Chaque Erreur Devient une Règle :
Comment diffray Apprend de Vos Retours

Le leader produit Aakash Gupta l'a parfaitement résumé : "Chaque erreur devient une règle." Plus une équipe travaille longtemps avec l'IA, plus elle devient intelligente.

C'est exactement la philosophie sur laquelle diffray est construit. Aujourd'hui, nous vous montrons comment cela fonctionne sous le capot.

Le Problème : La Pollution du Contexte Tue la Qualité des Revues

Avant de parler des règles, nous devons comprendre le principal défi technique de la revue de code IA — la pollution du contexte.

La recherche d'Anthropic montre que les LLMs, comme les humains, perdent leur concentration à mesure que la fenêtre de contexte se remplit. Les corrections s'accumulent, les discussions secondaires s'empilent, les sorties d'outils obsolètes persistent. Le résultat est prévisible :

JetBrains Research (Décembre 2025) a quantifié cela : les contextes d'agents croissent si rapidement qu'ils deviennent coûteux, mais ne livrent pas de performances significativement meilleures. Plus de contexte ≠ meilleurs résultats.

La Solution : Sous-agents Spécialisés avec Contexte Isolé

Boris Cherny utilise des sous-agents comme "encapsulations automatisées des workflows les plus courants." Sa philosophie :

Au lieu d'un réviseur omniscient, sa commande de revue de code génère plusieurs agents parallèles avec des responsabilités distinctes :

Cette couche adversariale est cruciale. Les agents secondaires contestent les découvertes du premier passage, éliminant les faux positifs par un scepticisme structuré.

Le résultat, selon Cherny : "trouve tous les vrais problèmes sans les faux."

Comment Ça Fonctionne Techniquement

Quand l'agent principal délègue à un sous-agent, une nouvelle fenêtre de contexte est créée contenant uniquement la description de la tâche et les paramètres pertinents. Le sous-agent peut explorer extensivement—consommant des dizaines de milliers de tokens en cherchant dans le code—mais ne renvoie qu'un résumé condensé de 1 000-2 000 tokens.

Cela préserve la concentration de l'agent principal tout en permettant une analyse approfondie.

Chez diffray, nous utilisons plus de 30 agents spécialisés, chacun focalisé sur un domaine spécifique : sécurité, performance, style de code, patterns architecturaux, et plus. Chaque agent opère dans un contexte isolé et ne renvoie que des découvertes substantielles.

Création de Règles : Transformer les Retours en Connaissance

Maintenant l'événement principal. Les sous-agents résolvent le problème du contexte. Mais comment faire apprendre l'IA de vos corrections ?

Le Pattern CLAUDE.md

Dans Claude Code, les équipes maintiennent un fichier CLAUDE.md dans leur dépôt—une sorte de "constitution" pour le projet. Le fichier est automatiquement chargé dans le contexte à chaque session.

Mais il y a une limitation critique. La recherche HumanLayer montre que le prompt système de Claude Code contient déjà ~50 instructions, et les LLMs de pointe suivent de manière fiable seulement 150-200 instructions au total. La qualité du suivi d'instructions diminue uniformément à mesure que le nombre augmente.

Cela signifie : vous ne pouvez pas simplement déverser 500 règles et espérer de la magie.

Trois Niveaux de Connaissance

Les règles efficaces encodent la connaissance à trois niveaux :

## Stack Technique
- Backend: Python 3.11, FastAPI, SQLAlchemy
- Frontend: React 18, TypeScript, TailwindCSS
- BD: PostgreSQL 15

## Pourquoi Nous N'Utilisons PAS d'ORM pour les Requêtes Complexes
Historique: L'ORM générait des requêtes N+1 dans les rapports.
Décision: SQL brut pour l'analytics, ORM uniquement pour CRUD.

## Avant de Commiter
- Exécuter `make lint` — doit passer sans erreur
- Exécuter `make test` — la couverture ne doit pas baisser

Le Problème des Approches Manuelles

La maintenance manuelle des règles fonctionne... tant que votre équipe est petite et disciplinée. En réalité :

Comment diffray Automatise la Création de Règles

diffray inverse le processus. Au lieu d'écrire des règles manuellement, vous donnez simplement du feedback sur les revues.

La Boucle d'Apprentissage

Types de Règles dans diffray

Exemple Pratique : De l'Agacement à la Règle

Imaginez : diffray laisse un commentaire sur votre PR :

Vous savez que c'est un module legacy prévu pour réécriture le trimestre prochain. Corriger les types maintenant serait une perte de temps.

Vous répondez : "C'est du legacy, le typage sera traité pendant la refactorisation Q2"

Ce qui se passe ensuite :

Mais important : la règle n'est pas permanente. La date d'expiration signifie qu'après Q2, diffray recommencera à vérifier les types dans ce répertoire.

La Métrique : Réduire le Taux de Faux Positifs

La mesure clé de l'efficacité de la revue de code IA est le taux de faux positifs. Combien de commentaires sur 100 étaient inutiles ?

Benchmarks typiques de l'industrie :

Comment nous y parvenons :

Pour Commencer : Trois Étapes

Chaque interaction rend diffray plus intelligent. Après un mois, vous aurez un réviseur IA personnalisé qui connaît vos conventions mieux qu'un nouveau développeur après l'onboarding.

Conclusion : Une IA Qui Grandit Avec Votre Équipe

La philosophie "chaque erreur devient une règle" n'est pas qu'une phrase accrocheuse. C'est un principe architectural qui sépare les outils jouets des solutions prêtes pour la production.

diffray est construit sur trois piliers :

Le résultat : une revue de code IA qui s'améliore à chaque PR. Non pas parce que le modèle a été mis à jour, mais parce qu'elle apprend de votre équipe.