Les grands documents de reference des editeurs#

Les guides de fond, livres blancs, cookbooks, articles d ingenierie et depots GitHub publies par les editeurs d IA : ce sont eux qui te font progresser, pas les pages de reference d API.

Temps de lecture : 18 min | Niveau : Intermediaire

Ce que tu sauras faire apres#

• Savoir quel document ouvrir chez chaque editeur quand tu bloques sur un vrai probleme.
• Distinguer un document de fond (qui explique le pourquoi) d une page de reference d API (qui liste des parametres).
• Recuperer du code qui tourne le jour meme, via les cookbooks et les depots officiels.
• Utiliser un depot GitHub comme reservoir de sujets a apprendre, pas seulement comme bibliotheque de code.
• Reperer un document abandonne, deplace ou remplace avant de perdre deux heures dessus.

Liens ouverts et verifies le 26 septembre 2026. Les dates de publication, les licences et les nombres d etoiles GitHub sont ceux affiches ce jour-la.

La difference entre une doc d API et un document de reference#

Une page de doc d API repond a "quel est le nom du parametre ?". Elle se consulte en 30 secondes.

Un document de reference repond a "pourquoi mon agent tourne en rond ?" ou "comment je structure un prompt de 400 lignes ?". Il se lit une fois, en entier, et il change ta facon de travailler pendant des mois.

Ce fichier ne liste que la deuxieme categorie. Pour les pages d API, va dans 01-documentation-officielle.md. Pour les depots GitHub en detail, va dans 07-depots-github-de-reference.md.

1. Anthropic#

Le fonds le plus riche pour un profil dev + data, et le seul ou les articles d ingenierie donnent des chiffres reels de production. Tout est gratuit, sans compte. L index complet : anthropic.com/engineering.

Les articles d ingenierie#

Les guides et documents de plateforme#

A lire en premier : Building effective agents. C est le document le plus rentable du lot : 30 minutes, et tu arretes de construire un agent la ou un simple enchainement de 3 appels suffisait. Enchaine avec Effective context engineering : le premier te dit quoi construire, le second te dit comment eviter que ca sature. Si ton sujet du moment est la donnee et pas l agent, remplace le second par Introducing Contextual Retrieval : c est le seul article du corpus qui chiffre l effet d une technique RAG.

2. OpenAI#

Moins d articles de fond, mais un cookbook enorme, des guides de prompting par modele tres concrets, et un document unique en son genre : le Model Spec.

Tout est gratuit a la lecture ; executer le cookbook demande une cle API payante.

A lire en premier : Reasoning best practices. Quinze minutes, et tu arretes de coller des "reflechis etape par etape" partout. C est le seul document de cette liste qui te fait gagner de l argent des la premiere lecture, parce qu il t empeche d envoyer un modele de raisonnement cher sur une tache que le modele rapide fait aussi bien. Le Model Spec est la deuxieme lecture, et personne ne la fait : c est pourtant lui qui explique pourquoi une consigne utilisateur passe devant ta consigne developpeur.

3. Google#

Google publie ses documents de fond sur Kaggle, pas sur son site produit. C est deroutant, mais c est la que se trouve le meilleur.

Les livres blancs et cookbooks sont gratuits (compte Kaggle ou Google demande pour telecharger). Petit avertissement pratique : les pages Kaggle sont generees en JavaScript, donc un agent qui les lit par simple requete HTTP ne recupere que le titre. Telecharge le PDF a la main.

A lire en premier : le livre blanc Prompt Engineering. C est le seul document du corpus qui traite le prompting comme une discipline d ingenierie complete, avec les parametres de decodage et les techniques avancees dans le meme texte. Deux heures, un PDF, et tu as une base que tu reutilises chez tous les editeurs.

4. Microsoft#

Attention : c est l ecosysteme ou les noms bougent le plus. Azure AI Foundry est devenu Microsoft Foundry, et Semantic Kernel a un successeur.

Tout est gratuit ; les labs Azure consomment un abonnement cloud.

