khalilbenaz/claude-skills-collection/agent-coding-agent-builder

Claude Code and agent skill by khalilbenaz/claude-skills-collection

Trust tier 3
  • community
Source check pending

Checking that the SKILL.md file is still in the repository.

Construction d'agents de coding autonomes capables de lire, écrire et modifier du code. Se déclenche avec "coding agent", "agent de code", "agent développeur", "Devin", "SWE-agent", "agent qui code", "AI coder", "code generation agent", "auto-coder". Also triggers on "build a coding agent", "autonomous coding agent", "SWE agent".

Install

npx vskill@latest install khalilbenaz/claude-skills-collection/agent-coding-agent-builder

SKILL.md

Coding Agent Builder

Quand utiliser ce skill

Conception ou implémentation d'un agent autonome qui interagit avec une base de code : lecture/écriture de fichiers, exécution de commandes, gestion Git, tests automatisés. S'applique à un agent SWE-bench-style, un assistant intégré dans un IDE, ou un pipeline CI/CD.

Critères d'architecture : mono-agent vs multi-agents

CritèreMono-agentMulti-agents (planner + executor + reviewer)
Tâche simple (<5 fichiers)✅Surcharge inutile
Tâche complexe, multi-modules❌ fragile✅
Budget tokens serré✅❌
Cohérence inter-fichiers critique❌✅

Workflow en 10 étapes

1. Définir les tools fondamentaux

Chaque tool renvoie un dict structuré (stdout, stderr, exit code). Pas d'exception silencieuse.

python
import subprocess, pathlib
def read_file(path: str) -> dict:
p = pathlib.Path(path)
return {"content": p.read_text(encoding="utf-8"), "exists": p.exists()}
def write_file(path: str, content: str) -> dict:
pathlib.Path(path).write_text(content, encoding="utf-8")
return {"written": True, "path": path}
def run_command(cmd: str, timeout: int = 30) -> dict:
r = subprocess.run(cmd, shell=True, capture_output=True, text=True, timeout=timeout)
return {"stdout": r.stdout, "stderr": r.stderr, "returncode": r.returncode}
def run_tests(suite: str = ".") -> dict:
return run_command(f"pytest {suite} --tb=short -q")

Outils minimaux requis : read_file, write_file, run_command, search_code, git_diff, run_tests.

2. Sandbox d'exécution (obligatoire en production)

Docker (auto-hébergé) :

bash
docker run --rm \
--network=none \ # pas d'accès réseau
--memory=512m \
--cpus=1 \
--read-only \
-v $(pwd)/workspace:/workspace \
python:3.12-slim \
bash -c "cd /workspace && python agent_task.py"

E2B (sandbox managé, plus simple) :

python
from e2b_code_interpreter import Sandbox
with Sandbox() as sbx:
result = sbx.run_code("print('hello')")
print(result.text)

Choix : E2B si tu veux du managed sans infra ; Docker si tu veux le contrôle total et l'air-gap réseau.

3. Indexation et retrieval du codebase

Avant toute génération, l'agent doit connaître la structure :

python
# Indexation AST pour Python — récupère les symboles exportés
import ast, pathlib
def index_repo(root: str) -> dict[str, list[str]]:
index = {}
for f in pathlib.Path(root).rglob("*.py"):
tree = ast.parse(f.read_text())
index[str(f)] = [n.name for n in ast.walk(tree)
if isinstance(n, (ast.FunctionDef, ast.ClassDef))]
return index

Pour le retrieval sémantique : embeddings sentence-transformers (local) ou Voyage/OpenAI (API). Chunk par fonction, pas par fichier entier. Injecte les 3-5 fichiers les plus pertinents dans le contexte.

4. Phase plan-before-code (non négociable)

Format de plan attendu en sortie LLM avant toute écriture :

## Plan
1. Fichiers à lire : [liste]
2. Fichiers à créer/modifier : [liste + raison]
3. Tests à écrire : [liste]
4. Ordre d'exécution : [séquence]
5. Risques identifiés : [liste]

Utilise un modèle fort (Claude Opus / GPT-4o) pour la planification, un modèle plus rapide pour l'exécution. Sépare les deux appels.

5. Génération de code contextualisée
python
system_prompt = """
Tu es un agent développeur expert. Règles strictes :
- Respecte le style de code existant (indentation, naming, imports).
- N'introduis aucune dépendance non listée dans requirements.txt/package.json.
- Génère TOUJOURS les tests en même temps que le code.
Fichiers pertinents du repo :
{relevant_files}
Style détecté : {code_style} # extrait via ruff/pylint
"""

Passe toujours le diff attendu, pas juste la description de la tâche.

