Un acteur majeur du secteur vient de faire parler de lui.
Mise en place de workflows de codage agentique non interactifs à l’aide de la CLI Kimi de Moonshot AI, du streaming JSONL, des tests et de la mémoire de session
Dans ce tutoriel, nous allons configurer et exploiter Kimi CLI en tant qu’agent de programmation IA entièrement non interactif. Nous installons l’interface en ligne de commande (CLI) via uv avec un environnement Python 3.13 isolé, configurons l’authentification de l’API Moonshot à l’aide d’un fournisseur et d’une définition de modèle basés sur TOML, puis développons un wrapper Python réutilisable permettant d’exécuter des commandes CLI non interactives. Nous appliquons ensuite Kimi à un flux de travail de projet réaliste, dans lequel nous inspectons une base de code, identifions les risques liés à la mise en œuvre, modifions de manière autonome les fichiers source, générons des tests unitaires, exécutons des commandes de validation et répétons ces étapes jusqu’à ce que le projet réussisse sa suite de tests. Nous abordons également les flux d’événements JSONL structurés, les sessions persistantes à divers échanges, le mode « plan », la sélection de modèles, les boucles Ralph, les intégrations MCP, l’exportation de sessions et l’accès via le Web, ce qui nous fournit une base pratique pour intégrer Kimi CLI dans des pipelines de développement automatisé et d’ingénierie des agents.
Nous commençons par importer les modules Python nécessaires et par définir une fonction d’aide réutilisable pour l’exécution contrôlée de sous-processus via des commandes shell. Nous installons uv, ajoutons son répertoire binaire au chemin d’environnement, puis l’utilisons pour configurer Kimi CLI avec un environnement d’exécution Python 3.13 isolé. Nous vérifions ensuite l’installation en interrogeant la version installée de Kimi CLI.
Il faut souligner, nous récupérons en toute sécurité la clé API Moonshot à partir de Google Colab Secrets ou nous la demandons via une invite de saisie masquée. Nous définissons le point de terminaison de l’API Moonshot et le modèle Kimi cible, puis nous créons le répertoire de configuration .kimi requis. Nous enregistrons le fournisseur, le modèle, la fenêtre de contexte et les paramètres par défaut du modèle dans le fichier config.toml pour l’authentification non interactive.
Nous définissons un wrapper Python qui exécute les commandes de l’interface CLI de Kimi par programmation, sans nécessiter de session interactive sur un terminal. Nous configurons dynamiquement des options permettant une sortie silencieuse, la transmission d’événements au format JSON, l’approbation autonome des outils, la poursuite de la session, l’isolation du répertoire de travail et la limitation du nombre d’étapes. Nous récupérons la sortie de la commande, affichons la réponse finale ou les détails de l’erreur, puis renvoyons le résultat en vue d’un traitement ultérieur.
Notons par ailleurs, nous créons un petit projet de gestion des stocks comprenant un module Python, un script exécutable et un fichier README. Nous y intégrons volontairement des défauts d’implémentation afin de permettre à Kimi d’examiner la structure du dépôt et d’identifier les risques fonctionnels et de conception. Nous lançons ensuite une commande d’analyse en lecture seule dans le répertoire du projet et demandons une évaluation technique concise.
Nous permettons à Kimi de modifier le projet de manière autonome, de corriger la logique d’inventaire, de générer des tests unitaires et d’exécuter la suite de tests. Nous configurons une limite maximale d’étapes par agent afin que le modèle puisse diagnostiquer les défaillances de manière itérative et affiner sa mise en œuvre jusqu’à ce que la validation aboutisse. Nous inspectons les fichiers Python générés et réexécutons les tests de manière indépendante pour vérifier que les modifications générées fonctionnent correctement.
Nous exécutons Kimi avec une sortie JSON en flux continu et analysons chaque événement JSONL afin d’examiner les types de réponses lisibles par machine. Nous démontrons la persistance de la mémoire sur plusieurs tours en stockant un nom de code de version et en le récupérant au cours d’une session en cours dans le même répertoire de travail. Nous terminerons par un tour d’horizon des commandes avancées relatives à la planification, au changement de modèle, au mode de réflexion, aux boucles Ralph, aux outils MCP, à l’exportation de sessions et à l’accès Web.
En conclusion, nous avons mis en place un workflow Kimi CLI de bout en bout qui s’exécute entièrement sans recourir à une session de terminal interactive. Nous sommes passés de la mise en place de l’environnement et de la configuration de l’API à l’analyse du projet, à la correction autonome du code, à la génération de tests, à l’analyse des performances structurés et à la reprise de session. Nous avons également vérifié de manière indépendante les modifications apportées par l’agent, ce qui nous permet de distinguer les résultats générés des résultats d’exécution réels et d’améliorer la fiabilité du flux de travail. Grâce à la mise en place du wrapper réutilisable et des commandes de référence, nous pouvons désormais étendre cette même architecture à des référentiels plus volumineux, à des tâches de validation de type CI, à des chaînes d’outils compatibles MCP, à des boucles itératives d’amélioration logicielle et à d’autres workflows de développement programmables assistés par l’IA.
Une chose est sûre : le secteur continue d’avancer à grande vitesse.
Dans le même ordre d’idées :
Source : MarkTechPost : MarkTechPost