Tech • IA • Crypto
La méthode Karpathy qui a multiplié par 10 mon code Claude (à copier)
5/10INTRO
Une tendance croissante en programmation assistée par IA met l’accent sur des spécifications structurées et des boucles de vérification plutôt que sur le simple prompting, améliorant fortement la fiabilité et les résultats des projets.
POINTS CLÉS
Un fichier “Claude MD” mal attribué sème la confusion
Un fichier largement diffusé sur GitHub, souvent attribué à Andrej Karpathy, n’est en réalité pas de lui, ce qui entraîne des malentendus sur les bonnes pratiques de codage avec l’IA. De nombreux utilisateurs qui l’adoptent obtiennent de mauvais résultats, en grande partie parce qu’il ne contient pas le principe fondamental associé à Karpathy. Sa viralité montre à quelle vitesse les communautés de développeurs peuvent se standardiser autour de méthodes non vérifiées.
Principe central: la vérification plutôt que la spécification
L’idée clé associée à Karpathy est que les systèmes d’IA modernes « automatisent ce que vous pouvez vérifier, pas ce que vous pouvez spécifier ». Le rôle du développeur passe ainsi de la rédaction d’instructions détaillées à la définition de critères de réussite clairs. Au lieu de microgérer les sorties, il faut concevoir des systèmes capables d’évaluer la justesse, afin que les modèles itèrent vers des résultats valides.
Quatre principes opérationnels pour coder avec l’IA
Une approche structurée fondée sur cette philosophie inclut quatre pratiques: réfléchir avant de coder, privilégier la simplicité, effectuer des modifications ciblées, et imposer une exécution guidée par des objectifs. Ces principes mettent l’accent sur la clarté, le minimalisme et la responsabilité. Ils encouragent aussi les systèmes d’IA à questionner les entrées अस्पष्ट et à aligner strictement les sorties sur les objectifs définis.
Les workflows basés sur des frameworks surpassent le prompting brut
Des comparaisons directes montrent que le « cold prompting » produit souvent des résultats superficiels, consomme plus de tokens et reste incohérent. À l’inverse, les frameworks structurés guident le modèle à travers l’idéation, la planification et l’exécution, produisant des constructions plus cohérentes, avec une logique interne plus solide et moins de révisions.
Introduction de frameworks d’idéation et d’exécution
Des outils comme Seed et PAUL illustrent cette approche. Seed se concentre sur l’idéation, transformant des prompts vagues en spécifications détaillées. PAUL — pour Plan, Apply, Unify, Loop — gère l’exécution en découpant le développement en phases et en mettant à jour en continu le contexte du projet.
Importance de la mémoire persistante du projet
Les systèmes basés sur des frameworks maintiennent des enregistrements détaillés via des fichiers comme project.md, roadmap.md et state.md. Ces documents suivent le périmètre, les jalons et l’avancement, offrant un contexte stable aux modèles d’IA entre les sessions. À l’inverse, le prompting brut manque de mémoire, obligeant à répéter les consignes et augmentant les erreurs.
Compromis entre vitesse et qualité
Les prompts bruts peuvent générer des résultats visibles en quelques minutes, souvent des interfaces superficielles ou des données factices. Les approches structurées prennent plus de temps mais produisent des systèmes robustes et évolutifs. Ce temps supplémentaire est consacré à la planification, à la validation et à une exécution par étapes, réduisant les reprises à long terme.
Le développement par phases améliore la fiabilité
Découper les projets en phases permet une validation et des tests progressifs. Chaque phase comporte des objectifs clairs et des étapes de vérification avant de passer à la suivante. Cela limite les dérives et assure l’alignement avec la spécification initiale, notamment pour des projets complexes comme des tableaux de bord analytiques.
Efficacité des tokens grâce à un contexte structuré
Bien que les workflows structurés utilisent parfois plus de contexte au départ, ces tokens servent à la planification et à la vérification plutôt qu’à des essais-erreurs. Cela améliore l’efficacité globale en évitant les corrections répétées et les sorties inutilisables.
Implications business et focalisation sur le ROI
Cette approche transforme le codage avec l’IA, passant de l’expérimentation à des systèmes prêts pour la production. En mettant l’accent sur la vérification, la mémoire et l’exécution par phases, les organisations peuvent créer des outils maintenables et alignés sur leurs objectifs, réduisant le temps perdu et augmentant les chances de livrer des produits utiles.
CONCLUSION
Les workflows structurés, guidés par la vérification, s’imposent comme une alternative plus fiable au prompting ad hoc, privilégiant la robustesse à long terme plutôt que la rapidité immédiate.