En bref : Cinq outils d'agents IA open source grimpent en flèche sur GitHub en ce moment, et chacun d'entre eux supprime une limite différente de Claude Code, Cursor et Codex : agency-agents donne à votre agent une liste de spécialistes, Agent-Reach lui donne un accès à Internet, Orca exécute plusieurs agents en parallèle dans des worktrees, OpenMontage le transforme en studio vidéo, et codebase-memory-mcp réduit les tokens qu'il consomme en relisant votre dépôt. Aucun d'entre eux ne corrige les deux choses qui font échouer le travail des agents à grande échelle : la surface API que l'agent devine, et l'absence d'enregistrement de ce que les agents ont réellement fait.
Les nombres d'étoiles ci-dessous proviennent de l'API GitHub le 1er septembre 2026. Ils évoluent rapidement.
Votre agent de codage est capable mais mal équipé. Il écrit un service en dix minutes, puis passe une heure à tâtonner dans votre dépôt parce qu'il ne se souvient pas de ce qu'il a lu la veille, ne peut rien chercher sur le web ouvert et ne peut pas exécuter deux tâches en même temps sans se gêner. La communauté open source a passé 2026 à attaquer exactement ces limites, et une poignée de dépôts ont dépassé les 40 000 étoiles en le faisant.
Voici une présentation des cinq qui comptent, de ce que chacun d'eux fait réellement une fois installé, et de l'endroit où chacun d'eux s'arrête. En chemin, une observation honnête : chaque outil ici permet à votre agent de faire plus, et aucun d'entre eux ne rend les résultats vérifiables. Si votre agent appelle des API, vous avez toujours besoin d'une couche déterministe qui indique si la réponse était correcte, ce qui est la place de Apidog dans la pile. Plus d'informations à ce sujet après la présentation.
Pourquoi la couche d'outils d'agents a explosé cette année
Les agents de base ont convergé. Claude Code, Codex, Cursor et OpenCode lisent tous un dépôt, éditent des fichiers, exécutent des commandes et appellent des serveurs MCP. Une fois que la boucle centrale a cessé d'être le facteur de différenciation, le travail intéressant s'est déplacé d'un niveau, vers les choses que vous ajoutez à l'agent.
Cette couche est peu coûteuse à construire et à distribuer. Un persona d'agent est un fichier markdown. Un outil est un wrapper CLI. Un système de mémoire est un serveur MCP. Vous n'avez pas besoin d'un accès au modèle ou d'un budget GPU pour livrer quoi que ce soit, c'est pourquoi le classement ressemble maintenant à une liste d'accessoires plutôt qu'à une liste de modèles.
C'est aussi pourquoi la qualité varie énormément. Un dépôt avec 50 000 étoiles peut être un binaire C réellement rapide ou il peut s'agir de 300 modèles de prompts dans un dossier. Les deux figurent sur cette liste. La différence compte, donc chaque entrée ci-dessous indique ce que vous installez réellement.
1. agency-agents : plus de 300 agents spécialistes en une seule commande d'installation
149 312 étoiles. Licence MIT. Shell. Démarré en octobre 2025.
agency-agents est la plus grande collection organisée de personas d'agents sur GitHub. En comptant les fichiers markdown dans l'arborescence du dépôt, il fournit plus de 300 définitions d'agents réparties dans environ 20 catégories de dossiers : 59 en ingénierie, 58 dans un seau spécialisé fourre-tout, 36 en marketing, puis développement de jeux, intégrations, stratégie, SIG, sécurité, conception, ventes, tests, finance, santé, et plus encore.
Chaque agent est un fichier markdown avec une identité, un processus de travail, des livrables et des critères de succès. Pas un prompt système d'une seule ligne. Le script d'installation les convertit pour l'outil que vous utilisez :
# cloner, puis installer tous les agents dans Claude Code
./scripts/install.sh --tool claude-code
# ou choisissez votre outil et seulement les divisions que vous souhaitez
./scripts/install.sh --tool cursor --division engineering,security
./scripts/install.sh --tool codex
./scripts/install.sh --tool opencode
Les cibles prises en charge incluent Claude Code, Cursor, Codex, Gemini CLI, OpenCode, Copilot, Windsurf, Aider, Kimi Code et plusieurs autres. Il existe également une application de bureau native sur agencyagents.app pour macOS, Linux et Windows qui parcourt la liste et installe en un clic, ainsi qu'un cask Homebrew.
