Tech • IA • Robotique
Comment l’équipe Claude Code utilise Claude Code
INTRO
Claude Code au sein d’Anthropic délèguent de plus en plus l’essentiel du travail logiciel à des agents dans le cloud, passant d’une supervision ligne par ligne à la définition d’objectifs de plus haut niveau, tandis que les progrès rapides des modèles imposent une refonte constante des produits.
POINTS CLÉS
D’un assistant de code à un agent autonome
Des flux de travail autrefois centrés sur des prompts demandant à un modèle d’écrire une classe ou une fonction se sont élargis à des tâches plus vastes comme la vérification, la revue de code, le brainstorming et le monitoring. Des membres de l’équipe disent désormais donner au système un résultat à atteindre plutôt que de superviser chaque appel d’outil, l’un d’eux estimant que 70 % à 80 % du travail quotidien se fait dans Claude Tag, l’interface native de Slack construite au-dessus de Claude Code.
L’accès au contexte améliore les décisions
Un avantage majeur de la configuration basée sur Slack est l’accès au contexte organisationnel, notamment les décisions produit, les discussions passées et les priorités d’équipe. Ce contexte plus large améliore le jugement sur des missions plus complexes, permettant au système de prendre en charge un travail qui dépasse les tâches d’implémentation isolées pour aller vers une prise de décision informée par le produit.
Les cycles produit de l’IA se raccourcissent fortement
Les ingénieurs ont décrit un changement majeur dans l’économie du développement logiciel: des technologies autrefois pertinentes pendant des années peuvent désormais être dépassées en quelques mois. Construire sur de l’IA de pointe exige d’équilibrer la valeur immédiate pour le client avec la préparation à des capacités qui progressent tous les deux mois ou moins, rendant la planification de feuille de route plus instable que dans les logiciels traditionnels.
Des fonctionnalités utiles peuvent devenir obsolètes très vite
Un exemple cité est la dépendance initiale aux listes de tâches pour aider les modèles à mener à bien un travail de long terme. À l’époque de Sonnet 3.5, ces listes amélioraient nettement les performances, car les modèles abandonnaient souvent des tâches avant de les finir. À mesure que la mémoire et la cohérence se sont améliorées, cette aide est devenue bien moins nécessaire, montrant pourquoi les équipes doivent garder leurs distances avec des fonctionnalités conçues surtout pour compenser des faiblesses temporaires des modèles.
Les outils interactifs ont laissé place à des interfaces plus riches
Un outil ask-user-question était au départ important pour rendre l’agent interactif, mais les améliorations ultérieures ont réduit cette dépendance. Dans bien des cas, des sorties plus riches comme des artéfacts HTML avec diagrammes et maquettes recueillent désormais les retours plus efficacement, montrant que les couches d’interface évoluent au-delà du simple chat et des transcriptions visibles.
L’exécution dans le cloud a permis des boucles persistantes
Exécuter des agents en local posait un problème simple: le travail s’arrêtait quand on fermait l’ordinateur portable. Cela a poussé le développement vers des machines distantes, puis des conteneurs hébergés et des environnements web où les agents peuvent continuer à fonctionner en arrière-plan. L’exécution persistante dans le cloud a ouvert la voie à des routines récurrentes ou « boucles », comme passer en revue les retours quotidiens, regrouper les problèmes par importance et corriger automatiquement ceux pour lesquels la confiance est élevée.
La revue de code passe des détails à l’architecture
La revue automatisée traite désormais de nombreux commentaires de faible valeur qui servaient autrefois surtout à montrer qu’un humain avait lu la pull request. Le rôle humain le plus précieux se concentre de plus en plus sur des questions plus larges comme les frontières entre services, la structure des API et l’intention produit. En pratique, la revue par IA sert à orienter l’attention vers les changements les plus susceptibles de compter plutôt qu’à remplacer totalement la supervision humaine.
Les workflows en fan-out ajoutent de la confiance grâce au calcul
L’un des schémas internes les plus importants est un workflow en fan-out qui explore de nombreuses possibilités, puis filtre les résultats pour l’usage humain. En revue de code, cela peut signifier rechercher largement des bugs, puis lancer des vérifications adversariales sous plusieurs angles avant de ne remonter que les constats les plus solides. Le même schéma s’applique à l’analyse de performance, à la recherche et à la planification, en utilisant un fort compute à l’inférence pour accroître la confiance.
Une orchestration déterministe renforce la confiance
Un choix de conception notable consiste à laisser le modèle écrire du code qui coordonne des sous-agents. Cela crée un hybride entre comportement logiciel déterministe et comportement probabiliste du modèle, ce qui, selon les utilisateurs, renforce la confiance, car les boucles, itérations et logiques de routage sont explicites et répétables même lorsque le raisonnement sous-jacent reste agentique.
Claude Tag est utilisé pour se construire lui-même
Les équipes internes utilisent agressivement Claude Tag pour développer Claude Tag, y compris pour configurer les environnements de développement, l’implémentation, les tests et la vérification intégrée. Dans un exemple, un nouvel outil interne est passé de l’idée à la découverte des parties prenantes, aux maquettes, à l’implémentation, au déploiement, au suivi d’événements et au monitoring des retours largement via Slack, le système identifiant aussi le développeur quand de nouveaux retours utilisateurs arrivaient.
Le rôle de l’ingénieur monte d’un niveau
Le plus grand changement culturel est le passage d’un artisanat manuel à la génération d’idées, à l’évaluation et à l’orchestration. Des tâches autrefois liées à une maîtrise individuelle, de l’optimisation des performances au travail d’interface au pixel près, sont de plus en plus automatisées. La valeur de l’ingénierie se déplace vers le fait de décider quoi construire, comment le vérifier et comment utiliser des systèmes toujours plus capables pour mettre des idées en production plus vite.
CONCLUSION
Le changement principal n’est pas seulement un codage plus rapide, mais une redéfinition de l’ingénierie logicielle autour de la délégation, de la vérification et de l’adaptation constante à des modèles qui progressent rapidement. À mesure que les systèmes d’IA absorbent davantage de travail d’implémentation, l’effort humain se déplace vers le jugement, la direction produit et la conception des boucles qui rendent le travail autonome fiable.
Explique-moi