L’ingénierie de boucle (Loop Engineering) désigne la conception même de la boucle « réflexion-action » des agents IA : la gestion du contexte, le choix du modèle, la compression des résultats d’observation et les conditions d’arrêt de la boucle relèvent tous de son périmètre.

Le terme d’ingénierie de boucle s’est progressivement popularisé dans la communauté en 2026. Kumar et Pandey en ont proposé une définition systématique dans l’article TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents, accompagnée d’une analyse quantitative basée sur 600 trajectoires publiques d’agents de programmation.

La découverte centrale de l’ingénierie de boucle est que « le nombre de tours est plus important que les observations » : la médiane d’une observation individuelle ne compte que 118 à 286 tokens, et les longs journaux de compilation, souvent compressés, n’apparaissent qu’au 99e percentile ; 98,6 % des tokens d’entrée atteignent le cache de préfixe, ce qui signifie qu’une « facturation linéaire par token » surestime en moyenne le coût de la boucle d’environ sept fois. Plus crucialement, le nombre de tours explique 84 % de la variance logarithmique du coût des trajectoires, tandis que la taille moyenne des observations n’en explique que 4 % — les trajectoires les plus coûteuses sont généralement celles qui comportent le plus de tours, et non celles dont les observations sont les plus longues.

L’intérêt de l’ingénierie de boucle est de déplacer la question de l’efficacité des agents de « la rapidité du modèle » vers « la qualité de la conception de la boucle ». L’optimisation doit prioritairement viser la réduction des « tours inutiles », plutôt que de se focaliser uniquement sur la longueur des sorties individuelles ; cela indique également qu’un modèle de coût conscient du cache est plus proche des coûts réels.