03 - Guides et articles de reference#

Les textes qui expliquent le pourquoi derriere les techniques : articles d ingenierie, guides d editeurs et papiers fondateurs, chacun resume en deux lignes.

Temps de lecture : 14 min | Niveau : Intermediaire a Avance

Ce que tu sauras faire apres#

• Citer la source d une technique au lieu de repeter ce que tu as lu sur LinkedIn.
• Choisir entre un simple enchainement de prompts et un vrai agent, avec un argument.
• Appliquer le context engineering pour arreter de saturer la fenetre de contexte.
• Lire un papier de recherche en 20 minutes sans t y perdre.

Liens verifies le 26 septembre 2026. Les dates de publication sont celles affichees sur les pages.

🏗️ Les articles d ingenierie Anthropic#

L index complet est ici : anthropic.com/engineering. Voici les quatre qui changent le plus ta facon de travailler.

Building effective agents#

Lien : anthropic.com/engineering/building-effective-agents Publie le 19 decembre 2024. Auteurs : Erik S. et Barry Zhang.

En deux lignes : l article distingue les workflows (chemins predefinis) des agents (le modele dirige son propre processus) et decrit six patterns reutilisables. Sa conclusion pratique : les meilleures implementations n utilisaient pas de frameworks complexes, mais des briques simples et composables.

Les six patterns, avec leur traduction dans ton monde :

Les trois principes que l article recommande : simplicite de conception, transparence sur les etapes de planification, et soin apporte a l interface agent / outil (documenter ses outils avec la meme rigueur qu une interface utilisateur).

Le conseil le plus utile : commence par un simple appel LLM, et n ajoute de la complexite que quand tu peux demontrer qu elle est necessaire.

Effective context engineering for AI agents#

Lien : anthropic.com/engineering/effective-context-engineering-for-ai-agents Publie le 29 septembre 2025.

En deux lignes : le contexte est une ressource finie avec des rendements decroissants. Le travail n est plus d ecrire un beau prompt, mais de choisir quelles informations entrent dans l attention du modele.

La strategie de fond : le chargement juste a temps (just-in-time). Ne pas tout precharger. Garder des identifiants legers (chemins de fichiers, requetes, liens) et charger le contenu seulement quand il sert, comme un humain qui ouvre une reference au moment ou il en a besoin.

Les trois techniques nommees par l article pour les taches longues :

1. Compaction : resumer la conversation quand on approche de la limite du contexte, puis repartir sur une nouvelle fenetre a partir de ce resume.
2. Structured note-taking : l agent ecrit regulierement des notes dans une memoire externe, en dehors de la fenetre de contexte.
3. Sub-agent architectures : des agents specialises traitent des taches ciblees avec un contexte propre, plutot qu un agent unique qui garde tout l etat du projet.

Pourquoi ca te concerne : si tu travailles sur un depot de 500 modeles dbt, precharger tout le schema est la pire idee. Donne a l agent la liste des chemins, et laisse-le ouvrir les trois fichiers dont il a besoin. C est exactement le chargement juste a temps.

Equipping agents for the real world with Agent Skills#

Lien : anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills Publie le 16 octobre 2025, mis a jour le 18 decembre 2025.

En deux lignes : un skill est un dossier contenant instructions, scripts et ressources, qui transforme un agent generaliste en specialiste. Le chargement se fait par divulgation progressive, donc le cout en contexte reste faible tant que le skill n est pas utilise.

L article compare le mecanisme a un manuel bien organise : d abord la table des matieres (nom + description), puis le chapitre (SKILL.md), puis l annexe detaillee (fichiers references).

Skill ou MCP ? L article les presente comme complementaires, pas concurrents : les skills enseignent des workflows proceduraux, y compris ceux qui impliquent des outils externes ; MCP gere l integration technique avec ces outils.

Claude Code - Best practices#

Lien : code.claude.com/docs/en/best-practices

Note de deplacement : l ancien article anthropic.com/engineering/claude-code-best-practices redirige desormais (308) vers cette page de documentation. Le contenu est devenu une page de doc maintenue.