Ce que cela corrige : le problème de la page blanche. Un agent générique invité à examiner votre flux d'authentification vous donne des conseils génériques. Le même agent chargé d'un persona de relecteur de sécurité a une liste de contrôle, un modèle de menace et un format de sortie.
Le piège : ce sont des prompts, pas des capacités. Un persona change la façon dont le modèle cadre une tâche ; il ne donne pas au modèle des informations qui lui manquent. Le dépôt est également honnête sur une vraie limite à connaître avant d'installer tout en une seule fois : le runtime d'OpenCode n'enregistre qu'environ 119 agents et ignore silencieusement les autres, alors installez par division plutôt qu'en bloc sur cet outil. Traitez la liste comme une bibliothèque de départ que vous éditez, pas comme une équipe terminée.
Guide complet : agency-agents : plus de 300 spécialistes de l'IA pour Claude Code et Cursor
2. Agent-Reach : accès à internet sans payer les API de plateforme
77 134 étoiles. Licence MIT. Python. Démarré en février 2026.
Demandez à votre agent ce que les gens disent d'une bibliothèque sur X, et il échoue. Demandez-lui de résumer un tutoriel YouTube, et il échoue. La densité d'informations sur les plateformes sociales est élevée, et la tarification des API sur ces plateformes est hostile.
Agent-Reach est une interface de ligne de commande unique qui connecte votre agent à ces plateformes en utilisant des chemins d'accès gratuits au lieu d'API payantes. Il couvre Twitter/X, Reddit, YouTube, GitHub, Facebook, Instagram, Bilibili, XiaoHongShu, la transcription de podcasts et la recherche web générale. L'effort de configuration varie selon la plateforme : GitHub fonctionne sans aucune configuration via le CLI gh, la recherche web se configure automatiquement via Exa, X et XiaoHongShu nécessitent un cookie de navigateur ou une session Chrome existante.
La décision de conception qui le rend durable est la chaîne de secours. Chaque plateforme passe par un backend principal avec une liste d'alternatives. Lorsqu'un chemin d'accès tombe en panne, le projet change la valeur par défaut et vous n'avez jamais à toucher à votre configuration. Leur propre exemple : Bilibili a commencé à renvoyer des 412 à yt-dlp en juin 2026, ils sont donc passés à un autre client, et les utilisateurs n'ont rien eu à faire.
Ce que cela corrige : la recherche. Votre agent cesse de répondre à partir d'une date de coupure d'entraînement et commence à lire ce qui a été publié cette semaine.
Le piège : les chemins d'accès gratuits sont gratuits parce qu'ils ne sont pas officiels. La lecture basée sur les cookies d'un compte connecté est une zone grise sur la plupart de ces plateformes, et vous devriez lire les conditions des comptes que vous connectez avant de pointer cela vers quoi que ce soit de commercial. Prévoyez également des fenêtres de maintenance. Une chaîne de secours réduit les ruptures ; elle ne les élimine pas.
Guide complet : Agent-Reach : accès internet pour votre agent sans payer d'API
3. Orca : plusieurs agents en parallèle, chacun dans son propre worktree
58 464 étoiles. Licence MIT. TypeScript. Démarré en mars 2026.
Orca, de Stably, est une application de bureau pour exécuter une flotte d'agents de codage à la fois. Elle pilote Codex, Claude Code, OpenCode et Pi via vos abonnements existants plutôt que de vous revendre des tokens, et elle fonctionne sur macOS, Windows et Linux.
La caractéristique principale est les worktrees git parallèles. Vous diffusez une invite sur plusieurs agents, chacun obtient un worktree isolé, et vous comparez les différences et fusionnez celui qui a fonctionné. C'est le modèle le plus utile pour un problème difficile où vous ne pouvez pas prédire quelle approche fonctionnera, et le faire manuellement sur cinq onglets de terminal est pénible.
Autour de cela, Orca ajoute des divisions de terminal avec rendu WebGL et défilement qui survit aux redémarrages, la navigation GitHub et Linear intégrée à l'application pour que vous puissiez ouvrir un worktree directement depuis un problème, un mode Design qui envoie le HTML, le CSS d'un élément et une capture d'écran recadrée d'une vraie fenêtre Chromium dans le prompt de l'agent, et une application compagnon mobile sur iOS et Android qui vous avertit lorsqu'une exécution est terminée afin que vous puissiez envoyer un suivi depuis votre téléphone.
