maîtriser
Maîtriser · la fiabilité avant tout
Du code produit avec l’IA, fiable et à vous
L’IA écrit vite, et se trompe avec assurance. Ce qui compte pour vous, c’est un résultat qui marche encore dans un an. Voici comment je m’en assure.
La méthode
AI-Driven Development
Ma façon de travailler a un nom : l’AI-Driven Development, une méthode partagée par des développeurs qui travaillent avec l’IA. L’IA accélère la production ; l’architecture, les décisions et la responsabilité du résultat restent humaines.
Sa force : une méthode assez solide pour qu’on puisse lui faire confiance, sans relire chaque ligne à la main. C’est ce qui sépare une démonstration bluffante d’une solution sur laquelle vous pouvez bâtir votre activité.
// manifeste ai-driven development
Signataire #12
Douzième signataire du manifeste, qui engage à orchestrer l’IA sans lui déléguer la responsabilité du résultat.
La différence
Du code généré n’est pas du code livré
Deux façons d’utiliser les mêmes outils, deux résultats très différents six mois plus tard.
brut
Code IA livré tel quel
- Il marche à la démonstration
- Personne ne sait vraiment comment
- Aucun test : chaque modification est un pari
- Les failles passent inaperçues
- Le reprendre coûte plus cher que le refaire
encadré
Code IA encadré par une méthode
- Il marche, et on sait pourquoi
- Il a suivi un plan, étape par étape
- Des tests protègent ce qui fonctionne
- La sécurité est vérifiée avant livraison
- N’importe quel développeur peut le reprendre
Ma contribution
Comment j’étends le framework, concrètement
Le cadre AIDD pose les principes ; je l’ai fait mien avec mes propres extensions, réunies dans une marketplace de plugins Claude Code publiée sur GitHub sous licence MIT.
Overcode
Le socle transversal de ma marketplace de plugins Claude Code : audit, maintenance et documentation, avec une quittance qui ne laisse jamais un silence passer pour un feu vert.
Design
Un entonnoir en cinq verbes qui transforme un brief ou une référence en design system opposable : des artefacts JSON qu’un linter sait lire, jamais une charte en prose qu’on croit avoir respectée.
Stack sc-* (JS · PHP · CSS · Python · Rust)
Cinq plugins jumeaux, un par stack, qui détectent le contexte réel du projet et ne chargent que les règles qui s’y appliquent — jamais un référentiel générique plaqué sur un projet qu’il ne connaît pas.
Web Tiers
Les règles d’usage — quotas, sécurité, consentement, performance — des services SaaS que je branche sur mes projets : Firebase, Klaviyo, GTM/Meta Pixel, Microsoft Clarity, PageSpeed Insights.
Obs
Mon coffre Obsidian personnel rangé par scripts Python déterministes plutôt que par jugement de modèle : tri, classement, indexation, fusion — dry-run par défaut, rien n’est écrit sans --apply.
Overcode — Alias
Dix chaînes de prompts pré-écrits qui enchaînent les skills d’Overcode dans un ordre éprouvé — la reproductibilité d’une séquence figée dans un fichier versionné, jamais retapée à la main.
Le vocabulaire
Parler la langue de l’IA, c’est déjà mieux la piloter
Savoir ce qu’est un contexte, un token ou un RAG, ce n’est pas de la coquetterie technique : c’est comprendre pourquoi le modèle oublie, pourquoi il invente, et ce qui change quand on lui donne vos documents. L’essentiel, en huit mots.
Token / jeton
L’unité élémentaire que manipule le modèle : un mot, un morceau de mot ou un signe. Tout se compte en tokens — le contexte, le coût, la vitesse.
Fenêtre de contexte
context window
La quantité de texte que le modèle peut avoir « sous les yeux » en une fois (en tokens). Au-delà, il oublie le début. Central pour les longs documents et les conversations.
Prompt système
system prompt
Instruction de plus haut niveau qui définit le rôle, le ton et les règles du modèle pour toute une conversation, avant même le premier message utilisateur.
Hallucination
Quand le modèle invente avec aplomb une information fausse mais plausible. Le risque majeur en production : d’où l’importance des garde-fous, du RAG et de la vérification humaine.
RAG
Retrieval-Augmented Generation
Technique qui nourrit le modèle avec vos documents au moment de répondre : on récupère les passages pertinents et on les injecte dans le contexte. L’IA répond sur vos données, pas seulement ses connaissances générales.
Embedding
représentation vectorielle
Représentation numérique (un vecteur) d’un texte, capturant son sens. Deux textes proches en sens ont des vecteurs proches — base de la recherche sémantique et du RAG.
Agent
Une IA qui ne se contente pas de répondre : elle agit en plusieurs étapes, utilise des outils et prend des décisions intermédiaires pour atteindre un but (chercher, écrire un fichier, appeler une API).
MCP
Model Context Protocol
Protocole standard pour connecter un modèle à des outils et données externes (fichiers, API, bases). Un connecteur MCP, et l’IA peut s’en servir, sans réinventer l’intégration.
Un projet né avec l’IA vous inquiète ?
J’en fais l’audit, je vous dis ce qui tient et ce qui risque de céder, et ce qu’il faudrait pour le rendre fiable.
Un premier échange, sans engagement, pour comprendre où vous en êtes.