6. Boucle TDD automatique
écrire tests → générer code → run tests → analyser erreurs → corriger → itérer
python
MAX_ITER = 8
for attempt in range(MAX_ITER):
code = llm_generate(plan, context)
write_file("solution.py", code)
result = run_tests("tests/")
if result["returncode"] == 0:
break
context += f"\n## Erreur tentative {attempt+1}\n{result['stderr']}"
else:
raise RuntimeError("Agent bloqué après 8 tentatives — escalade manuelle requise")
7. Code review automatique avant commit
bash
# Pipeline de review — exécute dans l'ordre, bloque au premier échec critique
ruff check . --select=E,W,F # lint Python
bandit -r . -ll # sécurité (low severity ignorée)
semgrep --config=auto . # patterns de vulnérabilité
python
def auto_review(files: list[str]) -> bool:
critical_issues = []
for tool, cmd in [("ruff", "ruff check {f}"), ("bandit", "bandit {f} -ll")]:
for f in files:
r = run_command(cmd.format(f=f))
if r["returncode"] != 0:
critical_issues.append(f"{tool}: {r['stdout']}")
return len(critical_issues) == 0, critical_issues
8. Git workflow automatisé
python
import git
def agent_commit(task_id: str, task_desc: str, modified_files: list[str]) -> str:
repo = git.Repo(".")
branch = f"feat/agent-{task_id}"
repo.git.checkout("-b", branch)
repo.index.add(modified_files)
msg = f"feat: {task_desc[:72]}\n\nGenerated by coding-agent v2"
repo.index.commit(msg)
return branch

Convention de commits : feat:, fix:, refactor:, test: — jamais de commit fourre-tout. Un commit = une tâche atomique.

9. Observabilité et métriques

Instrumente dès le début, pas en post-prod :

python
import time, logging
def traced_tool_call(tool_name: str, fn, *args, **kwargs):
start = time.perf_counter()
result = fn(*args, **kwargs)
elapsed = time.perf_counter() - start
logging.info({"tool": tool_name, "duration_s": elapsed,
"success": result.get("returncode", 0) == 0})
return result

Métriques clés : task completion rate, taux de vert au 1er essai, nb d'itérations moyen, taux de régression introduit.

10. Benchmark et évaluation
  • SWE-bench : résolution de vraies issues GitHub — référence du secteur.
  • HumanEval / MBPP : génération de fonctions isolées.
  • Tests internes : crée un jeu de 20 tâches représentatives de ton domaine, rejoue-les à chaque release.

Seuils cibles pour un agent production-ready : >40% SWE-bench verified, >85% tests verts au 1er essai, <5 itérations en moyenne.

Garde-fous et anti-patterns

Anti-patternConséquenceRemède
Exécuter du code généré sans sandboxRCE, destruction de donnéesDocker / E2B obligatoire
Contexte trop large (>100 fichiers)Hallucinations, lenteurRetrieval + top-5 fichiers max
Pas de plan structuréCode incohérent, régressionÉtape plan non négociable
Boucle sans limite d'itérationsCoût infini, blocageMAX_ITER=8 + escalade
Commit multi-tâchesDiff illisible, rollback impossibleUn commit = une tâche atomique
Review LLM-only (pas d'outil statique)Bugs et vulnérabilités passentruff + bandit + semgrep en pipeline
Modèle unique pour plan + exécutionGaspillage de tokensPlan=modèle fort, exec=modèle rapide

Frameworks recommandés (2026)

  • SWE-agent : référence open-source pour agents SWE-bench.
  • Aider : CLI mature, intègre git nativement, support multi-modèle.
  • AutoGen : multi-agents, bonne orchestration planner/executor.
  • E2B : sandboxing managé, prêt en 5 min, facturation à l'usage.
  • LangChain Agents : si tu as déjà l'écosystème LangChain.
  • Claude Code SDK (Anthropic) : pour intégrer directement dans des pipelines Claude.

Priorise fiabilité (sandbox, tests, limites d'itérations) avant performance brute.

Communication Rules — MANDATORY

  • Ultra-concise. No filler, no preamble, no pleasantries.
  • Never say "happy to help", "sure!", "great question", "let me", or similar.
  • Tool first, talk second. Act before explaining.
  • Result first. Lead with outcome, not process.
  • Stop when done. No summary, no recap, no trailing commentary.
  • No politeness wrappers. Direct and blunt.
  • Minimum words. If one word works, do not use ten.
  • No unsolicited explanations.
  • No emoji unless asked.

Security

  • Security scanPassed, 95 of 100Pattern checks on the skill's files.
  • Model reviewPassed

Quality evaluation

  • Task evaluationNot runNo evaluation yet. Run one in Skill Studio.

Source

Popularity

7-day trend score
5

Not refreshed yet.

Works with

Any agent vskill installs to: 56 targets in all. These 39 have a page on this site.

  • Claude Code
  • Cursor
  • GitHub Copilot
  • Windsurf
  • Codex
  • Gemini CLI
  • Cline
  • Amp
  • Roo Code
  • Goose
  • Continue
  • Kilo Code
  • Junie
  • Trae
  • OpenHands
  • Qwen Code
  • AI Agent
  • Tabnine Chat
  • Sourcegraph Cody
  • Amazon Q
  • Firebase Genkit
  • Sweep
  • Devin
  • Phind
  • Mentat
  • Claude Desktop
  • Aider
  • GPT Pilot
  • Plandex
  • bolt.new
  • v0
  • Replit Agent
  • Anse
  • TypingMind
  • BetterChatGPT
  • LibreChat
  • Warp AI
  • Pieces
  • Fig AI
Embed badge
vskill VERIFIED badge
[![vskill VERIFIED](https://verified-skill.com/api/v1/skills/khalilbenaz/claude-skills-collection/agent-coding-agent-builder/badge)](https://verified-skill.com/skills/khalilbenaz/claude-skills-collection/agent-coding-agent-builder)

Something wrong with this skill or its page? Tell us.