nécessitent une approbation ?
- L’agent peut-il récupérer des paquets ou naviguer sur des URL arbitraires ?
- Où vont les journaux, les diffs, les aperçus et les artefacts générés ?
- Comment mettre en pause, reprendre ou tuer une session ?
Ces questions déterminent si le projet est une démonstration ou un flux de travail auquel votre équipe peut faire confiance.
Une architecture pratique d’agent de codage
La manière la plus claire de penser au code source pour les agents IA est de le considérer comme une chaîne :
- Un utilisateur décrit la tâche.
- Le modèle transforme la tâche en plan.
- L’agent appelle des outils pour inspecter la base de code.
- L’environnement d’exécution exécute ces appels d’outils dans un espace de travail isolé.
- Le modèle lit les résultats et décide de la prochaine action.
- Le système renvoie un diff, le résultat des tests et un résumé qu’un relecteur peut vérifier.
Cette chaîne est plus importante que n’importe quel chiffre de référence unique. Un modèle peut être excellent pour la génération de code en un seul passage et échouer en tant qu’agent s’il a du mal avec les appels d’outils, les longs contextes ou la récupération d’erreurs.
Avant de vous lancer dans la boucle de planification, il vaut la peine de mentionner une direction de modèle qui s’adapte bien à cette pile. Si vous voulez un modèle ouvert qui reste proche de la qualité de codage des modèles propriétaires, Qwen3-Coder est l’une des options les plus pratiques à évaluer en premier. Le dépôt officiel de Qwen décrit Qwen3-Coder-Next comme un modèle de codage à poids ouverts pour les agents et le développement local, avec des résultats comparables à Claude Sonnet sur les tâches de codage agentiques. Le catalogue actuel de modèles de Novita expose également Qwen3 Coder Next, Qwen3 Coder 480B A35B Instruct et Qwen3 Coder 30B A3B Instruct via l’API LLM, ce qui facilite le test de la même famille à différents niveaux de coût et de qualité sans avoir à reconstruire votre intégration.
Comment construire la pile avec Novita
Si vous voulez un point de départ pratique plutôt que d’assembler des fournisseurs séparés, la division utile est :
- L’API LLM de Novita pour les modèles de raisonnement, de génération et d’appel d’outils
- Le Sandbox Novita pour l’exécution de code isolée et l’état persistant de l’espace de travail
L’API LLM de Novita est compatible OpenAI, vous pouvez donc pointer un client OpenAI existant vers Novita en modifiant 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 au lieu de votre ordinateur portable
Le guide de démarrage rapide actuel du Sandbox de 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("bonjour depuis le sandbox")')
print(execution.logs)
files = sandbox.files.list("/tmp")
print(files)
finally:
sandbox.kill()
Ce modèle est le point de départ fiable le plus simple 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 repartir de 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 de l’agent devient simple :
| Outil | Objectif |
|---|---|
read_file |
Charger les fichiers du projet dans le contexte du modèle |
write_file |
Appliquer les modifications de code |
search_files |
Trouver des symboles, routes, tests ou entrées de configuration |
run_command |
Exécuter des tests, des builds, 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. C’est important car les boucles d’agents se cassent facilement lorsque les arguments des outils sont mal formés ou incohérents. En pratique, un appel d’outil fiable est souvent plus important qu’un benchmark spectaculaire en un seul tour.
Quand l’open source suffit et quand ce n’est pas le cas
L’open source suffit généralement lorsque :
- Vous voulez inspecter le fonctionnement du modèle ou de l’agent.
- Vous voulez auto-héberger une partie de la pile.
- Vous avez besoin de contrôle sur les prompts, les outils et le comportement de l’environnement d’exécution.
- Vous êtes à l’aise avec la prise en charge du travail opérationnel.
L’open source ne suffit généralement pas à lui seul lorsque :
- Vous avez besoin d’une exécution multi-utilisateurs stable avec des journaux d’audit et des flux de validation.
- Vous avez besoin d’une isolation suffisamment forte pour du code non fiable.
- Vous avez besoin d’acheminement 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 sur des tâches plus longues sans avoir à construire vous-même cet environnement d’exécution.
C’est le point où les équipes cessent de demander du « code source pour l’IA » dans l’abstrait et commencent à se demander quelles parties elles veulent réellement posséder. Certaines équipes veulent un contrôle total. D’autres veulent des modèles ouverts et des outils open source, mais pas la charge de gérer elles-mêmes chaque composant de l’environnement d’exécution.
Conclusion
La meilleure façon d’aborder le code source pour l’IA est de cesser de le traiter comme un artefact unique. Les dépôts de modèles, les agents de code open source et les environnements d’exécution sandboxés résolvent des problèmes différents. Si vous les mélangez, votre évaluation devient rapidement floue.
Commencez par la couche dont vous avez réellement besoin :
- Vous voulez un contrôle local ou auto-hébergé du modèle ? Commencez par les dépôts de modèles ouverts.
- Vous voulez un agent de code open source ? Commencez par OpenHands, Goose ou Qwen Code.
- Vous voulez une pile de codage fonctionnelle qui peut planifier, agir et exécuter en toute sécurité ? Associez une API de modèle compatible OpenAI à un environnement d’exécution sandboxé 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 conservez 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 ?
Généralement à trois endroits : les dépôts de modèles, les dépôts d’agents et la documentation du sandbox ou de l’environnement d’exécution. Si vous voulez un agent de code open source, commencez par des projets d’agents tels que OpenHands, Goose ou Qwen Code plutôt que par des dépôts de modèles généraux.
Qu’est-ce qu’un agent de code open source ?
C’est un agent capable d’inspecter des fichiers, de planifier une tâche, d’utiliser des outils, d’exécuter des commandes et de réviser sa sortie à l’intérieur d’un projet. La différence importante avec un assistant de code est l’action, pas seulement la génération.
Le code source d’un modèle suffit-il pour construire un agent de codage IA ?
Non. Un modèle seul ne vous donne pas l’accès au dépôt, le câblage des outils, le contrôle de l’exécution, les journaux, les aperçus ou l’isolation. Vous avez toujours besoin d’une boucle d’agent et d’un environnement d’exécution où les actions du modèle peuvent s’exécuter en toute sécurité.
Quel modèle dois-je tester en premier pour les flux de travail de codage ouverts ?
Si vous voulez un modèle ouvert conçu spécifiquement pour les agents de codage, Qwen3-Coder est un excellent 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, préserve l’état de la tâche et limite le rayon d’explosion lorsque le modèle fait quelque chose de mal.
