Peter Zhang
12 jan 2026 23h03
GitHub révèle trois méthodes pratiques permettant aux développeurs d'améliorer les résultats de codage IA grâce à des instructions personnalisées, des prompts réutilisables et des agents spécialisés.
GitHub pousse les développeurs à aller au-delà du prompting basique avec un nouveau cadre qu'il appelle l'ingénierie de contexte—une approche systématique pour fournir aux assistants de codage IA les bonnes informations au bon moment. Le guide, publié le 12 janvier 2026, décrit trois techniques spécifiques pour obtenir de meilleurs résultats avec GitHub Copilot.
Le concept représente ce que le PDG de Braintrust, Ankur Goyal, décrit comme apporter "les bonnes informations (dans le bon format) au LLM." Il s'agit moins de formulation astucieuse que de livraison de données structurées.
Trois techniques qui fonctionnent réellement
Harald Kirschner, chef de produit principal chez Microsoft avec une expertise approfondie de VS Code et Copilot, a présenté l'approche lors de GitHub Universe l'automne dernier. Les trois méthodes :
Les instructions personnalisées permettent aux équipes de définir des conventions de codage, des normes de nommage et des styles de documentation que Copilot suit automatiquement. Celles-ci se trouvent dans les fichiers .github/copilot-instructions.md ou les paramètres VS Code. Pensez : comment les composants React doivent être structurés, comment les erreurs sont gérées dans les services Node, ou les règles de formatage de la documentation API.
Les prompts réutilisables transforment les tâches fréquentes en commandes standardisées. Stockés dans .github/prompts/*.prompts.md, ils peuvent être déclenchés via des commandes slash comme /create-react-form. Les équipes les utilisent pour les revues de code, la génération de tests et la structure de projet—même exécution à chaque fois.
Les agents personnalisés créent des personas IA spécialisés avec des responsabilités définies. Un agent de conception API examine les interfaces. Un agent de sécurité gère l'analyse statique. Un agent de documentation réécrit les commentaires. Chacun peut inclure ses propres outils, contraintes et modèles de comportement, avec une capacité de transfert entre agents pour les flux de travail complexes.
Pourquoi c'est important maintenant
L'ingénierie de contexte a gagné une traction significative dans l'industrie de l'IA au début de 2026, avec de multiples discussions axées sur l'entreprise émergeant la même semaine que le guide de GitHub. La discipline aborde une limitation fondamentale : les LLM fonctionnent nettement mieux lorsqu'ils reçoivent des informations de contexte structurées et pertinentes plutôt que des requêtes brutes.
La génération augmentée par récupération (RAG), les systèmes de mémoire et l'orchestration d'outils relèvent tous de cette catégorie. L'objectif n'est pas seulement un meilleur résultat de code—c'est de réduire les allers-retours de prompting qui tuent le flux des développeurs.
Pour les équipes utilisant déjà Copilot, l'avantage pratique est la cohérence entre les dépôts et une intégration plus rapide. Les nouveaux développeurs héritent de la configuration d'ingénierie de contexte plutôt que d'apprendre les connaissances tribales sur "comment prompter Copilot correctement".
La documentation de GitHub inclut des guides de configuration pour chaque technique, suggérant que l'entreprise considère l'ingénierie de contexte comme une compétence essentielle pour le développement assisté par l'IA à l'avenir.
Source de l'image : Shutterstock
Source : https://blockchain.news/news/github-copilot-context-engineering-techniques
