Skip to main content

Welcome to a Grasp lesson

Create a free account to keep studying and create your own study path.

Lesson 47

Agent de triage de PR : classification automatisée

Recommended resources

Bonjour ! Dans la leçon précédente, vous avez brillamment étendu votre agent "assistant développeur" en lui ajoutant un outil d'analyse de code. Vous avez ainsi découvert la puissance de l'architecture modulaire, où un agent peut raisonner et choisir le bon outil pour la tâche demandée. Nous sommes passés de la génération de code à son analyse critique.

Aujourd'hui, nous allons franchir une nouvelle étape conceptuelle majeure. Nous allons transformer notre agent d'un assistant conversationnel, qui attend vos instructions, en un agent autonome qui réagit aux événements du monde réel. Notre objectif est de construire un "agent de triage de Pull Request (PR)" qui, dès qu'une nouvelle PR est créée sur GitHub, l'analyse et la classifie. C'est votre première incursion dans l'automatisation proactive du cycle de développement, un pilier de votre objectif de devenir un expert en automatisation.

1. D'un agent conversationnel à un agent autonome

La différence fondamentale entre ce que nous avons fait jusqu'à présent et ce que nous allons construire aujourd'hui réside dans le déclencheur (trigger).

  • Agent conversationnel : Déclenché par une interaction humaine directe (un message dans un chat). Il est réactif.
  • Agent autonome : Déclenché par un événement système externe (une nouvelle PR, un déploiement terminé, une erreur dans les logs). Il est proactif.

Le "cerveau" de l'agent, sa capacité à raisonner avec un LLM et à utiliser des outils, reste le même. Ce qui change, c'est son point d'entrée dans le monde. Nous allons maintenant le connecter directement à votre environnement de développement : GitHub.

L'objectif de cet agent de triage est d'effectuer une première passe sur les PRs, en identifiant rapidement celles qui sont prêtes pour une revue humaine et celles qui nécessitent une attention supplémentaire de la part de leur auteur.

Ce schéma illustre parfaitement notre objectif final : un événement sur GitHub (comme la création d'une PR) déclenche un workflow n8n qui, à son tour, effectue des actions en retour sur GitHub, Slack ou par email. Aujourd'hui, nous nous concentrons sur la partie analyse et décision au cœur de n8n.

2. Étape 1 : Déclencher le workflow depuis GitHub

La première étape consiste à créer un pont entre GitHub et n8n. Pour cela, nous utiliserons le nœud GitHub Trigger.

  1. Créez un nouveau workflow dans n8n et nommez-le "Agent de Triage de PR".
  2. Supprimez le nœud Start et ajoutez un nœud GitHub Trigger.
  3. Authentification : Vous devrez connecter votre compte GitHub. Cliquez sur "Create New" dans le champ "Credential". n8n vous guidera à travers le processus d'authentification OAuth. C'est une opération que vous n'aurez à faire qu'une seule fois.
  4. Configuration de l'événement :
    • Dans le champ Events, sélectionnez pull_request.
    • Cela révélera un nouveau champ Actions. Pour notre cas d'usage, cochez opened (lorsqu'une PR est ouverte) et synchronize (lorsqu'un nouveau commit est poussé sur la PR).
    • Dans Repository, entrez le nom de votre dépôt de test au format propriétaire/nom-du-repo (par exemple, votre-username/test-project).
  5. Test du trigger : Une fois configuré, n8n vous fournira une URL de webhook. Copiez-la. Allez dans les paramètres de votre dépôt GitHub (Settings > Webhooks), cliquez sur "Add webhook", collez l'URL dans "Payload URL", et sélectionnez "Let me select individual events". Cochez uniquement "Pull requests". Activez le webhook. Maintenant, ouvrez une nouvelle PR dans votre dépôt. Le trigger dans n8n devrait s'activer et recevoir les données de l'événement.

Vous avez maintenant un workflow qui s'exécute automatiquement à chaque nouvelle PR !


3. Étape 2 : Récupérer le contenu de la PR

Le trigger nous donne des métadonnées sur la PR, mais pour une analyse intelligente, nous avons besoin du plus important : le code modifié. C'est ce qu'on appelle le "diff". Nous allons le récupérer à l'aide du nœud d'action GitHub.

GitHub integrations | Workflow automation with n8n

La page d'intégration GitHub de n8n liste toutes les actions que vous pouvez effectuer. C'est une ressource précieuse pour imaginer de nouvelles automatisations.

Parcourez la liste des actions supportées. Repérez les actions liées aux Pull Requests, notamment Get Pull Requests. Cela vous donnera une idée des informations que nous pouvons extraire.

  1. Ajoutez un nœud GitHub après votre trigger.
  2. L'authentification est déjà configurée, vous pouvez la réutiliser.
  3. Configurez le nœud comme suit :
    • Resource : Pull Request
    • Operation : Get
    • Repository : Entrez à nouveau propriétaire/nom-du-repo.
    • Pull Request Number : Ici, nous allons utiliser une expression pour récupérer dynamiquement le numéro de la PR depuis le trigger. Cliquez sur l'icône "rouages" et sélectionnez Add Expression. L'expression est : {{ $json.pull_request.number }}.
    • Output Data : Changez la valeur par défaut pour Diff. Cela demandera à l'API GitHub de nous retourner le diff du code, qui est exactement ce dont notre IA a besoin.

