Rubber Duck dans Copilot CLI : Audit de code IA

# Rubber Duck dans GitHub Copilot CLI : Revue de code par un second modèle d'IA

GitHub Copilot CLI a récemment acquis une fonctionnalité expérimentale appelée Rubber Duck. Cet outil connecte un second modèle d'IA pour analyser le plan et le code, minimisant les erreurs du modèle principal. Si l'agent principal utilise Claude Sonnet, la revue est gérée par un modèle de niveau GPT-5.4. Cela aide à détecter les failles architecturales, les bugs logiques et les conflits inter-fichiers avant l'exécution.

Dans les tests, la combinaison Claude Sonnet + Rubber Duck a réduit l'écart d'efficacité avec Claude Opus de 74,7 % sur des tâches complexes. Sur des projets multi-fichiers avec de longues chaînes d'actions, la précision s'est améliorée de 3,8–4,8 %. Rubber Duck s'active automatiquement aux points clés : après la planification, lors d'implémentations complexes, ou avant les tests. L'activation manuelle est possible via une commande.

Quand et comment fonctionne Rubber Duck

L'outil ne scanne pas chaque étape mais se concentre sur les phases critiques du développement :

• Planification : vérification de l'architecture et des séquences d'actions.
• Implémentation : analyse de la logique, des boucles et des écrasements potentiels de données.
• Validation pré-test : détection de bugs cachés, comme l'arrêt prématuré du scheduler.

Exemple d'erreur détectée par Rubber Duck : du code dans une boucle qui écrase silencieusement les données, rompant l'intégrité. La fonctionnalité est disponible via /experimental dans Copilot CLI, lancé en septembre en preview publique.

Les développeurs soulignent que cette architecture à double modèle est particulièrement utile pour les spécialistes de niveau intermédiaire et senior travaillant avec des agents dans le terminal. Copilot CLI supporte déjà la configuration MCP, la mémoire de dépôt et le mode planification depuis la mise à jour de février.

Benchmarks et Scénarios Réels

Les tests ont été menés sur des tâches multi-fichiers avec des dépendances complexes. Résultats :

| Tâche | Modèle de base (Claude Sonnet) | Avec Rubber Duck | Amélioration |

|------------------------|----------------------------|------------------------|-------------------------|

| Chaînes complexes | ~25,3 % de succès | 74,7 % de l'écart vers Opus | +3,8–4,8 % de précision |

| Projets multi-fichiers | Efficacité moyenne | Croissance significative | Réduction de l'écart de 74,7 % |

Rubber Duck détecte les problèmes typiques du développement agentique : conflits d'état, conditions de course implicites et incohérences architecturales. Pour les développeurs seniors, c'est un outil pour des audits rapides sans revues manuelles.

L'intégration avec Copilot CLI rationalise les workflows : les commandes terminal lancent les agents, et Rubber Duck ajoute une couche de vérification. À l'avenir, de tels audits pourraient devenir la norme pour le développement assisté par IA.

Points Clés

• Rubber Duck utilise un second modèle (p. ex., GPT-5.4) pour vérifier Claude Sonnet, réduisant l'écart avec les top modèles de 74,7 %.
• S'active aux points clés : plan, implémentation, tests ; mode manuel via commande.
• Détecte les erreurs architecturales, bugs logiques et conflits inter-fichiers.
• Disponible expérimentalement via /experimental dans Copilot CLI.
• Adapté aux tâches d'agents, mémoire de dépôt et configuration MCP.

— Editorial Team