Tu demandes un sélecteur de date à ton assistant de code. Il t'installe une bibliothèque complète, écrit un composant de quarante lignes, ajoute une feuille de style et lance une discussion philosophique sur les fuseaux horaires. Un développeur un peu expérimenté aurait tapé une seule balise, celle que le navigateur propose déjà depuis vingt ans.
C'est exactement le problème que s'attaque à résoudre ponytail, un projet open source devenu l'un des dépôts les plus étoilés de GitHub en quelques semaines : 124 000 étoiles début septembre 2026, une licence MIT, un site en .dev et une promesse qui semble inversée. Rendre ton agent IA fainéant.
Le « senior dev fainéant » en plugin
Le principe tient en une phrase : ponytail impose à ton agent la personnalité du développeur senior fainéant qu'on a tous croisé. Celui qui regarde tes cinquante lignes en silence, puis les remplace par une seule, parce que c'est la seule qui était vraiment nécessaire. Le README résume le personnage : il ne dit rien, il écrit une ligne, ça marche.
Concrètement, ponytail est un « skill », un fichier d'instructions qu'un agent IA lit avant de travailler, doublé d'un petit plugin qui l'injecte automatiquement à chaque session. Rien de plus : pas de modèle à télécharger, pas de service à payer, une centaine de lignes de texte et quelques scripts. Le dépôt tourne avec une vingtaine d'agents de code, de Claude Code à Cursor en passant par Codex, Gemini CLI ou OpenCode, et même des agents personnels comme Hermes. L'écosystème s'est doté d'une vraie économie de compétences partagées, qu'on installe comme des paquets (on décortiquait ce mouvement avec Skills Manager) et que les grands éditeurs courtisent à marche forcée, à l'image des trois modèles pour agents de code que Google a enchaînés en six semaines.
Une échelle à descendre avant d'écrire
Le cœur du skill est une échelle de sept barreaux que l'agent doit descendre avant d'écrire la moindre ligne. Première question : ce code doit-il vraiment exister ? Si personne n'en a besoin aujourd'hui, on ne l'écrit pas. Ensuite, dans l'ordre : réutiliser ce qui existe déjà dans le projet, préférer la bibliothèque standard du langage, puis la fonctionnalité native de la plateforme, puis une dépendance déjà installée, puis la solution en une ligne. Le code n'arrive qu'en dernier recours, et seulement le minimum qui fonctionne.
Schéma explicatif réalisé par la rédaction NumeriBrain d'après la règle des sept barreaux du dépôt officiel. Ce n'est pas une capture du produit.
L'exemple du README fait le tour des réseaux : demander un sélecteur de date déclenche chez un agent classique l'installation d'une bibliothèque externe, un composant d'habillage et une floppée d'options. Avec ponytail, l'agent écrit <input type="date"> et passe à la suite.
Trois niveaux d'intensité permettent de doser la paresse : « lite » se contente de signaler l'alternative plus simple, « full » applique l'échelle à la lettre, « ultra » remet carrément en cause ton cahier des charges. Des commandes dédiées complètent l'ensemble : une revue du code pour chasser la sur-ingénierie dans le diff en cours, un audit du dépôt entier, et un registre des raccourcis assumés, pour que le « plus tard » ne devienne jamais « jamais ».
Le point important : la paresse a une limite étanche. La validation des données, la gestion des erreurs, la sécurité et l'accessibilité sont explicitement retirées de la liste des coupes. L'agent reste fainéant sur la quantité, jamais sur la rigueur.
Les chiffres, y compris les moins flatteurs
Là où beaucoup de skills se contentent de promesses, ponytail publie un benchmark détaillé et reproductible : de vraies sessions d'agent en mode autonome éditant un vrai dépôt open source (un projet FastAPI et React), douze tâches de développement, le résultat mesuré sur le diff git laissé derrière lui. Bilan officiel : 54 % de code en moins en moyenne, 20 % de coût en moins, 27 % de temps gagné, et surtout zéro perte sur la sécurité des programmes produits. Un simple prompt « écris des one-liners » obtenait des gains proches, mais lâchait un garde-fou de sécurité sur le chemin.
Schéma explicatif réalisé par la rédaction NumeriBrain d'après le benchmark officiel du projet (12 tâches, sessions Claude Code réelles sur un dépôt FastAPI et React).
