Le guide OFFICIEL Archon - Multipliez par 10 votre flux de travail de codage IA

Archon se positionne comme le centre de commande essentiel pour l'assistance au codage par intelligence artificielle. Cet outil est conçu pour gérer l'ensemble des connaissances et des tâches nécessaires au travail de l'assistant IA. L'objectif fondamental d'Archon est de faciliter une collaboration profonde entre l'humain et l'IA, une capacité actuellement peu présente dans l'écosystème du codage assisté par IA. Il offre une interface utilisateur conviviale pour organiser les projets, les tâches, et surtout, pour curater les bibliothèques et documentations utilisées par les bases de code.

Pour l'assistant IA, Archon agit comme un serveur MCP (Model Control Protocol) permettant de gérer ces mêmes éléments. La connexion à pratiquement n'importe quel assistant IA est rendue simple, offrant instantanément à l'outil la capacité de rechercher dans la documentation organisée et de gérer les projets via un tableau Kanban intégré. La présentation vidéo se concentre sur trois aspects : la justification de l'utilisation d'Archon, un guide de configuration rapide, et un guide pratique pour optimiser les workflows de codage IA.

La question principale concernant l'adoption d'un nouvel outil, particulièrement dans le domaine de l'IA, réside dans la valeur ajoutée. Le problème fondamental avec les assistants de codage actuels, tels que Kirao ou Cloud Code, est qu'ils gèrent trop d'opérations en arrière-plan sans transparence. Ces outils peuvent effectuer des recherches web pour récupérer de la documentation externe ou créer leurs propres listes de tâches internes pour organiser leur travail.

Bien que ces capacités soient puissantes, il manque une voie de collaboration structurée avec l'assistant IA sur ces éléments. Il n'est pas possible de sélectionner la connaissance spécifique que l'outil doit utiliser pour la recherche, car il parcourt généralement l'intégralité d'Internet. De même, l'interaction avec la liste de tâches reste limitée, car elle est principalement un outil interne à l'assistant. Cette automatisation excessive retire potentiellement l'utilisateur du rôle de décideur dans la définition précise des tâches ou dans le choix des sources d'information pour la compréhension des bibliothèques.

Il prend en charge beaucoup de choses pour nous, ce qui nous éjecte du siège du conducteur à certains égards où l'on voudrait vraiment faire partie du processus.

Archon résout précisément ce manque de contrôle en offrant une interface pour diriger l'assistant. La démonstration initiale utilise des appels simulés pour illustrer le fonctionnement de haut niveau. Premièrement, l'outil dirige l'assistant vers la documentation préalablement organisée dans l'interface utilisateur d'Archon, spécifiant ainsi où effectuer la recherche.

L'outil exécute des stratégies RAG très puissantes, basées à la fois sur la recherche sémantique et par mots-clés, pour extraire des pages pertinentes de la documentation fournie. Ensuite, Archon gère les tâches. L'utilisateur observe l'assistant déplacer les tâches en temps réel sur le tableau Kanban grâce aux mises à jour instantanées via le MCP d'Archon, sans nécessiter de rafraîchissement de l'interface.

Quand il utilise le MCP Archon pour déplacer ces tâches, nous n'avons même pas besoin de rafraîchir notre interface et nous pouvons le regarder travailler en temps réel.

Il est également possible de créer de nouvelles tâches directement dans Archon sans interrompre l'assistant IA. Lorsque l'IA examinera sa liste de travail suivante, elle intégrera ces nouvelles tâches définies par l'humain. La démonstration illustre ensuite le mouvement automatique des tâches de la colonne 'À faire' à 'En cours', simulant un flux de développement IA réaliste.

Le développement d'Archon ne s'arrête pas à la gestion des connaissances et des tâches. De nombreuses fonctionnalités additionnelles sont prévues pour améliorer l'intégration avec les assistants de codage. Ces évolutions futures visent à étendre les capacités d'automatisation pilotées par l'utilisateur.

