shadcn/improve est l’un de ces petits dépôts en apparence, mais avec une idée de fond très puissante : ne pas utiliser le modèle d’IA le plus cher pour écrire directement du code, mais pour réfléchir de manière plus efficace. Sa proposition consiste à auditer un dépôt, détecter des améliorations concrètes, les prioriser et générer des plans techniques détaillés afin qu’un autre agent plus économique ou un développeur humain puisse ensuite les exécuter.

Cette approche arrive à un moment où les équipes de développement découvrent la partie la moins visible de la programmation assistée par IA : le coût, le bruit et le manque de contrôle. Un agent peut écrire du code, certes, mais il peut aussi trop toucher, casser des tests, s’éloigner du périmètre ou consommer beaucoup de tokens pour des tâches peu intelligentes. shadcn/improve vise à organiser ce processus avec une idée presque évidente : utiliser le modèle le plus capable pour analyser et planifier, en réservant l’exécution à des modèles plus économes.

Un dépôt open source, gratuit et conçu pour l’intégration

La première vertu de shadcn/improve est qu’il est open source et publié sous licence MIT. Cela signifie que tout développeur peut l’examiner, l’installer, l’adapter, apprendre de son approche ou l’intégrer dans ses flux sans dépendre d’une plateforme propriétaire. À une époque où de nombreux outils d’IA pour le développement sont proposés comme des produits SaaS payants, ce type de dépôt ouvert a une valeur particulière.

L’installation est également simple : npx skills add shadcn/improve. Le projet fonctionne avec des agents compatibles avec le format Agent Skills, et ses résultats ne restent pas enfermés dans une interface propriétaire. Les plans générés sont des fichiers Markdown standards, stockés dans un dossier plans/. Cela permet à un autre agent, un développeur ou un outil interne de le lire facilement.

Que la sortie soit en Markdown peut sembler un détail mineur, mais c’est en réalité l’une des meilleures décisions du projet. Plutôt que de créer un format fermé, shadcn/improve génère une documentation qui s’intègre dans la culture de développement existante : pull requests, issues, revues, checklists, commandes de test et décisions traçables.

Le modèle coûteux pense, le modèle économique exécute

L’idée centrale du dépôt est de séparer deux phases que beaucoup d’outils mélangent : l’audit et l’exécution. La première nécessite une compréhension approfondie. Le modèle doit analyser le dépôt, saisir l’architecture, détecter les conventions, examiner les zones sensibles et décider de ce qui vaut la peine d’être corrigé. Cette étape justifie l’utilisation d’un modèle puissant.

La seconde phase est différente. Si le plan est bien rédigé, la mise en œuvre d’une correction concrète peut devenir une tâche beaucoup plus mécanique : modifier un fichier, supprimer une duplication, ajouter un test, ajuster une migration, exécuter des commandes et vérifier les résultats. Là, un modèle plus économique ou même un développeur junior guidé par des instructions claires peut suffire.

Ce mode opératoire permet de maîtriser les coûts. Au lieu de laisser un modèle coûteux faire, essayer, échouer, réessayer et consommer davantage de tokens, on lui confie uniquement ce qui a le plus de valeur : la réflexion. L’exécution est encapsulée dans des instructions précises.

Plans autosuffisants pour éviter l’improvisation

L’un des aspects les plus intéressants de shadcn/improve est la manière dont il rédige les plans. Il ne se contente pas de dire “améliore la performance de cette fonction” ou “refactorise ce module”. Chaque plan doit inclure suffisamment de contexte pour qu’un exécuteur, même n’ayant pas vu l’audit original, puisse travailler efficacement.

Cela comprend les chemins précis des fichiers, des extraits du code actuel, les conventions du dépôt, les commandes de vérification, les sorties attendues, les critères d’achèvement et les conditions d’arrêt. Ces conditions sont cruciales : si la réalité du code ne correspond pas à ce qui est décrit dans le plan, l’agent doit se stopper et le signaler plutôt que d’improviser.

Ce type de conception est particulièrement efficace avec des modèles moins puissants. Un agent moins capable échoue davantage lorsqu’il doit décider par lui-même. Si on lui fournit un plan avec des étapes concrètes, des limites claires et des tests vérifiables, le risque qu’il dévie du chemin diminue considérablement.

Audits avec preuves issues du dépôt

shadcn/improve ne cherche pas à produire des recommandations génériques. Son audit se répartit dans des domaines tels que la correction, la sécurité, la performance, les tests, la dette technique, les dépendances, l’expérience développeur, la documentation et la gestion de projet. Chaque constat doit s’appuyer sur des preuves tirées du code, avec des références précises aux fichiers et lignes concernées.

Cela réduit un des problèmes fréquents de l’IA appliquée au développement : les faux positifs. Beaucoup de modèles ont tendance à signaler trop de risques, à détecter des risques théoriques ou à suggérer des améliorations non adaptées au projet. Ici, le processus oblige à examiner les constatations avant de les transformer en plans. Si ce n’est pas un problème réel, il est rejeté et noté pour ne pas réapparaître lors de la prochaine exécution.

