Présentation d'AgentRun

AgentRun est une plateforme open‑source sous licence Apache‑2.0 qui s’installe avec Node 24.22.3 ou une version supérieure, sur macOS ou Linux. Elle se place au-dessus d’un harness LLM (Claude Code, Codex, OpenCode ou pi) et fournit un plan de contrôle, une exécution durable et un mécanisme d’apprentissage après chaque run.

Architecture et flux de travail

Chaque exécution est enregistrée dans un répertoire ~/.agentrun et persiste même si le serveur est interrompu. Si Docker est disponible, un conteneur sandbox est créé ; sinon l’agent travaille uniquement avec le système de fichiers. Les runs sont exposés via une console web (port 7340 par défaut) et peuvent être lancés avec 

npx @parcha/agentrun
. Les clés d’API (OpenRouter, Anthropic ou OpenAI) sont centralisées dans les paramètres du serveur, ce qui permet à tous les harness d’utiliser le même modèle.

Le cœur du système repose sur un dossier learning versionné par Git. À la fin de chaque run, l’agent propose des notes, des skills ou des workflows. Un composant de grader valide chaque proposition selon des règles de taille, de nommage ou de sécurité (exclusion de secrets, de caractères invisibles ou de fichiers hors du répertoire). Les éléments acceptés sont git commit‑és sur la branche main, garantissant une traçabilité complète.

Définition et exécution des workflows

Un workflow est un document JSON décrivant des étapes typées : appels d’outils, invocations de modèle, questions rapides avec score de confiance, boucles limitées ou parallélisation. L’exemple suivant illustre un workflow qui récupère la page d’accueil d’un site :

{
  "v": 2,
  "name": "read-site",
  "schemas": {
    "In": {"type": "object", "required": ["website"], "properties": {"website": {"type": "string"}}},
    "Page": {"type": "object", "required": ["ok"], "properties": {"ok": {"type": "boolean"}}}
  },
  "input": {"schemaId": "In"},
  "output": {"schemaId": "Page", "path": "home"},
  "root": {"node": "chain", "steps": [
    {"node": "call", "label": "Read the home page", "via": "tool", "tool": "web_fetch",
     "args": {"url": "{website}"}, "out": "Page", "as": "home", "deadline_s": 60}
  ]}
}

Lorsqu’un workflow est marqué comme learned, il s’exécute comme un outil unique, sous le même plafond de dépenses et les mêmes permissions que l’agent d’origine. Après trois exécutions réussies, le système propose automatiquement une version « draft » qui est testée sans appel de modèle avant d’être intégrée.

Implications pratiques et limites

Le modèle d’apprentissage réduit le nombre de tokens consommés : les tâches récurrentes sont remplacées par des notes ou des skills déjà stockés, évitant la re‑lecture d’API ou de documentation. Cependant, la qualité de l’auto‑amélioration dépend du grader et des règles définies par l’opérateur ; un réglage trop strict peut éliminer des propositions utiles, tandis qu’un réglage trop permissif peut introduire des artefacts non fiables. Le système ne gère pas encore la synchronisation multi‑instance ; chaque serveur possède son propre dépôt Git, ce qui peut compliquer le partage de connaissances entre clusters.

AgentRun peut être déployé en un clic sur Render ou exécuté localement dans un conteneur Docker, offrant ainsi une flexibilité d’infrastructure adaptée aux besoins de prototypage comme de production.