Spring IVE 1.5 — discuter dans Slack avec un agent qui connaît le contexte du code, gérer l’historique du vibe coding, suivre les coûts humains + IA

Nous avons lancé la version 1.5 de Spring IVE, un tableau de bord web qui détecte automatiquement les issues GitLab/GitHub, fait écrire le code par des agents CLI d’IA comme Claude, Gemini, Codex ou OpenCode, puis va jusqu’à créer la MR/PR. Voici les nouvelles fonctionnalités ajoutées cette fois-ci.

Intégration Slack — discuter avec un agent qui connaît le contexte du code

Vous pouvez discuter directement avec l’agent IVE via une mention. L’essentiel, c’est que le bot clone le dépôt du projet concerné et connaît donc tel quel le contexte du code.
Si vous demandez dans Slack « Où cette fonctionnalité est-elle gérée ? », « Comment fonctionne cette API ? » ou « Pourquoi cela a-t-il été implémenté ainsi ? », il répond en s’appuyant sur le code réel. On peut l’utiliser comme un « centre d’appels » interne qui explique l’implémentation et guide sur les fonctionnalités.
Les DM de notification pour les transitions d’étape sont également pris en charge, de en attente de vérification → vérificateur, en attente de confirmation → confirmeur, terminé → créateur (en multilingue selon la langue de l’utilisateur mentionné).

Gestion de l’historique de travail en vibe coding

IVE détecte aussi automatiquement les travaux réalisés localement directement avec des outils de vibe coding comme Claude Code et les conserve dans l’historique. Cela regroupe en un seul endroit non seulement les tâches d’agent exécutées dans IVE, mais aussi ce que les développeurs ont traité en vibe coding.
Les développeurs peuvent ainsi gérer de manière structurée, sans dispersion, « quand, quoi, avec quel outil et dans quelle mesure » ils ont travaillé. Sans avoir à tout consigner manuellement, l’historique de travail, les tokens et les coûts sont automatiquement organisés, ce qui permet de les réutiliser tels quels pour les rétrospectives ou les rapports d’activité.

Prise en charge unifiée des entrées image

L’agent analyse les images jointes au chat web, aux mentions Slack et au corps/commentaires des issues.
Un bug report envoyé sous forme de capture d’écran peut être traité immédiatement.

Rapports — analyse des coûts plus riche et plus précise

Le modèle de coûts a été renforcé afin de calculer comme coût de revient non seulement le coût en tokens des agents, mais aussi le temps humain réellement consacré à la vérification et au développement.

• Prise en compte différenciée des coûts de main-d’œuvre via un multiplicateur tarifaire par utilisateur (rate_multiplier)
• Devise d’affichage et conversion de taux de change — consultation directe en won coréen (KRW), etc.
• Barre de répartition cumulative par proportion pour visualiser « où les coûts s’accumulent »
  Les coûts engagés conjointement par les humains et l’IA sont saisis avec précision sur un seul écran.

Flux de fonctionnement

1. Connecter un projet GitLab/GitHub et définir un label cible (par ex. IVE)
2. Le scanner interroge les issues — lorsqu’il détecte une issue avec ce label, il l’inscrit dans la file d’exécution
3. L’agent IA assigné clone le dépôt et exécute des CLI comme claude / gemini
4. Une fois le travail terminé, création de la MR/PR et notification dans Slack du commentaire d’issue et de la transition d’étape

Prochaine étape (roadmap 2.0)

Nous allons renforcer les fonctions de gestion de projet via l’intégration avec Linear. En y ajoutant la gestion du planning et de l’avancement, y compris la WBS (structure de découpage du travail), nous prévoyons de couvrir en un seul endroit l’ensemble allant du traitement automatique des issues à la planification et au suivi de projet.

Stack technique

Next.js 16 (App Router), React 19, Tailwind CSS 4, xterm.js /
serveur custom Node.js (node-pty, WebSocket) / SQLite(better-sqlite3) /
agents pris en charge : Claude Code, Gemini CLI, Codex, OpenCode

Confiez les issues les plus répétitives aux agents, et laissez l’équipe se concentrer sur la validation et la prise de décision.
Désormais, tout ce flux fonctionne dans Slack, avec un agent qui connaît le contexte du code et peut expliquer l’implémentation comme les fonctionnalités, tout en assurant un suivi précis des coûts engagés conjointement par les humains et l’IA.