L’IA au service des devs : Anatomie d'un assistant de Code Review

Tout a commencé avec une idée simple :
Et si l’IA pouvait rendre nos revues de code plus cohérentes, plus rapides… et un peu moins pénibles ?

Chez Yousign, cette question est née d’un besoin plus large :
Comment faire évoluer la pratique de Code Review à l’échelle, sans perdre la rigueur ni la culture d’équipe ?

L’enjeu n’était pas seulement technique, mais organisationnel :
Faire du Code Review un moment d’apprentissage partagé, au service de la qualité et de la transmission.

Et c’est là que l’IA entre en jeu, non pas pour remplacer le regard humain, mais pour aider à structurer, amplifier et diffuser les bonnes pratiques à travers toute l’équipe.

Ce talk retrace la conception d’un assistant de Code Review imaginé et développé chez Yousign, depuis les premières intuitions jusqu’à la mise en œuvre concrète.

On y parle d’architecture, d’agents et de conception de règles, mais aussi de context engineering et des protocoles qui permettent aux outils de dialoguer entre eux.
Côté mise en œuvre, on explorera comment des composants Symfony comme Messenger, Webhook et AI, associés à RabbitMQ et GitLab, ont servi de socle à cet écosystème d’agents.

Un retour d’expérience honnête et pragmatique sur la place que peut prendre l’IA dans nos pratiques de développement et d’équipe.