Le projet a même fait preuve d'une honnêteté rare dans le secteur : après une critique méthodologique publiée en juin, l'auteur a admis que ses premiers chiffres étaient gonflés par un biais de mesure, a reconstruit son protocole et publié les résultats corrigés. Le -80 à -94 % initial est devenu -54 % en moyenne, avec un maximum là où l'agent avait vraiment tendance à sur-construire, et presque rien là où le code était déjà minimal.
Des tests indépendants existent aussi, et ils tempèrent l'enthousiasme. L'équipe IA de JetBrains a confronté le skill à 80 tâches de code appariées, même modèle et même environnement avec et sans ponytail. Le gain de code tombe alors à 15 % en moyenne, le coût à 10 %, le temps à 11 %. Des économies réelles, statistiquement solides sur le coût, mais deux à quatre fois plus petites que l'annonce. Leur conclusion est fine : l'effet existe, mais il se concentre sur les tâches où l'agent avait de la marge pour sur-construire.
Autre limite observée : installé comme un simple skill laissé au choix du modèle, ponytail ne s'active presque jamais spontanément (zéro activation sur dix sessions dans le test de JetBrains). Sans le plugin qui force l'injection des règles à chaque session, tu ne mesures donc exactement rien. Et cette injection permanente n'est pas gratuite : elle ajoute du contexte à chaque tour de discussion, un coût que l'équipe a chiffré comme non négligeable.
Un prompt de cent lignes qui bat des frameworks
Le débat le plus intéressant est peut-être ailleurs. Colin Eberhardt, directeur technique du cabinet Scott Logic, a décortiqué le projet dès ses 20 000 premières étoiles et posé la question qui fâche : tout cela ne serait-ce pas simplement le principe YAGNI, « You Aren't Gonna Need It », formulé dans les années 1990 ? Son expérience est cinglante : sur le micro-benchmark d'origine, remplacer ponytail par sept mots, « Follow YAGNI principles, and one-liner solutions », produisait encore moins de code.
La réponse tient moins dans le texte que dans la mécanique d'injection. Un principe que le modèle connaît déjà, il l'oublie dès la deuxième itération, surtout dans un agent qui empile les consignes. Le plugin de ponytail, lui, réinjecte l'échelle à chaque session et dans chaque sous-agent, marque chaque raccourci pris d'un commentaire visible dans le code, et garde la trace des dettes contractées. Ce n'est pas une idée, c'est un rituel outillé. Et un rituel récolte 124 000 étoiles quand tout le monde galère exactement avec ce problème.
Faut-il l'installer ?
Si tu utilises un agent de code au quotidien, la réponse est plutôt oui, d'autant que l'installation tient en deux lignes. Sur Claude Code : une commande pour ajouter le dépôt comme marketplace, une seconde pour installer le plugin. Codex, Gemini CLI, Copilot, OpenCode ou Cursor ont chacun leur équivalent, et il existe même une version pour Hermes et OpenClaw. Le niveau d'intensité se règle ensuite en une commande, du « lite » timide au « ultra » qui conteste ton ticket.
Trois cas de figure doivent quand même te faire réfléchir. Ta base de code est déjà minimaliste ? Le gain sera proche de zéro, avec tout le contexte injecté pour rien. Tes tâches sont vraiment exotiques (algorithme sur mesure, audit de sécurité pointu) ? L'échelle n'a rien à dire, elle cible les sur-constructions standard. Et si ton modèle raisonne longuement, l'économie de code peut être effacée par le surcoût de réflexion, un effet documenté par l'auteur lui-même sur certains modèles.
Reste une leçon plus grande que le projet lui-même. Les modèles de code sur-construisent parce qu'on les récompense implicitement : du volume passe pour du travail. La correction n'a demandé ni nouveau modèle, ni réentraînement, juste cent lignes de texte bien injectées. Le code le moins cher reste celui qu'on n'écrit pas. Il aura fallu un prompt pour le rappeler à des machines qu'on paie justement pour le savoir.
Sources
Le dépôt officiel de ponytail sur GitHub : le README, le benchmark reproductible et les instructions d'installation pour une vingtaine d'agents de code.
Le site officiel du projet, qui résume l'échelle, les modes et les commandes en une page.
Le protocole complet du benchmark agentique, reproductible ligne par ligne, avec ses limites assumées.
Le test indépendant de JetBrains, 80 tâches appariées sur Claude Code, publié fin juillet 2026.
La critique méthodologique de Colin Eberhardt (Scott Logic) et la réaction de l'auteur, qui a ensuite corrigé ses chiffres.
—
Recherche, relecture et illustration assistées par IA. Le contenu reflète le travail éditorial de la rédaction.
No comments yet