En deux lignes : toutes les bonnes pratiques decoulent d une seule contrainte, ecrite noir sur blanc : la fenetre de contexte se remplit vite et les performances se degradent quand elle se remplit. Le reste du document explique comment eviter ca.

Les points a retenir pour ton usage quotidien :

• Donne a Claude un moyen de verifier son travail. Un test, un build, un linter, un script qui compare a une reference. Sans ca, "ca a l air fini" est le seul signal disponible, et c est toi la boucle de verification.
• Explore, puis planifie, puis code, puis commit. Quatre phases. Le mode plan sert a separer l exploration de l execution. Mais la doc precise aussi : si tu peux decrire le diff en une phrase, saute la planification.
• Ecris un CLAUDE.md court. Pour chaque ligne, pose-toi la question : "est-ce que supprimer cette ligne ferait faire une erreur a Claude ?" Si non, coupe. Un CLAUDE.md gonfle fait ignorer tes vraies instructions.
• Gere le contexte agressivement. /clear entre deux taches sans rapport. Apres deux corrections ratees sur le meme sujet, le contexte est pollue : repars a zero avec un meilleur prompt.
• Utilise des sous-agents pour l investigation. Ils explorent dans un contexte separe et te renvoient un resume. Formulation type : "utilise des sous-agents pour etudier comment notre systeme d authentification rafraichit les jetons".
• Ajoute une etape de revue adverse. Un relecteur dans un contexte neuf voit le diff, pas le raisonnement qui l a produit. La commande /code-review fait exactement ca : elle relit le diff en cours dans un sous-agent neuf. La doc ajoute un avertissement utile : un relecteur a qui on demande de trouver des manques en trouvera toujours. Demande-lui de ne signaler que ce qui touche a la justesse ou aux exigences ecrites.

La doc liste aussi les modes d echec courants : la session fourre-tout, les corrections en boucle, le CLAUDE.md sur-specifie, l ecart entre confiance et verification, et l exploration infinie.

📕 Les guides des editeurs#

Deux details techniques qui valent le detour#

De Microsoft — la notion de recency bias : l information placee a la fin du prompt peut peser plus que celle du debut. D ou le conseil de repeter les instructions cles a la fin. Et le conseil du "give the model an out" : ajouter "reponds 'non trouve' si la reponse n est pas presente" reduit les reponses inventees.

De Microsoft toujours — l efficacite d espace : un tableau coute moins de tokens qu un JSON equivalent, parce que le JSON repete le nom de chaque champ. Utile quand tu colles un extrait de donnees dans un prompt.

📄 Les papiers fondateurs#

Tu n as pas besoin de les lire en entier. Lis l abstract et la figure 1. Trente minutes suffisent pour les deux.

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models#

Lien : arxiv.org/abs/2201.11903 Soumis le 28 janvier 2022, derniere version le 10 janvier 2023. Auteurs : Jason Wei, Xuezhi Wang, Dale Schuurmans, Maarten Bosma, Brian Ichter, Fei Xia, Ed Chi, Quoc Le, Denny Zhou.

En deux lignes : quand on donne au modele quelques exemples qui montrent les etapes de raisonnement intermediaires, ses performances sur les taches arithmetiques, de bon sens et symboliques augmentent fortement. C est l origine du fameux "reflechis etape par etape".

Ce que tu en fais : pour un calcul de KPI en plusieurs etapes (filtrer, joindre, agreger, comparer a N-1), demande explicitement les etapes intermediaires. Tu verras ou le raisonnement derape.

ReAct: Synergizing Reasoning and Acting in Language Models#

Lien : arxiv.org/abs/2210.03629 Soumis le 6 octobre 2022, version finale le 10 mars 2023. Auteurs : Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao.

En deux lignes : ReAct fait alterner traces de raisonnement et actions concretes. Le modele reflechit, agit (appel d API, recherche), lit le resultat, ajuste son plan. C est la base conceptuelle de tous les agents a outils d aujourd hui.

Ce que tu en fais : quand tu vois un agent enchainer "je vais lire ce fichier" puis lire le fichier puis ajuster, tu regardes ReAct en action. Comprendre ce cycle t aide a diagnostiquer quand un agent tourne en rond.