Ce que cela corrige : le problème de la sérialisation. Un agent dans un terminal est une unité de débit, et votre attention est le goulot d'étranglement.
Le piège : c'est un outil mono-machine, mono-opérateur. Tout vit sur votre ordinateur portable, et l'enregistrement de ce qui s'est passé vit dans votre historique de défilement. C'est bien en solo et maladroit dès qu'une deuxième personne a besoin de savoir ce que l'un de ces agents a fait. Gardez cela à l'esprit.
Guide complet : Orca : worktrees parallèles pour Codex, Claude Code et OpenCode
4. OpenMontage : votre agent de codage comme studio de production vidéo
55 047 étoiles. AGPL-3.0. Python. Démarré en mars 2026.
OpenMontage est l'entrée la plus étrange ici et la plus amusante. Il transforme un assistant de codage en un système de production vidéo agentique : 12 pipelines de production, plus de 100 outils, et plus de 700 fichiers de compétences et de connaissances de production qui enseignent à l'agent comment réaliser, scénariser, générer des actifs, éditer et rendre.
La partie qui le distingue de tout wrapper « vidéo IA » est qu'il peut créer de véritables séquences animées. Au lieu de simplement animer une poignée d'images fixes, l'agent assemble un corpus à partir d'archives gratuites et ouvertes, récupère des clips réels, les découpe dans une chronologie et rend le résultat. Il compose via Remotion et ffmpeg, et se connecte à des fournisseurs comme ElevenLabs et Google TTS pour la voix.
Ce que cela corrige : l'écart entre un livrable écrit et un livrable regardable. Les notes de version, les journaux de modifications et les documents sont des contenus que votre agent produit déjà. Cela les transforme en vidéo sans équipe séparée.
Le piège : lisez la licence avant de bâtir une entreprise dessus. OpenMontage est sous licence AGPL-3.0, et non MIT comme le reste de cette liste. Si vous exécutez une version modifiée en tant que service réseau, la clause réseau de l'AGPL vous oblige à offrir cette source. C'est un choix délibéré des mainteneurs et un bon choix ; c'est aussi une question juridique pour votre entreprise, pas un détail à survoler.
Guide complet : OpenMontage : transformez votre agent de codage en studio vidéo
5. codebase-memory-mcp : arrêtez de relire le dépôt à chaque question
41 536 étoiles. Licence MIT. Écrit en C. Démarré en février 2026.
C'est celui que j'installerais en premier, et le moins tape-à-l'œil.
Chaque fois que votre agent doit répondre à une question structurelle, où cette fonction est-elle appelée, quelles routes atteignent ce gestionnaire, qu'est-ce qui casse si je change cette signature, il cherche et lit pour trouver une réponse. Cela fonctionne et coûte une fortune en tokens. Lors d'une longue session, c'est aussi la raison pour laquelle vous atteignez votre limite d'utilisation avant le déjeuner.
codebase-memory-mcp indexe votre dépôt dans un graphe de connaissances persistant des fonctions, classes, chaînes d'appels, routes HTTP et liens inter-services, puis répond à ces questions à partir du graphe. L'analyse syntaxique passe par tree-sitter sur plus de 160 langages, avec une résolution de type sémantique ajoutée pour une douzaine des plus importants, y compris Python, TypeScript, Go, Java, Rust, C# et C++.
Les chiffres publiés par le projet sont la raison de sa présence sur cette liste. Cinq requêtes structurelles coûtent environ 3 400 tokens via le graphe contre environ 412 000 tokens via l'exploration fichier par fichier, soit une réduction de 99,2 %. L'indexation du noyau Linux, 28 millions de lignes sur 75 000 fichiers, prend trois minutes. Les requêtes structurelles sont renvoyées en moins d'une milliseconde. La conception et les benchmarks sont décrits dans un pré-publication arXiv qui rapporte une qualité de réponse de 83 %, 10 fois moins de tokens et 2,1 fois moins d'appels d'outils sur 31 dépôts réels.
Il est livré sous forme de binaire natif unique sans runtime de langage, sans service hébergé et sans clé API, expose 15 outils MCP et s'exécute entièrement sur votre machine. Il existe un visualiseur de graphe 3D à l'adresse localhost:9749 si vous voulez voir ce qu'il a construit.
