The Holy Trinity - pi, herdr and opencode go

The Holy Trinity - pi, herdr and opencode go

Source: Aarno (@TheGlobalMinima) — article du 15 août 2026

tldr ; mon setup IA coding actuel : Pi, Opencode Go et Herdr.

Cette année, on assiste à un boom du harness engineering. Ce qui a commencé comme un simple scaffolding autour d’un LLM est devenu l’un des systèmes les plus sophistiqués et les plus recherchés. En parallèle, les LLMs sont devenus de plus en plus capables d’assumer des tâches de code et d’ingénierie logicielle, passant d’assistants et d’outils de complétion à de vrais pilotes de bases de code. Les modèles non seulement sont plus capables, mais aussi plus accessibles en termes de coût. Par exemple, les premiers modèles de raisonnement d’OpenAI (GPT-4, la série O) coûtaient 60 $ ou plus par million de tokens en sortie. Aujourd’hui, des modèles aux capacités similaires tournent autour de ~10 $ par million, et certaines offres open source vont encore moins cher pour de meilleures performances.

Au début de l’année dernière, avec la sortie de Claude Code, tout a changé. C’était le premier grand harness spécifiquement ciblé sur les tâches de code. Copilot existait déjà avant, mais il était plus un assistant de chat qu’un agent capable d’agir sur le code. Depuis, des centaines de harnesses ont été publiés, chacun itérant sur les faiblesses de ses prédécesseurs et approchant (presque) le process aujourd’hui. Les lacunes restantes portent surtout sur le manque de personnalisation et le manque de compréhension des workflows d’ingénierie logicielle propres à chaque entreprise et à chaque ingénieur. Il y a aussi une ligne d’applications où les limites sont réelles — comme le développement matériel et firmware, que je ne commenterai pas faute de connaissance suffisante. Mais sur tous les manques en ingénierie logicielle, c’est là qu’une grande partie des ingénieurs construisent aujourd’hui et combblent ces failles avec des workflows agentiques, des outils, des skills et des extensions.

Dans cet article, je partage mon propre setup, mes expérimentations, ce qui a marché et ce qui n’a pas marché pour moi. Comme dit plus haut, un manque des systèmes actuels c’est le manque de personnalisation — prenez donc tout cela avec des pincettes. Mon setup fonctionne pour moi, peut-être pas pour vous, ou peut-être qu’un autre setup vous convient mieux. L’idée reste d’expérimenter et de trouver ce qui vous convient, puis de construire en conséquence. Je veux surtout souligner quelles idées et quels chemins on peut emprunter quand on cherche à construire quelque chose pour soi.

Le harness

Le harness, c’est le moat. Le harness, c’est le système. Quoi que vous construisiez et quelle que soit l’effort que vous y mettez, tout dépend du harness sur lequel vous l’exécutez. Aujourd’hui il y a des centaines d’options, et les plus populaires plafonnent autour de huit à dix. Claude Code a été un harness marquant, mais depuis, d’autres l’ont amélioré et itéré vraiment bien.

Quand j’ai commencé à utiliser l’IA pour coder, j’étais dans une grande entreprise qui utilisait GitHub Copilot. N’importe quel choix au-delà de Copilot était pour moi une amélioration. Ce n’est pas que Copilot soit mauvais, mais il y avait beaucoup à améliorer — ou en tout cas il y avait à améliorer quand je l’utilisais l’an dernier.

Pi - Le roi du minimalisme

L’agent de code Pi est rapidement devenu l’un des favoris. La raison : il privilégie le minimalisme par rapport aux constructions clé en main, et tout le reste s’ajoute en extension. L’une des meilleures qualités de Pi, c’est qu’il peut s’éditer et s’étendre lui-même à la demande de l’utilisateur. Il a un accès complet à ses propres prompts, à ses propres outils, ainsi qu’une bibliothèque d’extensions qu’il peut construire lui-même. À long terme, cette capacité devient cruciale : les workflows évoluent sans cesse, et le harness doit suivre.

