En fait, la qualité de la réponse dépend de la structure de votre demande. Surtout pour des modèles plus frugaux.

#❌Tout en un
"Refactor toute l'application pour ajouter l'authentification"
#✅Étapes distinctes
"Étape 1: Analyser le système d'auth actuel
Étape 2: Proposer une architecture JWT
Étape 3: Implémenter le middleware d'auth
Étape 4: Ajouter les tests"
En général les agents ont un outil de TODO (tâches).
#✅Contraintes claires
"- Ne pas utiliser de librairies externes
- Garder la compatibilité Python 3.11
- Préserver les tests existants
- Maximum 50 lignes ajoutées"
À la racine de votre projet, un fichier AGENTS.md donne le contexte à l’IA :
# AGENTS.md - Contexte pour les agents IA
## Project
API REST pour gestion d'utilisateurs.
## Stack
- FastAPI 0.104+
- SQLAlchemy ORM
- PostgreSQL 15
- Pytest pour les tests
## Conventions
- Snake_case pour les variables
- docstrings Google style
- Tests dans tests/ avec pytest
## Architecture
- src/api/routes/ : endpoints REST
- src/models/ : modèles SQLAlchemy
- src/services/ : logique métier
## À NE PAS FAIRE
- Ne pas créer de nouvelles migrations DB
- Ne pas modifier .env
- Ne pas ajouter de dépendances sans validation
Chaque dossier important devrait avoir un README.md :
src/
├── api/
│ ├── README.md # "Ce dossier contient les endpoints..."
│ └── routes/
├── models/
│ └── README.md # "Modèles SQLAlchemy..."
└── services/
└── README.md # "Logique métier isolée..."
Contenu type :
# Services Layer
Contient la logique métier isolée des controllers.
## Conventions
- Un service par domaine métier
- Injection de dépendances via __init__
- Pas d'imports circulaires
## Exemple
```python
# services/user_service.py
class UserService:
def __init__(self, db: Session):
self.db = db
Le contexte s’accumule à chaque échange : historique de la conversation, fichiers lus, résultats de commandes, sorties de tests.
Gérer son contexte est d’abord une affaire de focus, pas seulement de budget. Un contexte saturé dégrade la qualité des réponses : l’agent commence à oublier des contraintes, à reproduire des erreurs déjà corrigées, à se perdre dans des chemins abandonnés. La performance chute bien avant que la limite de tokens soit atteinte.
Règles de session :
Et chaque token d’entrée se paie à chaque nouvel échange — gérer le contexte réduit aussi les coûts.
/compact
Ce que ça fait :
Ce que ça ne fait pas :
/clear fait çaQuand l’utiliser :
Ctx(u) dans la statusline/clear vide complètement le contexte. À réserver aux sessions vraiment bloquées — l’agent perd tout ce qu’il savait du projet. Préparez un résumé court à lui redonner avant de reprendre.
opencode --continue # Reprend la dernière session compactée
| Contexte % | État | Action |
|---|---|---|
| 0–50% | Vert | Travaillez librement |
| 50–70% | Jaune | Soyez sélectif dans les lectures |
| 70–90% | Orange | /compact maintenant |
| 90%+ | Rouge | /clear requis |
Le TP fil rouge continue : créer un AGENTS.md pour votre projet démo.
Voir 5_tp_agents.md →
opencode.school : Lesson 5 — Instructions — guide interactif pour écrire son AGENTS.md depuis l’intérieur de l’agent.