Mon setup Claude Code
Est-ce que Claude Code a plié le game ? Ma configuration, tenue à jour des derniers modèles.
9 commandes, 5 agents, 10 skills, 4 hooks et 8 mods.
Avertissement : cet article est assez technique. Si vous n’êtes pas féru d’IA, de développement informatique, de code, que GitHub, Claude Code, le déploiement d’applications, c’est du chinois pour vous1, il est très probable que la suite vous échappe un peu. Ce n’est pas très grave, je vais quand même m’efforcer de vulgariser quelques concepts.
Déjà, « Claude Code », cela désigne un outil — et quel outil formidable !, et je conçois que ce ne soit déjà pas trivial pour tous mes lecteurs. Ainsi, la note de bas de page ici2 contient quelques définitions qui peuvent être utiles à la compréhension de la suite de l’article.
Toute considération introductive épuisée, le vif du sujet. Assez vite avec l’apparition des GPT, LLM, IA ou quoi que ce soit que vous voulez l’appeler, est apparue l’idée que ces outils sont plutôt bons à écrire du code informatique. Ce qui est assez logique : ils sont entraînés notamment avec des données publiques, et des lignes de code publiques, il y en a énormément. De la même façon qu’en comparant un texte français et son équivalent coréen, on peut entraîner une IA à la traduction, on a pu entraîner des IA à traduire du langage naturel en code informatique (je simplifie un peu, j’en conviens).
Ce qui, pour ce qui me concerne, est une excellente nouvelle. J’ai plein d’idées d’applications, j’aime bien écrire du code, mais le temps me manque terriblement pour ça. Alors si je peux juste dire à une IA que j’ai telle idée, et qu’elle m’écrit elle-même le code, ça m’arrange.
C’est là qu’arrive le « vibe coding » (je continue d’utiliser cet anglicisme en attendant que les Québécois règlent ce problème), et tous les outils qui se sont lancés sur cette promesse : permettre à n’importe qui de produire une application sans écrire la moindre ligne de code. J’ai narré un peu sur LinkedIn mes expériences, pas forcément très concluantes, et puis un jour a débarqué Claude Opus 4.6.
Pour être tout à fait honnête, il cheminait dans ma tête depuis quelque temps de prendre un abonnement à un outil, j’ai toujours un peu préféré Claude à ChatGPT, et il se trouve que j’ai franchi le pas au moment de la sortie de ce fameux modèle.
En deux mots, je suis extrêmement impressionné par Claude Code. Je l’ai utilisé pour reprendre intégralement tous les projets que j’avais vibe codés avec Bolt, Lovable et Replit. Claude Code a largement amélioré non seulement le code (simplification de la stack technique, optimisations, sécurité), mais m’a aussi aidé à affiner mes idées.
L’outil permet de commencer par une phase de remue-méninges (quel dommage que ce mot infiniment plus poétique que « brainstorming » ne se soit pas imposé dans le langage courant !) qui permet d’avoir un avis honnête sur le projet et sa qualité, et de le faire partir dans la bonne direction. Puis Claude construit des plans en discutant avec l’utilisateur pour être certain qu’il a compris. Et enfin, il se lance dans l’exécution, en mobilisant plusieurs agents si nécessaire.
Et à force, je suis arrivé à quelque chose que j’ai envie de partager : ma configuration Claude Code. Ce n’est pas la configuration d’un véritable développeur, mais c’est celle qui me permet de gérer très facilement mes plus de 15 applications avec suffisamment de qualité, de cohérence, et sans tomber dans les travers habituels du code écrit avec l’IA (notamment l’accumulation de dette technique, les cycles infinis de corrections, ou les univers violacés).
Dans notre travail au quotidien, ces outils peuvent vraiment faire gagner énormément de temps. Je ne suis pas développeur, mais en quelques heures, j’ai des produits parfaitement valables (pour des projets personnels). Il y a du potentiel pour changer la façon dont nos « Business Analysts » interagissent avec les métiers pour collecter le besoin, et avec les développeurs pour le faire réaliser, que j’ai envie d’explorer dans mon équipe.
Mon intuition c’est que l’on n’est plus vraiment très loin d’une époque à laquelle une application pour un besoin simple sera une forme de commodité. Exemple : je voudrais une application pour gérer mon budget selon tels principes, merci de la créer, et 15 minutes après j’ai quelque chose qui fonctionne. La limite aujourd’hui, c’est probablement le déploiement. Si Claude Code gère déjà ça très bien, je pense qu’il faut quand même des notions d’architecture pour aboutir à un bon résultat.
En tout cas, cet outil accompagne beaucoup d’expérimentation que je voulais faire, et m’a permis d’aller plus loin que ce que j’imaginais. Je ne fais plus seulement des sites internet (comme Untilt.app ou My-tsundoku.app), j’ai aussi créé une application pour mon Mac pour mon projet de roman, et fait de la rétro-ingénierie d’un format de fichier propriétaire (pour l’injecter dans une application).
Claude sans claudication
En relisant ces lignes quelques mois plus tard, j’ai constaté qu’il n’y a pas que l’IA qui évolue vite : mon écriture aussi !
