Ponytail donne à ton agent la personnalité d'un senior fainéant — et mesure honnêtement ce que ça change

Il y a une personne dans toutes les boîtes : quarante ans, une queue de cheval, des lunettes ovales, et plus d'ancienneté que le système de gestion de versions. Vous lui montrez cinquante lignes, il les regarde, ne dit rien, et les remplace par une.

Ponytail, c'est ce type-là, déposé à l'intérieur de votre agent.1

Le skill pour Claude Code, signé Dietrich Gebert, a pris une ampleur que son créateur n'avait probablement pas anticipée : il a dépassé les 100 000 étoiles en quelques semaines, devient un repo omniprésent dans les classements communautaires, et s'est fait couvrir par InfoQ début août.1 4 5

L'idée en une page

Le fichier installe un agent avec un principe unique : écrire une ligne là où d'autres en écrivent cinquante. En pratique, il pousse le modèle vers YAGNI (tu n'en as pas besoin) et VIM (le plus simple possible qui marche) : pas de librairie quand le navigateur a déjà un champ date, pas de wrapper quand le tag natif suffit.

L'exemple emblématique est celui du date picker : l'agent standard installe flatpickr, écrit un composant, ajoute une feuille de style, ouvre une discussion sur les fuseaux horaires. Avec Ponytail : <input type="date">.1

Le chiffre, ou plutôt les chiffres

Le repo affiche fièrement sa mesure : environ 54 % de code en moins en moyenne, jusqu'à 94 % sur les cas où l'agent surconstruit, environ 20 % moins cher, 27 % plus rapide, et 100 % des tests de sécurité.1

Mais le plus intéressant est dans le détail. La première version du benchmark annonçait 80 à 94 % en figure plate. La note de correction est restée dans le README : contre une baseline agentique équitable, ce chiffre était un plafond par tâche, pas la moyenne.1

La vraie histoire : un benchmark récrit après une critique publique

La partie la plus précieuse du projet n'est pas le skill. C'est le benchmark du 18 juin 2026, récrit en réponse directe à une critique de Colin Eberhardt, ouverte dans l'issue #126 du dépôt.2 3

Sa critique tenait en quatre points : un agent ne travaille pas en un seul passage ; la baseline d'origine était un modèle bavard qui comptait ses commentaires comme des lignes de code ; la discipline « écris moins » pourrait sacrifier la sécurité ; et un simple prompt YAGNI suffirait peut-être à faire le travail d'un skill entier.2

Plutôt que de répondre par un long commentaire, le projet a reconstruit la mesure. Nouvelle méthode : un vrai agent Claude Code en mode headless sur un vrai dépôt open source, douze tickets de fonctionnalités, quatre passages par tâche, et le score calculé sur le git diff réellement laissé derrière, pas sur la longueur d'une réponse.2

Et le mieux reste à venir : pendant ce travail, l'équipe a trouvé un bug de contamination dans ses propres chiffres. Une version précédente montrait un écart de 4 % à peine. Il était faux : le hook de démarrage du plugin se déclenchait aussi sur la baseline. Le défaut a été corrigé, isolé par bras de mesure, et l'histoire racontée en détail dans le rapport — parce que c'est ce genre d'erreur qui fait mentir un benchmark.2

Ce que cela dit sur la façon de mesurer les agents

Le sujet dépasse Ponytail. Deux pratiques méritent d'être retenues.

D'abord, la baseline équitable : comparer un agent avec le skill au même agent, sans le skill, sur les mêmes tickets. Pas à une baseline bavarde artificielle. C'est la différence entre un plafond et une moyenne, et c'est exactement le point que les évaluations publicitaires continuent d'ignorer.2

Ensuite, la critique ouverte comme processus : une issue publique, une réponse par la mesure, un bug de contamination avoué, une méthode reproductible avec un repo épinglé. Cela ressemble à ce que devrait être l'évaluation d'un outil d'IA, et c'est malheureusement encore rare.

Ce qu'il faut retenir

Un fait : un skill de style peut changer la sortie d'un agent de manière chiffrable, et la mesure corrigée documente un plafond à 94 % et une moyenne à 54 %.1 2

Une leçon : l'adhésion autour de Ponytail dit quelque chose sur le moment — beaucoup de développeurs en ont assez que leurs agents écrivent du code en trop. Le geste le plus « senior » reconnu par le marché du moment ressemble donc moins à de l'audace qu'à de la sobriété.

Et une invitation : quand on juge un outil d'agent, lire d'abord la note de correction, pas le badge d'étoiles.