Les résultats sont présentés sous forme d’une liste priorisée selon l’impact, l’effort et la confiance. Ensuite, l’utilisateur choisit quels constats transformer en plans. Cette étape maintient le contrôle humain : l’IA propose, mais c’est l’équipe qui décide de ce qui rejoint le backlog.

Utile pour les équipes, pas seulement pour les tests individuels

Même si le projet peut être utilisé sur des dépôts personnels, sa valeur principale se révèle avec des équipes qui ont des codebases actives. Un monorepo volumineux, une application avec une dette technique accumulée ou un produit composé de plusieurs modules peuvent bénéficier d’un outil transformant des constats dispersés en plans révisables.

Cela peut aussi servir avant une pull request. La commande /improve branch limite l’audit aux changements de la branche courante, permettant de détecter les problèmes avant de solliciter une revue humaine. Pour les équipes utilisant déjà GitHub Issues, l’option --issues peut publier directement les plans sous forme de tâches à traiter.

La commande /improve reconcile est également cruciale. Elle permet de vérifier quels plans restent valides, quels sont bloqués, quels ont été résolus par d’autres moyens et quels doivent être mis à jour suite aux changements du dépôt. Dans un contexte réel, cette fonction se révèle aussi essentielle que l’audit initial, car le backlog technique évolue rapidement.

Plus de processus et moins de « code à la volée »

L’engouement autour du développement assisté par IA a favorisé une phase où de nombreux programmeurs demandent simplement à un agent de faire des changements importants, puis acceptent le résultat si cela semble fonctionner. Si cette approche peut convenir pour des prototypes, elle n’est pas adaptée à un logiciel maintenu par des équipes, doté de tests, de sécurité, de conventions et d’une responsabilité claire.

shadcn/improve propose une alternative plus disciplinée. Elle ne supprime pas la créativité ou la rapidité des agents, mais les encadre dans un processus. D’abord, on audite. Ensuite, on priorise. Puis, on planifie. Ensuite, on exécute dans un environnement isolé. Enfin, on revoit et le décideur humain tranche avant de fusionner.

Ce modèle s’inscrit dans une tendance croissante en développement IA : de meilleurs résultats proviennent de flux où chaque modèle a une fonction précise, plutôt que d’un seul agent qui tout fait sans contrôle. Le modèle coûteux agit comme architecte ou leader technique. Le modèle économique comme exécuteur. Les tests jouent le rôle de juge automatique. Le développeur maintient la décision finale.

Un petit dépôt, une grande idée

Ce qui est intéressant avec shadcn/improve, ce n’est pas qu’il promet de remplacer une équipe d’ingénierie, mais tout au contraire : il part du principe que l’équipe existe, que le code compte, que les tests sont importants et que le contrôle humain demeure essentiel. Sa valeur réside dans sa capacité à réduire le chaos généré par l’IA dans le développement, en proposant des plans clairs, lisibles, discutables, exécutables et vérifiables.

Sa nature open source et gratuite rend la démarche encore plus attractive. Chaque équipe peut l’essayer sans s’engager dans une plateforme propriétaire, sans acheter un outil fermé et sans changer radicalement ses méthodes de travail. Si ça correspond, on l’intègre ; si ce n’est pas le cas, les plans restent en Markdown et l’apprentissage demeure.

L’IA pour programmer n’a pas besoin de plus de magie, mais de meilleurs processus. shadcn/improve va dans cette direction avec une proposition simple : ne laissez pas le modèle le plus cher perdre son temps à faire du bricolage, utilisez-le pour réfléchir, prioriser et rédiger de bons plans. Ensuite, confiez leur exécution à un autre, avec des limites claires et des vérifications en amont.

Questions fréquentes

Qu’est-ce que shadcn/improve ?

C’est une Agent Skill ouverte et gratuite qui audite un dépôt, détecte des améliorations et génère des plans de mise en œuvre en Markdown pour que d’autres agents ou humains puissent les exécuter.

Pourquoi est-ce intéressant qu’elle soit open source ?

Parce qu’elle permet de comprendre comment elle fonctionne, de l’adapter à ses propres flux et de l’utiliser sans dépendre d’une plateforme fermée. De plus, elle est publiée sous licence MIT.

Elle modifie directement le code ?

Non. La skill écrit des plans dans le dossier plans/. La mise en œuvre peut ensuite être confiée à un autre agent dans un environnement isolé, mais la fusion revient à l’utilisateur.

Quel problème résout-elle par rapport à d’autres agents de code ?

Elle limite l’improvisation et les coûts : elle utilise le modèle le plus capable pour auditer et planifier, puis laisse des modèles plus économiques exécuter des tâches bien définies avec des vérifications claires.