Configurer Pi

Configurer Pi est un exercice amusant parce qu’on travaille essentiellement sur une page blanche. Il ne prend pas nativement en charge les notions de sous-agents, de serveurs MCP ou de plugins. Ce qu’on obtient en revanche, ce sont des extensions. On peut demander à Pi de construire une extension pour lui-même, ou passer par le package manager de Pi, qui permet d’installer des extensions open source. On peut non seulement personnaliser et étendre ses capacités, mais aussi personnaliser le TUI pour le rendre plus adapté à ses workflows.

Voici la liste des extensions que j’utilise :

• pi-mcp-adapter : permet à la boucle de l’agent de se connecter à des serveurs MCP. J’aime garder ça minimal, donc je n’utilise que context7 (documentation à jour des frameworks et librairies) et Pydantic Logfire (débogage plus fluide).
• pi-web-access : c’est une nécessité — l’accès web était l’une des capacités de base qui ont rendu les agents célèbres au départ. Là encore, personnalisez autant que nécessaire, en regardant d’autres options ou en construisant la vôtre.
• graphify-pi : permet à l’agent de générer des graphes de connaissances pour les bases de code et les bases de connaissances, puis de requêter ces graphes. Très utile pour la documentation, la prise en main d’autres bases de code, et la construction d’un coffre-fort personnel.

Il y a aussi de plus petits modules comme raw-paste, usage-extension et files-widget — plutôt simples et adaptés à mon flux. Ceux listés ci-dessus, je les recommande.

Il existe aussi une liste de skills, non spécifiques à Pi, mais qui deviennent très importants au fil du travail. Certaines choses, on les répète : autant en faire un workflow via un skill. Voici quelques-uns de ceux que j’utilise :

• caveman : une idée très simple, un résultat très efficace. En gros, le modèle parle comme un « caveman » et utilise donc moins de tokens (The Office, S8 E2). Dans certains cas, cela peut économiser jusqu’à 65 % de tokens pour les mêmes sorties (selon leur dépôt GitHub).

• herdr : Herdr est un terminal multiplexer comme tmux, mais spécialement conçu pour les agents, et ce skill permet à l’agent Pi de contrôler le terminal. Plus d’infos plus loin dans l’article.
• session-recap : si vous travaillez sur de longues sessions, un récap à la fin de chaque sortie est très pratique — on reste dans la boucle.
• skill-creator : un skill qui apprend à l’agent à créer des skills personnalisés. Pas strictement obligatoire, mais cela aide à garder les skills qu’il crée homogènes et cohérents.
• grill-me : si vous galèrez à maintenir une compréhension de votre projet, c’est le skill parfait. Chaque fois que vous demandez à l’agent de planifier quelque chose, il contre-interroge avec des questions pour que la planification aille en profondeur avec tous les bons détails. C’est l’un des nombreux skills de Matt Pocock, et il vaut le détour pour ses autres contributions.

Pi a aussi accès à son propre system prompt ainsi qu’à ses outils — quelque chose que, au fil de l’eau, vous pourrez personnaliser à tout moment pour adapter vos flux. Pour l’instant je n’ai rien personnalisé ici : j’aime garder la capacité de base minimale et limiter toutes mes customizations aux extensions et aux skills.

La raison pour laquelle j’aime le coding agent PI, c’est que coder avec l’IA — et l’IA en général — a toujours été vendu comme une entité capable de se personnaliser à vous. Jusqu’ici, avec tous les autres harnessings, aussi capables soient-ils, ce n’était pas le cas. Il fallait toujours s’adapter à la façon dont ces agents fonctionnaient. PI s’est avéré être le premier qui pouvait facilement s’adapter à mes workflows et à mon style.

Ça commence presque à sonner comme un post sponsorisé, mais je vous assure que ce n’en est pas un. Pi se distingue aussi par son efficacité en tokens et en coût. Une étude détaillée de Composio a testé plusieurs harness sur le même ensemble de tâches et a trouvé que Pi figurait toujours très haut dans la liste pour la plus faible consommation de tokens ainsi que le plus court temps de complétion.

Abonnements pour les LLMs

Aux côtés des harness, il existe aussi aujourd’hui plusieurs options qui donnent accès à une passerelle vers de nombreux LLMs très capables. Certaines sont spécifiques à un fournisseur — comme Claude Pro/Max, ou l’abonnement Codex Pro/Plus qui donne accès aux modèles OpenAI.

