De l'exécutable au livrable : Développement piloté par les tests multi-agents pour la génération d'applications web full-stack à partir des exigences.

Résumé

Les agents de codage peuvent générer des applications web à partir de descriptions en langage naturel, mais une étude comparative récente montre que les applications générées ne satisfont pas aux exigences fonctionnelles dans plus de 70 % des cas. La difficulté centrale réside dans le fait que la correction du web ne peut être évaluée à partir des fichiers sources ou des sorties du terminal : l’application doit être déployée, testée par des interactions simulées dans un navigateur, et les échecs doivent être traduits en signaux de réparation exploitables — des étapes que les agents actuels ne peuvent accomplir sans médiation humaine. Nous présentons TDDev, un cadre qui automatise cette boucle fermée en trois étapes : (1) convertir les exigences de haut niveau en tests d’acceptation structurés avant toute écriture de code, (2) déployer l’application et la valider par simulation d’interactions basée sur le navigateur, et (3) traduire les échecs observés dans le navigateur en rapports de réparation structurés pour l’agent de codage. Grâce à TDDev, nous menons la première étude empirique contrôlée des stratégies de développement piloté par les tests (TDD) pour la génération d’applications web, en comparant quatre protocoles de développement sur deux agents de codage, deux modèles de base et deux référentiels. L’infrastructure TDD améliore systématiquement la qualité de génération de 34 à 48 points de pourcentage par rapport à une base sans TDD. Le résultat central est que le protocole optimal dépend du style de génération du modèle : les modèles qui construisent des applications de manière holistique bénéficient le plus d’une mise en œuvre agentique, tandis que les modèles qui étendent le code de manière conservatrice bénéficient d’une mise en œuvre incrémentale. Une inadéquation entre le protocole et le style de génération annule totalement le bénéfice du TDD tout en multipliant le coût en tokens jusqu’à 25 fois. Une étude utilisateur confirme que TDDev réduit à zéro l’intervention manuelle du développeur, déplaçant la charge de travail de l’ingénierie de prompt continue vers un affinage autonome et piloté par les retours.

English

Coding agents can generate web applications from natural-language descriptions, yet a recent benchmark study shows that generated applications fail to meet functional requirements in over 70% of cases. The core difficulty is that web correctness cannot be assessed from source files or terminal output: the application must be deployed, exercised through simulated browser interactions, and failures must be translated into actionable repair signals -- steps that current agents cannot perform without human mediation. We present TDDev, a framework that automates this closed loop through three stages: (1) converting high-level requirements into structured acceptance tests before any code is written, (2) deploying the application and validating it through browser-based interaction simulation, and (3) translating browser-observed failures into structured repair reports for the coding agent. Enabled by TDDev, we conduct the first controlled empirical study of Test-driven development (TDD) strategies for web application generation, comparing four development protocols across two coding agents, two backbone models, and two benchmarks. TDD infrastructure consistently improves generation quality by 34--48 percentage points over a no-TDD baseline. The central finding is that the optimal protocol depends on the model's generation style: models that build applications holistically benefit most from agentic enforcement, while models that extend code conservatively benefit from incremental enforcement. Mismatching protocol to generation style eliminates the TDD benefit entirely while multiplying token cost up to 25-fold. A user study confirms that TDDev reduces manual developer intervention to zero, shifting the workload from continuous prompt engineering to autonomous, feedback-driven refinement.