Exécutez le nœud avec les données d'un test précédent pour vérifier que vous récupérez bien une longue chaîne de caractères représentant les changements de code.


4. Étape 3 : L'agent d'analyse et de classification

C'est le cœur de notre système. Nous allons utiliser un nœud AI Agent pour analyser les informations collectées (titre, description et diff) et produire une classification. L'approche est très similaire à celle de la leçon précédente, mais le prompt sera adapté à cette nouvelle tâche.

Avant de construire, rafraîchissons-nous la mémoire sur la configuration d'un agent.

Créer un agent IA facilement en 10 min - Tutoriel n8n (l'IA t'aide à créer l'agent)

Cette vidéo de Louis Graffeuil est un excellent tutoriel rapide sur la création d'un agent dans n8n.

Regardez comment connecter un modèle (comme OpenAI), comment on peut lui connecter des outils, et surtout, comment modifier son prompt système pour lui donner un rôle et des instructions précises. C'est cette dernière partie que nous allons mettre en pratique.

Maintenant, construisons notre agent :

  1. Ajoutez un nœud AI Agent après le nœud GitHub.
  2. Connectez votre modèle IA (par exemple, OpenAI avec les credentials que vous avez déjà).
  3. Pour cette leçon, nous n'avons pas besoin d'outils externes complexes ; l'analyse se fait directement dans le prompt. Nous n'avons pas non plus besoin de mémoire, car chaque exécution est indépendante.
  4. La partie la plus importante est le System Message. C'est là que nous programmons le comportement de notre agent. Copiez-y le prompt suivant :

Rôle : Tu es un "PR Triage Bot", un assistant expert chargé d'effectuer une première analyse automatisée des Pull Requests sur GitHub.

Tâche : Analyse les détails de la Pull Request fournis (titre, description, et diff du code) pour la classifier.

Règles de Classification :
Tu dois assigner l'un des statuts suivants :

  • READY_FOR_REVIEW: Utilise ce statut si la PR a un titre et une description clairs, et si les changements de code semblent logiques et cohérents avec la description. Le code est propre (pas de code commenté, de TODO ou de logs de debug évidents).
  • NEEDS_WORK: Utilise ce statut si la description est absente ou trop vague, si le titre est non-descriptif (ex: "fix"), ou si le code contient des éléments qui ne devraient pas être là (placeholders, logs, etc.).
  • QUESTIONABLE_CHANGES: Utilise ce statut pour les cas plus ambigus. Par exemple, si les changements de code sont beaucoup plus importants que ce que la description suggère, s'ils touchent des fichiers critiques de manière inattendue, ou si la logique semble potentiellement erronée.

Format de Sortie :
Ta réponse doit être uniquement un objet JSON contenant deux clés :

  • status: Une des trois chaînes de caractères de statut (READY_FOR_REVIEW, NEEDS_WORK, QUESTIONABLE_CHANGES).
  • summary: Une chaîne de caractères contenant une phrase unique et concise expliquant la raison de ta classification.

Instructions finales : Ne retourne rien d'autre que l'objet JSON brut. Pas d'introduction, pas de conclusion.

  1. Dans le champ Input, nous allons agréger toutes les informations nécessaires pour l'agent. Utilisez l'expression suivante pour créer une entrée claire :
Titre de la PR: {{ $('GitHub Trigger').item.json.pull_request.title }}

Description:
{{ $('GitHub Trigger').item.json.pull_request.body || "Aucune description fournie." }}

Diff du code:
{{ $('GitHub').item.text }}
  1. Enfin, dans le nœud AI Agent, sous Options, activez l'option Output as JSON.

Lancez un test de ce nœud. Vous devriez voir en sortie un objet JSON contenant les clés status et summary, comme demandé dans le prompt.

Notre workflow actuel ressemble à une version simplifiée de celui-ci : un trigger GitHub, une requête pour obtenir des détails (HTTP Commit Request dans l'image, notre nœud GitHub dans notre cas), un appel à un modèle OpenAI, et une action en retour (que nous préparerons pour la prochaine leçon).

Conclusion

Félicitations ! Vous avez construit votre premier agent autonome. Ce n'est plus un simple chatbot, mais un véritable assistant automatisé intégré à votre flux de travail de développeur.

Voici les points essentiels de cette leçon :

  • Le passage à l'autonomie : Nous avons remplacé le trigger manuel/chat par un GitHub Trigger, permettant à notre workflow de s'exécuter en réponse à des événements réels sans intervention humaine.
  • La collecte de contexte : Un agent est d'autant plus intelligent que le contexte que vous lui fournissez est riche. Nous avons appris à utiliser un nœud GitHub pour récupérer le "diff" du code, une information cruciale pour l'analyse.
  • La classification par l'IA : En rédigeant un prompt système précis avec des règles de classification claires et un format de sortie JSON strict, nous avons transformé un LLM en un outil de décision fiable.

Pour l'instant, notre agent pense et décide, mais il ne communique pas encore sa décision. Dans la prochaine leçon, nous allons lui donner une voix et des mains : nous utiliserons le statut qu'il a déterminé pour effectuer une action concrète sur GitHub, comme ajouter un label à la Pull Request. Vous bouclerez ainsi votre première véritable boucle d'automatisation CI/CD.