Il y a aussi plusieurs options agnostiques du fournisseur, qui, selon moi, devraient être la préférence principale aujourd’hui. Personnellement j’utilise Opencode Go, qui propose aussi une version Zen. Quelques autres options populaires :

• Ollama Cloud
• Command Code
• Cline

…et bien plus encore.

Encore une fois, ce choix dépend beaucoup de combien vous êtes prêt à payer et de quels modèles fonctionnent le mieux pour vous. Différents modèles réagissent différemment à différents styles : c’est quelque chose qu’il faut expérimenter.

Ce qui fonctionne vraiment bien pour moi aujourd’hui, c’est l’abonnement Opencode Go, considérablement côté abordable (10 $/mois) du spectre, et qui offre un usage très généreux sur les modèles open source. J’utilise beaucoup les nouveaux modèles DeepSeek v4-flash et v4-pro, aux côtés des modèles GLM. Même avec un usage intensif, je n’ai jamais atteint la limite de session (ce qui est aussi attribuable aux autres parties de mon setup, comme les skills et le fait que j’utilise l’agent Pi, très économe en tokens). J’ai aussi l’abonnement Claude Pro (surtout pour le chat et le cowork), que je n’utilise que quand j’ai un travail de raisonnement très lourd à faire.

Opencode propose aussi la version Zen de son abonnement, basée sur des crédits d’usage. Elle donne accès à bien plus de modèles que Go, mais peut devenir vite cher puisqu’elle repose sur la consommation.

Herdr : tmux pour agents

Une de mes priorités cette année a été de basculer vers un setup de code plus centré terminal. Je suis passé de VS Code et Cursor à Neovim. Si vous travaillez dans cet écosystème, vous connaissez bien tmux, un terminal multiplexer : il permet des sessions persistantes de terminaux qui travaillent ensemble en fenêtres et panneaux. Travailler au terminal m’a aussi permis d’utiliser mieux Opencode et Pi, qui fonctionnent principalement via un TUI dans le terminal.

Herdr est un nouveau terminal multiplexer spécialement construit en pensant aux agents. Il facilite les interactions avec les workspaces — qui encapsulent les panneaux et les fenêtres — et permet aussi de mettre en place des git worktrees comme sous-workspaces du workspace principal. Il liste proprement tous les agents actifs et classe ceux qui sont en cours, qui nécessitent une intervention, ou qui ont terminé leur tâche.

Et voilà le meilleur morceau : il est livré avec un skill intégré que les agents de code peuvent utiliser pour contrôler Herdr. C’est la raison principale pour laquelle je n’utilise aucune extension de sous-agents dans Pi. Puisque Pi peut piloter Herdr, il peut lancer d’autres instances de Pi, ou même d’autres agents, pour déléguer certaines tâches. Cela crée une séparation nette des responsabilités. Un agent orchestrateur peut lancer efficacement plusieurs agents dans leurs propres worktrees, et naviguer facilement d’un workspace à l’autre. Aucun sous-agent ne tourne en arrière-plan, ce qui facilite la validation des sorties.

Il y a énormément de potentiel dans ce qu’on peut faire avec Herdr. Je vous recommande d’y jeter un œil et de faire quelques expérimentations vous-même.

La Trinité sainte

Mon setup actuel :

• Pi pour le harness
• Opencode Go pour l’accès aux LLMs
• Herdr pour l’orchestration et les passations

Ce n’est nulle part près d’être parfait, puisque je bidouille encore dessus tous les jours. Mais pour l’instant, cela me donne un bon équilibre entre vitesse d’automatisation et contrôle. Les agents prennent beaucoup plus de responsabilités et travaillent en concurrence, mais je peux toujours valider et corriger le travail.

Comme mentionné plus tôt, c’est ce qui fonctionne pour moi et mon style de travail. Cela ne fonctionnera peut-être pas de la même manière pour vous. J’espère que la leçon que vous retiendrez, c’est que l’expérimentation est le cœur du sujet, et que construire des workflows personnalisés n’a jamais été aussi facile. Amusez-vous bien !