La mise en place initiale d'Archon est conçue pour être relativement simple, la majorité des étapes étant guidées via l'interface utilisateur une fois l'application lancée. Cependant, quelques prérequis techniques doivent être satisfaits avant de pouvoir démarrer les conteneurs.

Le processus commence par le clonage du dépôt Archon, en privilégiant la branche stable pour les versions officielles. Après avoir changé de répertoire, il est nécessaire de configurer les variables d'environnement dans un fichier .env. Les deux valeurs requises à ce stade sont l'URL de Supabase et la clé de service (service RO key), obtenues via le tableau de bord Supabase dans les paramètres de l'API de données.

Avant de lancer les conteneurs, la structure de la base de données doit être établie. Ceci est accompli en copiant le contenu du fichier SQL de configuration des migrations (migrations/complete_setup.sql) et en l'exécutant dans l'éditeur SQL de Supabase. Cette étape crée toutes les tables nécessaires au fonctionnement d'Archon.

L'ensemble de l'application est démarré via une commande unique dans le terminal : docker compose up build -d. Cette commande construit et lance les conteneurs pour l'interface utilisateur, le serveur MCP, et les points d'API. Il est conseillé de patienter entre 10 et 15 minutes pour que la construction soit complète.

Une fois les conteneurs actifs, l'accès à l'interface utilisateur d'Archon se fait par défaut sur localhost port 3737. La première action essentielle est de naviguer vers la page des paramètres pour configurer les identifiants des fournisseurs de LLM souhaités, comme OpenAI, qui est utilisé pour le modèle de chat et le modèle d'embedding.

Archon utilise des modèles distincts pour le chat et pour l'ingestion de données (crawling de documentation). Il est possible d'utiliser des fournisseurs différents pour chaque fonction ; par exemple, OpenAI pour le chat et Olama pour les embeddings. Il est crucial de sauvegarder les paramètres après chaque sélection de fournisseur et de modèle.

L'onglet MCP dans les paramètres fournit des instructions pour connecter Archon à divers assistants IA compatibles MCP. En copiant une seule ligne de commande spécifique à l'assistant utilisé (comme Cloud Code), et en l'exécutant dans le terminal, la connexion est établie. La commande 'claude mcp list' permet de vérifier que la connexion avec Archon est réussie.

Pour que l'assistant IA comprenne comment interagir avec Archon, il faut appliquer des règles globales recommandées. Ces règles, disponibles dans les paramètres d'Archon, doivent être copiées et intégrées dans les fichiers de configuration spécifiques de l'assistant IA (par exemple, cloud.md ou agents.md). Ces règles permettent à l'assistant de savoir quand utiliser Archon pour la gestion des connaissances et des tâches.

La maintenance et la mise à jour d'Archon vers de nouvelles versions publiées sont également simplifiées. Le processus implique de récupérer les derniers changements du dépôt via Git, puis de réexécuter la même commande docker compose utilisée pour le lancement initial afin de reconstruire et de démarrer les conteneurs mis à jour.

Une section dédiée dans la page des paramètres d'Archon alerte l'utilisateur sur toute migration de base de données nécessaire. Il suffit de copier le script SQL correspondant et de l'exécuter dans l'éditeur SQL de Supabase pour s'assurer que la base de données est synchronisée avec la nouvelle structure de l'application.

Le commanditaire de cette vidéo est Supabase, une technologie fondamentale puisqu'elle constitue la base de données qui alimente l'intégralité d'Archon. Récemment, Supabase a tenu sa première conférence, Superbase Select, qui a mis en lumière des ajouts majeurs à la plateforme.

Parmi les annonces notables, l'introduction d'un serveur MCP distant permet aux agents de gérer les projets Supabase sans installation locale. Des améliorations pour l'entreprise incluent l'intégration des buckets S3, l'acquisition de la plateforme Oreo, et une nouvelle initiative open source pour l'orchestration de bases de données nommée Multi-gress, visant à augmenter significativement la scalabilité de Supabase.

