OpenClaw
 
https://img.super-h.fr/images/2026/ [...] dc.md.webp
 
 
 
1. Introduction : le développement assisté par IA
 
Définition du vibe coding : co-développement humain/IA, logique exploratoire plutôt qu’automatisée.
 
Différence entre :
 
- IA conversationnelle (ChatGPT, Claude, Gemini)
- IA orientée code (Copilot, Codex, Kilo Code, etc.)
- IA agentique (outils capables d’exécuter du code et d’agir de manière autonome).
 
- Limites du "prompt + copier/coller" et risques (erreurs silencieuses, dette technique, perte de contexte, code non testable).
 
2. Interfaces web et sandboxes : les solutions "plug & play"
 
Interfaces Web
 
ChatGPT, Claude, Gemini, Copilot Chat :
- Points forts : accessibilité, contexte riche, multitâche.
- Points faibles : limitations d’exécution, gestion du code peu pratique, perte de contexte sur grands projets.
 
Sandboxes intégrées
 
OpenAI Codex, Claude Code, Gemini Advanced :
- Exécution isolée du code côté serveur
- Utilisation pour tests rapides et proof-of-concepts
- Risques de confidentialité (code uploadé dans le cloud)
 
3. Intégration locale dans les IDE
 
VS Code et forks "AI-native"
 
- Copilot / Copilot Labs
- ChatGPT VS Code Plugin
- Claude for VS Code
- Cursor, Kiro, Roo Code, Cline
 
Configuration type d’environnement local
 
- VS Code + Codex CLI / Kilo Code CLI
- Raccourcis et workflow type : "Prompt -> Génération -> Exécution -> Commit -> Review IA"
 
4. CLI et agents de génération
 
Les CLI modernes
 
Codex CLI, Claude Code CLI, Gemini CLI, Kilo Code CLI :
 
- Avantages : intégration shell/git, historique contextuel, multi-LLM
- Exemples d’usage (init de projet, refactor, ajout de tests)
 
Multi-LLM et plugins intelligents
 
- Kilo Code : sélection dynamique de LLM selon la tâche
- Roo Code / Cline : exécution et test de code, édition contextuelle
- Exemples d’usages : Génération backend -> test -> doc automatique et CI/CD automatisé via CLI
 
5. Bonnes pratiques et sécurité
 
Frameworks de sécurité
 
- S.E.C.U.R.E. Framework, AI-Sandboxing, CodeGuard
- Isolation du code généré et contrôle de l’exécution
- Revue humaine obligatoire pour les modifications en production
 
Gestion du contexte et de la cohérence
 
- Structuration des prompts (fichiers PROMPT.md ou AGENTS.md)
- Conservation du contexte via fichiers .chat, .session, ou repo Git
- Réutilisation des prompts via templates (.prompt.json)
 
6. CI/CD et gestion de code source
 
GitHub / GitLab / Bitbucket
 
- Intégration native de Copilot et des actions CI
- Utilisation d’agents pour PR automatiques, tests, linting
- LLM Reviewers (PR-AI, CodiumAI)
 
Pipelines intelligents
 
- Exemple : commit -> PR -> test IA -> merge -> déploiement Dokploy
- Bonnes pratiques de commit message générés par IA (conventionnal commits).
 
7. Déploiement et infrastructure
 
Stacks open source
 
- Dokploy, Coolify, CapRover, Kamal, Dokku
- Comparaison rapide : Docker Compose, autoscaling, reverse proxy, GitHub Action intégrée, etc.
 
Stacks propriétaires
 
- Vercel, Netlify, Render, Heroku, Fly.io
- Avantages : simplicité, intégration GitHub native
- Inconvénients : coût, dépendance plateforme
 
8. Vers l’IA agentique
 
Concept et typologie
 
- Agent = modèle + mémoire + outils + autonomie partielle
- Exemples : OpenDevin, Devin-like Agents, AutoGPT, Smol-Agents, CrewAI
 
Bonnes pratiques
 
- Séparer la logique métier du raisonnement IA
- Toujours conserver un journal d’actions
- Utiliser des environnements isolés (VM, container, sandbox)
 
Ressources clés
 
- Recommandation : lire et adapter AGENTS.md
 
9. Le dev local via des LLM open source
 
IDE
[En cours]
 
LLM
[En cours]
 
Hardware, GPU, VRAM
[En cours]
 
10. Ressources utiles et veille
 
- Repos GitHub (Codex CLI, Roo Code, Kilo Code, etc.)
- Blogs / chaînes YouTube orientées dev+IA
- Comparateurs de modèles (OpenRouter, LMSys, HuggingFace)
- Discords ou forums communautaires utiles
 
11. Annexes
 
- Fichier type .env.example pour projets IA
- Exemple d’arborescence Git d’un projet vibe-coded
- Table de correspondance : modèles LLM vs usage optimal (Claude Sonnet 4.5 pour refacto, GPT-5 pour CI/CD, etc.)
 
EDIT : Je ne suis pas dev, je cherche juste à centraliser les informations de base sur un topic

J'avais fait des test assez concluant avec des gpu relativement proches, par contre dès que je mettais dans la boucle un gpu trop restrictif ( vieille archi et/ou BP trop faible) ça cassais complètement les perfs (quand ça plantais pas).
De même entre deux machines c’était au top, trois ca commencais a s'écrouler et plus c’était inutilisable.
 
J'ai l'impression qu'il faut avoir un bon ratio nombre de machine/perfs gpu pour que ce soit assez équilibrés, et limiter les appels sur le réseau.

Je peux tenter de mixer une rx7900xtx, une bc-250 et une vega 56 si vous voulez, que du AMD histoire d'être sûr que ça ne fonctionne pas

Je teste de plus en plus GPT 5.4 et j'avoue qu'il me bluffe assez
Devant Gemini 3.1
Il n'y a que Opus 4.6 qui lui tient tête

Je l'ai pas encore utilisé, j'ai vu des retours comme quoi ca bouffait vite les token en comparaison de 5.3-codex  

Je suis avec Opus 4.6 qui invoque des agents codex avec 5.4 pour de la gen de code et de l'analyse contradictoire face à Opus Aucun soucis de limites de token à ce jour, et une efficacité impressionnante pour nos activités.