Les agents IA spécialisés dans le codage deviennent des piliers de l’industrie logicielle, mais leurs fichiers de configuration pourraient bien être leur talon d’Achille. Des chercheurs brésiliens ont identifié une série de problèmes structurels dans ces fichiers, qualifiés de ‘malodorants’, qui compromettent leur efficacité.
Un catalogue des mauvaises pratiques
L’équipe de l’Université fédérale de Minas Gerais a établi le premier inventaire des ‘odeurs’ affectant les fichiers comme Agents.md ou Claude.md. Leurs analyses révèlent que 91% des dépôts open-source populaires contiennent au moins un de ces problèmes. Les plus fréquents incluent les fuites de lint (62%), l’enflure contextuelle (42%) et les instructions contradictoires (28%).
Ces configurations, chargées au début de chaque session, guident le comportement des agents comme Claude Code ou Gemini. Elles définissent les workflows, exigences de test et connaissances spécifiques au projet. Pourtant, leur qualité laisse souvent à désirer.
Des problèmes qui s’auto-entretiennent
La ‘fuite de compétences’ est particulièrement problématique : des instructions spécifiques à certaines tâches sont incluses systématiquement, même quand elles ne servent pas. Cela alourdit inutilement le contexte et augmente les coûts.
L’équipe a aussi noté que ces problèmes s’aggravent mutuellement. Par exemple, une fuite de compétences combinée à des instructions contradictoires multiplie par 8 le risque d’enflure contextuelle.
Des solutions existent
Les chercheurs proposent plusieurs pistes pour améliorer ces configurations. La réduction des fuites de lint, par exemple, permettrait aux modèles de se concentrer sur les contraintes architecturales plutôt que sur des règles de style déjà gérées par d’autres outils.
Cette étude met en lumière un aspect souvent négligé du développement assisté par IA. En nettoyant ces configurations, les équipes pourraient améliorer significativement la fiabilité et l’efficacité de leurs agents de codage.