Le plus grand enseignement de cet événement est qu'ils comprennent les limitations de PostgreSQL en tant que base de données sous-jacente et y remédient en construisant des éléments au-dessus du moteur PostgreSQL.

Ces développements soutiennent la vision que Supabase représente l'avenir de PostgreSQL, prouvée par une levée de fonds de série E de 100 millions de dollars, atteignant une valorisation de 5 milliards de dollars.

La partie la plus cruciale de l'utilisation d'Archon réside dans son intégration au workflow de développement IA. Il est essentiel de comprendre que l'utilisateur est entièrement responsable de la définition de son propre workflow et de la manière dont Archon y sera incorporé. Il existe une grande flexibilité quant au moment où l'IA interroge la base de connaissances ou gère les tâches.

Lors du démarrage d'un nouveau projet ou d'une nouvelle fonctionnalité, la première étape consiste à définir les connaissances. Cela implique de sélectionner les fichiers ou la documentation que l'assistant IA doit référencer pour comprendre les spécificités du code, comme l'utilisation du SDK Pydantic AI ou de la base de données Supabase.

Une fois les ressources identifiées, l'objectif est de les ingérer dans la base de connaissances privée d'Archon. Cela peut se faire en entrant simplement l'URL du site de documentation dans Archon pour lancer un crawl. Cependant, certains formats optimisent grandement l'ingestion de contenu structuré pour l'IA.

Ces méthodes permettent d'obtenir des listes de fichiers prêtes à être ingérées. Il est possible de lancer plusieurs crawls en parallèle, par exemple, pour ingérer simultanément la documentation de MemZero et celle de Pydantic AI. Une fois le processus terminé, l'assistant IA peut immédiatement interroger cette base de connaissances privée via le MCP.

Lors de la création de code avec un assistant IA, une séparation nette entre la planification et l'implémentation est préconisée. Ce processus général est empaqueté dans un document Markdown servant de workflow réutilisable. Ce workflow guide l'IA à travers des étapes structurées, intégrant Archon à des moments stratégiques.

La phase de planification commence par l'analyse des exigences, puis passe par une phase de recherche où l'IA liste les sources crawlées dans Archon et effectue une recherche RAG sur les exemples de code et les fragments disponibles. Enfin, une analyse du codebase existant (si applicable) conduit à un plan et une conception détaillés.

L'implémentation utilise également un workflow dédié qui se concentre sur l'exploitation des projets et des tâches d'Archon. Le système vérifie les projets existants ou en crée un nouveau si nécessaire. Ensuite, il génère des tâches spécifiques pour chaque élément de l'implémentation, qui sont ensuite gérées dans le tableau Kanban d'Archon.

C'est le genre de chose qu'il n'aurait pas pu comprendre sans pouvoir consulter la documentation de MemZero et Pydantic, car les LLM ont le délai de coupure d'entraînement notoire.

L'exécution du plan se traduit par la création automatique de ces tâches dans Archon, la première étant déplacée en 'En cours' pour initialiser la structure du projet. L'utilisateur conserve la possibilité de modifier ces instructions en direct ou d'ajouter des tâches manquantes, assurant une observabilité complète du travail de l'assistant.

L'intégration d'Archon pour la gestion de projet a fonctionné parfaitement, avec toutes les tâches planifiées converties et gérées, le processus étant sur le point de passer à la création des tests et à la finalisation. Le code généré démontre une compréhension claire des bibliothèques spécifiques comme Pydantic et MemZero, ce qui est directement attribuable à la capacité RAG fournie par Archon.

L'écriture de code précis sur des bibliothèques récentes n'est possible que si l'IA y a accès, contournant ainsi la date limite de formation des modèles. L'intégration RAG avec Archon permet d'atteindre cette précision. Il est encouragé de construire ses propres workflows personnalisés en utilisant les commandes Markdown comme base pour interagir avec n'importe quel assistant IA compatible.

Ce guide complet couvre l'installation et l'intégration d'Archon dans les workflows de codage IA. Davantage de contenu est prévu pour plonger dans l'intégration d'Archon pour la construction de projets complets de bout en bout.