Ce que cela corrige : la facture de tokens, et la baisse de qualité qui résulte d'un agent remplissant son contexte avec le contenu des fichiers au lieu du raisonnement.
Le piège : le point honnête, que le projet indique dans son propre README, est que cet outil lit votre base de code et écrit dans les fichiers de configuration de votre agent. C'est son travail, et c'est aussi une chose raisonnable à vérifier avant de l'exécuter. La source est ouverte, les versions sont scannées et empaquetées de manière reproductible, et rien ne quitte votre machine. Vérifiez cela par vous-même plutôt que de considérer un nombre d'étoiles comme un audit de sécurité.
Guide complet : codebase-memory-mcp : réduisez de 99 % la facture de tokens de votre agent
Ce que ces cinq outils ont en commun
Alignez-les et le modèle est évident. Chacun d'eux étend ce que l'agent peut faire :
| Outil | Ajoute | Étoiles | Licence |
|---|---|---|---|
| agency-agents | Cadrage des rôles et des processus | 149.3K | MIT |
| Agent-Reach | Lecture d'Internet en direct | 77.1K | MIT |
| Orca | Exécution parallèle dans les worktrees | 58.5K | MIT |
| OpenMontage | Production vidéo | 55.0K | AGPL-3.0 |
| codebase-memory-mcp | Rappel structurel économique | 41.5K | MIT |
Aucun d'entre eux n'étend ce que vous pouvez vérifier. Donnez à un agent 300 personas, un accès web en direct, cinq worktrees parallèles et un rappel parfait de votre dépôt, et vous avez une entité qui produit cinq fois plus de travail par heure avec exactement le même niveau de confiance qu'avant, c'est-à-dire aucun sur lequel un réviseur peut agir.
Deux lacunes spécifiques restent ouvertes, et toutes deux s'aggravent à mesure que vous installez davantage de ces éléments.
Lacune 1 : la surface API que votre agent continue de deviner
Demandez à l'un de ces outils à quoi ressemble la forme de réponse de votre point d'accès de facturation interne, et la réponse honnête est qu'ils l'infèrent. codebase-memory-mcp sait quel gestionnaire sert une route parce qu'il a analysé votre code. Il ne sait pas que le gestionnaire renvoie un 409 avec une enveloppe d'erreur différente lorsque la clé d'idempotence se répète, à moins que quelqu'un ne l'ait écrit quelque part où l'agent peut le lire.
Ainsi, l'agent écrit un client qui semble correct et gère la forme qu'il a imaginée. Les tests qu'il écrit passent contre le mock qu'il a également imaginé. Tout est vert jusqu'à ce qu'il atteigne votre environnement de staging réel. Nous avons décrit comment cette défaillance se manifeste spécifiquement lorsque la forme en amont change sous un agent fonctionnel dans ce qui se passe lorsque les changements d'API cassent les agents IA, et pourquoi les charges utiles de réponse consomment le contexte de l'agent dans les fenêtres de contexte de réponse d'outils d'agent.
La solution n'est pas un agent plus intelligent. C'est une spécification que l'agent lit au lieu de deviner, plus un mock et une suite de tests qui échouent bruyamment lorsque la réalité diverge. C'est à cela que sert Apidog dans cette pile :
- La spécification OpenAPI est la source de vérité. Concevez le point d'accès une seule fois, et l'agent lit le vrai schéma, les vrais codes d'état et les vraies enveloppes d'erreur au lieu de les reconstruire à partir des sites d'appel. Le raisonnement derrière ce modèle se trouve dans utiliser votre spécification OpenAPI comme outils d'agent.
- Les mocks proviennent de la spécification, pas de l'imagination de l'agent. Les mocks intelligents génèrent des réponses qui correspondent au schéma, y compris les branches d'erreur que votre agent n'aurait jamais imaginé falsifier.
- Les tests sont déterministes. Les assertions s'exécutent en CI et échouent en cas de changement de forme. La confiance de l'agent n'est pas une preuve ; un test rouge l'est.
- Les schémas d'outils restent propres. Si vous exposez votre API à un agent, la façon dont vous définissez ces définitions détermine si l'agent les appelle correctement. Voir concevoir des schémas d'outils API pour les agents.
