Agent Autonome DevOps — Devstral

Date: 12/02/2026 Priorite: HAUTE Status: A FAIRE

Vision

Agent autonome qui tourne en continu sur l'infra locale. Recoit des objectifs, travaille de maniere autonome, communique avec l'utilisateur quand il a besoin de decisions.

PAS un clone de Claude Code (CLI interactive). Un agent autonome avec des objectifs et des moyens de communication.

Architecture : Microservices Agentiques

Chaque micro-agent a un contexte petit et cible (~4-8K tokens). L'orchestrateur decoupe les objectifs en taches et delegue. La memoire long terme passe par claude-memory (pgvector).

ORCHESTRATOR (objectifs -> taches -> delegation)
     |
     |-- Agent Code (edit, refactor, fix)
     |-- Agent Deploy (CI/CD, smart-deploy)
     |-- Agent Test (run tests, validate)
     |-- Agent Research (grep, read, memory search)
     +-- Agent Infra (SSH, Docker, monitoring)
          |
     OUTILS : fichiers, bash, git, SSH, connectors-api, MCP
          |
     COMMUNICATION : ntfy (push), mail, web UI (decisions)

Point critique : CONTEXT BUILDER

Le modele est secondaire. La qualite du contexte fait TOUT. Un Devstral avec 4K tokens de contexte parfait > un gros modele avec 100K de bruit.

Layers du context builder

Layer	Source	Donne quoi
Regles	CLAUDE.md, MEMORY.md	Interdictions, conventions, pieges connus
Semantique	claude-memory (pgvector)	Incidents similaires, solutions passees
Code	grep + read cible	SEULEMENT les fichiers/fonctions concernes
Git	git log/diff	Qui a touche quoi recemment
Etat	task chain	Ce que les agents precedents ont trouve/fait
Infra	index/*.md	Services, ports, URLs (auto-genere)

Le context builder = retriever multi-source avec ranking de pertinence. JAMAIS tout balancer au modele. Selectif et cible.

Infra existante reutilisable (80%)

Composant	Usage
ai-orchestrator	Queue jobs, multi-GPU (3090 orchestrateur, 2070S petits agents)
claude-memory	Memoire vectorielle (pgvector + nomic-embed-text)
connectors-api	SSH, APIs externes, VPN
notif-logger	Notifications push (ntfy) + mail (Mailjet)
smart-deploy	Deploiement automatise
Ollama multi-GPU	Inference Devstral local
Supabase	Tables agent_tasks, agent_messages, objectifs

A construire (20%)

[ ] Orchestrateur : recoit objectif, decoupe en taches, delegue aux agents
[ ] Context builder : assemblage contexte multi-source par agent
[ ] Prompts systeme : un prompt par type d'agent (code, deploy, test, research, infra)
[ ] Protocol inter-agents : table Supabase agent_tasks (status, context, result)
[ ] Interface decisions : page web ou reponse ntfy pour les choix bloquants
[ ] Boucle autonome : agent tourne en continu, poll objectifs, execute, rapporte

Modele

Devstral via Ollama sur RTX 3090 (24GB VRAM)
Verifier : function calling structure (JSON schema), taille max compatible VRAM
Fallback : qwen2.5-coder:32b ou codestral si Devstral insuffisant
Petits agents : modeles legers sur RTX 2070 Super (8GB)

Risques

Qualite raisonnement Devstral vs modeles cloud sur taches complexes multi-etapes
Function calling : Devstral supporte-t-il le tool use natif structure ?
Vitesse : ~5-15 t/s sur 3090 pour un 24B — acceptable mais pas instantane
Boucles infinies : l'agent autonome doit avoir des garde-fous (max iterations, timeout, demande humain)