Transcript

1. L’IA au service des devs : Anatomie d'un assistant de Code Review
2. 2 Pourquoi la review Trouver un premier use case IA crédible, utile et actionnable à lʼéchelle de lʼEngineering. 1.
3. 3 Pourquoi commencer par la code review ? Un rituel déjà existant Un impact collectif Une integration transparente Des effets rapides
4. 4 Et pourquoi pas d’abord les assistants individuels ? Une adoption inégale Un apprentissage nécessaire Une valeur souvent individuelle Un déploiement plus lent
5. 5 Build or Buy ? Trial Prêt à lʼemploi Dépendance aux choix dʼun tiers Boîte noire, rétention des données et gouvernance Liberté de conception et dʼ évolution Implémentation nécessaire Sécurité et conformité à construire Vitesse dʼexpérimentation Maîtrise et maintenabilité Contexte réglementé Contraintes SaaS / Open Source In-house
6. 6 Comment ça marche Comment on est passés dʼune idée de code review assistée par IA à un vrai workflow branché sur GitLab. 2.
7. 7 Le vrai actif, ce sont les Standards ! Rendre l’implicite explicite Formaliser les bonnes pratiques Faire vivre les règles dans le temps Partager à l'échelle de l’Engineering
8. 8 C’est quoi un Standard ? Les instructions, comment l’IA doit l’appliquer Les filtres, où elle s’applique La raison, pourquoi cette pratique existe Le contenu, ce qu’on veut faire appliquer QUOI POURQUOI PERIMETRE COMMENT
9. 9 La review en un Workflow Webhook Review Requested Retrieve Context Linear Manifest Merge Request Ready For Review Triage Agent Assign Submit Findings Reviewer Agents Auditor Agent Publish Filter Standards
10. 10 C’est quoi un Finding ? STANDARD
11. 11 C’est quoi un Finding ? EVIDENCE STANDARD
12. 12 C’est quoi un Finding ? EVIDENCE RISK LEVEL STANDARD
13. 13 C’est quoi un Finding ? EVIDENCE RISK LEVEL ISSUE STANDARD
14. 14 C’est quoi un Finding ? EVIDENCE RISK LEVEL ISSUE IMPACT STANDARD
15. 15 C’est quoi un Finding ? EVIDENCE RISK LEVEL ISSUE IMPACT FIX STANDARD
16. 16 Feedback Loop EVALUATION
17. 17 Feedback Loop EVALUATION POSER DES QUESTIONS
18. 18 Feedback Loop EVALUATION POSER DES QUESTIONS ANNOTER LE FINDING
19. 19 Feedback Loop EVALUATION POSER DES QUESTIONS ANNOTER LE FINDING SUGGERER UN STANDARD
20. 20 Le coeur du système, le Context Engineering CONTEXT ISSUE PROJECT MERGE REQUEST DIFFS FICHIERS USER SYSTEM STANDARD CONTENU INSTRUCTIONS ANNOTATIONS FEEDBACKS LEARNINGS
21. 21 Le coeur du système, le Context Engineering CONTEXT ISSUE PROJECT MERGE REQUEST DIFFS FICHIERS USER SYSTEM ROLE OBJECTIF STANDARD CONTENU INSTRUCTIONS ANNOTATIONS FEEDBACKS LEARNINGS WORKFLOW ANALYSER IDENTIFIER SOUMETTRE VERIFIER OUTILS INTERPRETER MCP TOOLS ANNOTATED DIFFS
22. 22 Annotated Diff & Evidence
23. 23 Pourquoi pas un framework AI-first ? Premier POC avec OpenAI Agents SDK (Typescript) Pas assez orienté système Pas pensé pour un vrai workflow métier Le vrai sujet : construire un système
24. 24 Pourquoi Symfony était le bon choix ? ✳ Grafana / Prometheus ✳ Graylog ✳ Sentry ✳ Kubernetes ✳ CI/CD ✳ Domain Driven Design ✳ CQRS ✳ Event Driven ✳ Webhook Component ✳ Messenger Component ✳ MCP Bundle ✳ Security Bundle ✳ Symfony UX ✳ Lib openai-php/client ✳ PHP 8.4 ✳ Symfony 7.4 ✳ Postgres + pgVector UNE STACK MAÎTRISEE LES BONS COMPOSANTS UN VRAI WORKFLOW METIER OBSERVABILITE ET INFRA
25. 25 L’épreuve du réel Sur le papier, le système tenait. Dans la vraie vie, les vrais problèmes ont commencé à apparaître. 3.
26. 26 Avant d’en arriver là Déclenchement manuel Intégration Gitlab Smart Actions
27. 27 Le réel tranche vite Trop de friction Trop de complexité Le fond est bon, pas la forme Itérer Fluidifier Simplifier Peu de reviews Peu dʼinteractions De la valeur, malgré tout Ce que l’on constate Ce que ça révèle Ce qu’on en déduit
28. 28 Le vrai tournant: MCP Server Skills pour créer, enrichir et maintenir les Standards Recherche sémantique, findings similaires, contexte utile à la demande Une IA plus agentic, moins dépendants d’un unique output final DES AGENTS PLUS AUTONOMES LE BON TOOL, AU BON MOMENT DES STANDARDS PLUS VIVANTS
29. 29 Communiquer autrement Faire exister l’outil comme un effort d’ équipe Faire circuler les retours concrets entre pairs Montrer une feature quand elle devient utile Révéler la valeur étape par étape PROGRESSIVEMENT AU BON MOMENT PAR LʼEXEMPLE COLLECTIF
30. 30 Conclusion Où on en est aujourdʼhui, ce qui comptera demain, et ce que ce projet mʼa vraiment appris. 4.
31. Le volume est là, on n’est plus dans le prototype 31 800 Reviews Où on en est aujourd’hui En moyenne 35cts par MR, coût visible et maîtrisé $250 Coût total Les devs ne subissent pas l’outil, ils l’améliorent 200 Annotations Moins d’attente, moins d’overhead, un time to merge réduit 200 Heures gagnés Un bon signal de qualité, sans relâcher l’effort sur les Standards 8/10 Note moyenne depuis début Février, lancement de la V2
32. 32 Et demain ? Un outil utile, pas une fin en soi Un écosystème qui bouge vite Des Standards qui, eux, restent Une équipe plus mature face à l’IA
33. 33 Ce qu’on a appris L’adoption se construit dans le temps, elle ne se décrète pas Faire plus avec moins crée souvent plus de valeur Une bonne idée mal intégrée reste une mauvaise expérience La vraie brique, c’est le savoir, et il doit vivre avec les devs LES STANDARDS LA DX LA SIMPLICITE LʼADOPTION
34. Merci. Questions? Thomas Boileau Staff Engineer Yousign Github TBoileau X @toham_tech