Rien de tout cela ne rivalise avec les cinq dépôts ci-dessus. Cela se situe en dessous d'eux. codebase-memory-mcp indique à l'agent où se trouve le code ; Apidog lui indique quel est le contrat et si le résultat correspond. Si vous voulez l'argument plus long expliquant pourquoi un outil API survit à l'ère des agents plutôt que d'être remplacé par eux, c'est ici. Téléchargez Apidog si vous voulez intégrer la spécification dans le contexte de votre agent et arrêter de payer pour des formes de réponse hallucinées.
Lacune 2 : personne ne peut voir ce que les agents ont fait
La deuxième lacune apparaît dès qu'il y a plus d'une personne.
Orca résout le parallélisme magnifiquement pour un seul opérateur sur une seule machine. Cinq worktrees, cinq agents, une personne qui observe. Maintenant, mettez cette personne dans un avion. Qu'a changé l'agent trois et pourquoi ? La réponse se trouve dans l'historique de défilement d'un terminal sur un ordinateur portable dans un compartiment de rangement supérieur. L'invite était le seul enregistrement, et les invites ne sont pas un enregistrement.
C'est cette lacune que Sharkly comble. C'est un système de gestion du travail pour les personnes et les agents, où la tâche plutôt que l'invite est l'enregistrement partagé.
Le modèle est suffisamment proche d'un outil de suivi de projet pour qu'une équipe le comprenne déjà, et différent aux endroits qui comptent pour le travail des agents :
- Vous assignez une tâche à un Agent de la même manière que vous l'assignez à un coéquipier. Un Agent est une configuration sauvegardée : instructions, runtime, compétences, dépôts, environnement. Une configuration de travail que vous avez ajustée une fois est réutilisée au lieu d'être retapée dans un nouveau terminal chaque matin.
- Une Équipe est un agent leader plus d'autres agents et des personnes. Les équipes fonctionnent avec un leader en premier. Le leader lit le contexte de la tâche, décide quels membres intégrer et combine leurs résultats en un seul endroit, au lieu que chaque agent ne démarre en même temps et ne se précipite.
- L'exécution est BYO (Bring Your Own). Vous connectez un Ordinateur, qui peut être votre ordinateur portable, un serveur ou un conteneur, et Sharkly utilise le Runtime déjà installé sur cette machine. L'utilisation du modèle passe par les abonnements et les clés API que vous payez déjà, exactement comme l'approche d'Orca, donc rien ici ne vous revend des tokens.
- Le travail de dépôt s'exécute dans un worktree séparé par tâche. Même astuce d'isolation qui rend les agents parallèles sûrs, appliquée au niveau de la tâche plutôt qu'au niveau du terminal.
- "Backlog" signifie "backlog". Une tâche en attente ne démarre pas une exécution. Vous préparez le travail avant toute exécution, ce qui est le point de contrôle qui manque à la plupart des configurations d'agents.
- Le résultat arrive là où un humain peut l'examiner. La progression, les appels d'outils et les résultats sont transmis à la tâche, et la sortie de l'agent est stockée sous forme de commentaires auxquels vous pouvez répondre. La structure provient des espaces, projets, sprints et tâches, avec une synchronisation Jira pour les équipes qui y vivent déjà.
La différence pratique : examiner trois tâches terminées dans une boîte de réception vaut mieux que de regarder trois terminaux. Si un coéquipier demande ce que les agents ont livré ce sprint, il y a une réponse qui n'est pas un enregistrement d'écran. Cela s'associe à tout ce qui précède plutôt que de le remplacer, et cela s'associe particulièrement bien avec Orca, qui est la version mono-opérateur de la même idée.
Une pile qui tient la route
Si vous installez les cinq dépôts lundi, vous aurez un désordre mercredi. Un ordre plus sain, basé sur ce que chacun rapporte réellement :
- codebase-memory-mcp en premier. Il réduit les coûts et améliore immédiatement la qualité des réponses, sur chaque projet, sans changement de flux de travail. Meilleur ratio sur cette liste.
- Agent-Reach en deuxième, si vous faites de la recherche. Commencez par les plateformes sans configuration, GitHub et la recherche web, avant de vous approcher de l'accès basé sur les cookies.
- agency-agents en troisième, par division. Installez l'ingénierie et tout ce que vous utilisez réellement. N'installez pas 300 personas et n'espérez pas. Modifiez-en deux ou trois pour qu'ils correspondent à la façon dont votre équipe travaille.