🔌 La reference technique MCP#

Lien : modelcontextprotocol.io/docs/2026-07-28/learn/architecture

En deux lignes : MCP suit une architecture client-serveur. Un host (l application IA, par exemple Claude Code ou VS Code) cree un client par serveur auquel il se connecte. Le protocole repose sur JSON-RPC 2.0.

Les points a retenir, tels que la page les decrit :

• Deux couches : couche donnees (protocole JSON-RPC, primitives, notifications) et couche transport (stdio en local, Streamable HTTP a distance).
• Trois primitives serveur : tools, resources, prompts. Chacune a ses methodes */list, */get, et tools/call pour l execution.
• Elicitation : une primitive cote client qui permet au serveur de demander une information ou une confirmation a l utilisateur.
• Depreciations dans la version 2026-07-28 : sampling et logging cote client sont marques deprecies. La page recommande d integrer directement les API des fournisseurs de LLM, et de logger sur stderr ou via OpenTelemetry.

📝 Template : lire un article long et en tirer quelque chose d actionnable#

AVANT (mauvais prompt)

Resume cet article : [URL]

Tu obtiens dix bullet points generiques que tu oublies en trois jours.

APRES (prompt utilisable)

Lis cet article : [COLLER_L_URL]

Mon profil : [ex: data engineer, stack Python / dbt / Airflow / BigQuery].
Ce qui me pose probleme en ce moment : [DECRIRE_TON_PROBLEME_EN_2_LIGNES].

Produis exactement ces cinq sections :

1. THESE EN UNE PHRASE
   La these centrale de l article, sans jargon.

2. LES CONCEPTS NOMMES
   Tableau : Nom du concept | Definition en une ligne | Page ou section de l article.
   Garde les noms anglais originaux, ne traduis pas les termes techniques.

3. CE QUI S APPLIQUE A MON PROBLEME
   3 points maximum, chacun avec l action concrete que je peux faire cette semaine.

4. CE QUI NE S APPLIQUE PAS
   Ce que l article recommande mais qui serait de la sur-ingenierie dans mon cas, et pourquoi.

5. CITATIONS EXACTES
   3 phrases de l article, recopiees mot pour mot, avec leur section.
   Si tu ne peux pas citer exactement, ecris "pas de citation exacte disponible".

Pourquoi c est mieux : la section 4 est la plus precieuse. Elle t evite de deployer une architecture multi-agents pour un probleme qui se reglait avec trois prompts enchaines. La section 5 te permet de verifier que l IA n a pas brode.

A retenir#

• Building effective agents (19 decembre 2024) : commence simple, n ajoute de la complexite que quand tu peux la justifier.
• Effective context engineering (29 septembre 2025) : le contexte est une ressource finie. La strategie de fond est le chargement juste a temps ; les trois techniques nommees sont compaction, structured note-taking et sub-agent architectures.
• Les skills et MCP sont complementaires : les skills enseignent des workflows, MCP branche les outils.
• La page Best practices de Claude Code decoule d une seule contrainte : le contexte se remplit vite et la qualite baisse avec lui.
• Chain-of-thought (2022) et ReAct (2022) sont les deux papiers a connaitre : raisonner etape par etape, et alterner raisonnement et action.
• Retiens le conseil Microsoft du "give the model an out" : autoriser explicitement la reponse "non trouve" reduit les inventions.

Sources#

• Anthropic Engineering - Index des articles
• Anthropic - Building effective agents
• Anthropic - Effective context engineering for AI agents
• Anthropic - Equipping agents for the real world with Agent Skills
• Claude Code - Best practices
• Claude - Prompting best practices
• OpenAI - Prompt engineering
• Google - Prompt design strategies
• Kaggle - Prompt Engineering (whitepaper)
• Microsoft - Prompt engineering techniques
• Prompting Guide - DAIR.AI (source communautaire)
• Internet Archive - Whitepaper on Prompt Engineering by Google, v4 (copie archivee)
• Wei et al. - Chain-of-Thought Prompting (arXiv:2201.11903)
• Yao et al. - ReAct (arXiv:2210.03629)
• MCP - Architecture overview