D’autres articles suivant mes progrès d’écrivain, restons concentrés sur l’IA, à l’intersection de trois constats :
- la bulle de filtre dans laquelle je me trouve sur le sujet ;
- la vitesse à laquelle les nouveautés paraissent dans ce domaine ;
- l’indéniable tendance à enjoliver la réalité lorsqu’il s’agit de communiquer, notamment sur les réseaux sociaux.
Me trouvant ainsi au centre de ce diagramme de Venn, je vois passer beaucoup de publications diverses et variées sur l’intelligence artificielle, qui vont de l’influenceur qui explique comment il a remplacé tout son personnel par 5 agents, à Anthropic qui explique un peu plus benoitement comment elle utilise ses propres outils. J’ai fini par systématiser une pratique qui je pense sera utile à quiconque se sert de l’IA : demander à l’IA comment se servir de l’IA. Même pour un usage conversationnel classique, auquel je pense plus personne ou presque ne se soustrait de nos jours3, un premier prompt disant en substance
rédige un PROMPT pour faire ça
permet d’améliorer nettement les résultats4.
C’est la version avancée de cela que j’ai pratiquée ces dernières semaines : discuter avec Claude de divers outils présentés comme révolutionnaires, et des méthodes préconisées par Anthropic, pour n’en intégrer que l’essentiel à ma propre configuration, ce qui est utile au vu de mes objectifs. Configuration qui progresse aussi grâce à mes propres constats, souvent grâce aux erreurs : un code mal écrit, un problème de sécurité, un dépassement de certaines limites, sont autant d’occasions d’améliorer les choses en collaboration avec l’IA. Et qui doit aussi s’adapter à l’évolution des modèles et aux possibilités offertes : ce qui était vrai en janvier ne l’est plus forcément en octobre. Les anciens modèles avaient besoin de certaines directives précises qui peuvent être contre-productives avec les plus récents.
Enfin, et là on entre dans les tréfonds des considérations techniques, j’ai recentré mon usage autour d’un terminal dans macOS5, plus d’usage de Cowork du tout, et très peu du chat qui ne sert qu’à répondre aux questions trop pointues qu’un moteur de recherche ne résout pas. J’ai notamment profité des possibilités de personnalisation étendues pour créer quelques mods dont je suis assez fier : l’un résume ce que l’IA a appris de moi au fil du temps, un autre montre les connexions entre idées, un autre encore m’aide à gérer les limites d’utilisation, le contexte ou le déploiement d’agents de façon visuelle.
Pour ceux qui utilisent peu l’IA, je pense que la méthode est utile : plutôt que de simplement prendre tel quel tout ce qui est proposé, faire un premier échange d’évaluation et d’adaptation devrait aider à obtenir un résultat plus pertinent. Il faut garder en tête que les modèles sont génératifs : produire une réponse est leur raison d’être, donc la qualité de la question et la démarche restent essentielles à la qualité de ce qui est généré.
Et plus généralement, cette démarche est un avatar de mon apprentissage par l’expérience et en public, qui a d’autant plus de valeur qu’elle est confrontante6 : tous les retours, génériques ou pointus, que vous pourrez me faire, m’aideront !
Ce texte resserre trois numéros de mon infolettre : ceux de février et d’avril, et un troisième à paraître.
Notes
-
Instant blague : — Je parle toutes les langues du monde, sauf le chinois. Demande-moi de traduire un mot dans n’importe quelle langue et je le ferai. — D’accord, comment dit-on pastèque en ourdou ? — Ah, tu sais, pour moi, l’ourdou, c’est du chinois. ↩
-
- GPT : Generative Pre-trained Transformer, comme dans ChatGPT, qui a le premier eu le mérite de permettre de tchater avec un GPT, début de la révolution de l’IA.
- LLM : Large Language Model, pour faire simple, ce qu’il y a derrière un GPT.
- « Vibe coding » : programmer (écrire du code, développer une application) en utilisant un LLM.
- Claude : équivalent de ChatGPT. OpenAI est l’entreprise qui propose ChatGPT, Anthropic est l’entreprise qui propose Claude. Les deux sont des IA au sens où le grand public l’entend aujourd’hui.
-
Pensée qui peut tout à fait être due à la bulle de filtre dont je parlais plus tôt. ↩
-
Il s’agit d’un constat basé sur mon expérience, que je généralise sans honte. ↩
-
Si jamais il y a ici un passionné des différents émulateurs de terminal : j’utilise Ghostty, sur la recommandation de Claude justement, qui me signalait gentiment que iTerm2 était un peu dépassé. ↩
-
Je vous propose de voir ici un belgicisme plutôt qu’un anglicisme. ↩
Elenchus a lu ce récit
Raisonnement faible
Le texte présente une expérience personnelle sur l'utilisation de l'IA pour le développement logiciel, mais son raisonnement repose sur des généralisations non justifiées et des affirmations non étayées.
Ce qu’il relève — Généralisation hâtive Ce qui est assez logique : ils sont entraînés notamment avec des données publiques, et des lignes de code publiques, il y en a énormément.
L'auteur affirme que la capacité des LLM à écrire du code est « assez logique » parce qu'ils sont entraînés sur des données publiques, sans expliquer pourquoi cette corrélation implique nécessairement une compétence en génération de code. Cela revient à supposer que la quantité de données d'entraînement détermine directement la qualité du résultat, ce qui n'est pas démontré.