- Orca lorsque vous êtes le goulot d'étranglement. Dès que vous attendez les agents plus qu'ils ne vous attendent, les worktrees parallèles sont rentables.
- Sharkly lorsqu'une deuxième personne a besoin de visibilité. En solo, Orca suffit. En équipe, l'enregistrement durable des tâches est la chose que vous ne pouvez pas simuler avec l'historique de défilement.
- Apidog en dessous de tout cela, si les agents touchent vos API. La spécification, le mock et la suite de tests sont ce qui transforme la sortie de l'agent en quelque chose que vous pouvez fusionner sans lire chaque ligne. Lecture connexe : fiabilité des agents IA en production et traçage des appels d'outils d'agent.
OpenMontage se situe en dehors de cette échelle. Installez-le lorsque vous avez une vidéo à créer, et non dans le cadre d'une configuration par défaut.
FAQ
Ces nombres d'étoiles sont-ils réels ? Ce sont les données renvoyées par l'API GitHub le 1er septembre 2026. Les cinq dépôts sont publics, activement mis à jour au cours des deux dernières semaines et contiennent du code réel plutôt que des READMEs de substitution. Les nombres d'étoiles sur les outils d'agent gonflent rapidement via les publications d'agrégateurs, alors considérez-les comme une popularité, pas une qualité. L'historique des commits et le suivi des problèmes en disent plus.
Fonctionnent-ils avec Cursor et Codex, ou seulement Claude Code ? Les cinq prennent en charge plusieurs agents. agency-agents fournit des cibles d'installation pour une douzaine d'outils. codebase-memory-mcp est un serveur MCP, donc tout ce qui parle le Model Context Protocol peut l'utiliser, et le projet répertorie 45 surfaces clientes. Orca exécute explicitement Codex, Claude Code, OpenCode et Pi côte à côte. Si vous hésitez entre les clients d'agent, notre comparaison du travail API dans Cursor et Copilot couvre les compromis, et Codex en mode OSS couvre l'exécution de modèles ouverts.
Lequel économise le plus d'argent ? codebase-memory-mcp, de loin, et ce n'est pas près. La mesure publiée est de 3 400 tokens contre 412 000 pour les cinq mêmes requêtes structurelles. Si vous atteignez les limites d'utilisation lors de longues sessions, c'est là que vont les tokens.
Est-il sûr d'installer un serveur MCP qui modifie la configuration de mon agent ? Traitez-le comme n'importe quelle dépendance ayant accès au système de fichiers. Lisez le code source, vérifiez la signature des versions et préférez les outils qui s'exécutent localement à ceux qui communiquent avec l'extérieur. codebase-memory-mcp documente son processus de publication et traite tout sur votre machine, ce qui est la bonne forme. Un grand nombre d'étoiles n'est pas un audit. Le même jugement s'applique aux autorisations d'agent en général, que nous avons abordées dans les garde-fous des agents IA.
Ai-je encore besoin d'un client API si mon agent écrit toutes les requêtes ? Oui, et plus qu'avant, car le volume d'appels API nécessitant une vérification a augmenté plutôt que diminué. L'agent génère ; quelque chose de déterministe doit vérifier. C'est tout l'argument de avez-vous encore besoin d'un outil API à l'ère des agents IA.
En résumé
La vague d'outils d'agent de 2026 est réelle et mérite d'être adoptée. Les personas donnent un cadre à votre agent, Agent-Reach lui donne des yeux, Orca lui donne le parallélisme, OpenMontage lui donne un nouveau format de sortie, et codebase-memory-mcp lui donne une mémoire qui ne coûte pas 412 000 tokens par question.
Ce qu'aucun d'entre eux ne vous donne, c'est la preuve. Plus de résultats avec le même niveau de confiance n'est pas manifestement un progrès, et les deux endroits où cela se manifeste en premier sont le contrat API que votre agent a inventé et l'historique de travail qui n'existe que dans le terminal de quelqu'un. Sharkly couvre le second en faisant de la tâche l'enregistrement partagé au lieu du prompt. Apidog couvre le premier en faisant de la spécification, du mock et de la suite de tests la chose que votre agent lit et à laquelle il répond.
Installez les outils. Puis rendez la sortie vérifiable.