A lire en premier : la vue d ensemble de Microsoft Agent Framework. C est le document qui t evite l erreur la plus couteuse de cet ecosysteme : demarrer un projet neuf sur Semantic Kernel. La page dit noir sur blanc que le framework est le successeur direct de Semantic Kernel et d AutoGen, et elle pointe les guides de migration. Si tu ne fais ni .NET ni Azure, garde quand meme Prompt engineering techniques pour sa decomposition d un prompt en cinq composants : elle marche chez tous les editeurs.

5. Le Model Context Protocol#

Le standard qui branche un modele sur tes outils et tes donnees. La doc est courte, bien ecrite, et c est une des rares specs lisibles d un bout a l autre. Tout est gratuit et open source.

A lire en premier : Architecture overview. La spec est excellente mais froide. L overview raconte la meme chose avec les messages JSON reels sous les yeux, et c est ce qui fait tilt. Tu passes a la spec ensuite, quand tu as une question precise sur un champ.

6. Les autres acteurs qui valent le detour#

Sur DeepLearning.AI, la page met en avant un abonnement et un plan equipe ; le prix par cours n est pas affiche. Verifie avant de t engager.

7. Les depots GitHub comme reservoir de sujets#

Un depot actif est souvent plus fiable qu une page de doc figee : le code y est corrige, les issues montrent les vrais problemes, et le dossier examples/ te donne une liste de sujets a apprendre, tout prete.

Depots officiels des editeurs#

Depots communautaires a fort rendement#

Comment transformer un depot en sujet d apprentissage#

Clone le depot [URL].
Liste les dossiers de premier niveau et, pour chacun, dis en une phrase quel probleme il resout.
Puis propose-moi 5 sujets a apprendre, classes du plus rentable au moins rentable
pour un data engineer qui travaille en Python et SQL.
Pour chaque sujet : le fichier a ouvrir, ce que je saurai faire apres, le temps estime.
N invente aucun fichier. Si un dossier est vide ou obsolete, dis-le.

Reflexe utile : avant de cloner, regarde la date du dernier commit et le nombre d issues ouvertes. Un cookbook sans commit depuis six mois pointe souvent vers des modeles qui n existent plus.

8. Ce qui est abandonne, ralenti ou deplace#

C est la partie que personne n ecrit, et c est celle qui te fait gagner le plus de temps.

• Building effective agents porte maintenant un avertissement de l editeur. Anthropic precise en tete d article qu une grande partie de l outillage decrit a change depuis decembre 2024, et renvoie vers la documentation Claude Managed Agents. Les 6 patterns restent la bonne grille de lecture ; les exemples d outillage, non.
• anthropics/courses est archive depuis le 15 septembre 2026. Les 5 cours officiels (fondamentaux API, prompting, evaluations, tool use) sont en lecture seule. Le fond reste juste, mais il cible Claude 3 Haiku. Le tutoriel interactif de prompting vit dans son propre depot et reste la reference.
• La plateforme Evals d OpenAI ferme. La page du guide l annonce : lecture seule au 31 octobre 2026, extinction au 30 novembre 2026. Lis le guide pour la methode (graders, criteres), pas pour l outil.
• Semantic Kernel n est plus la voie neuve. Microsoft dirige les nouveaux projets vers Agent Framework. Semantic Kernel recoit des correctifs, mais sa page de presentation n a pas bouge depuis 2024.
• La page Azure Prompt engineering techniques est un document de l ere GPT-4. Elle le dit en premiere ligne : ces techniques ne sont pas recommandees pour les modeles de raisonnement.
• Le registre MCP est toujours en preview, API gelee en v0.1. Utilisable, mais ne construis pas de dependance forte dessus.
• Redirections constatees le 26 septembre 2026 :

Si tu ne dois en lire que 5#

Dans cet ordre. Compte environ 4 h au total, etalees sur deux semaines.

1. Building effective agents (Anthropic, 30 min). Le vocabulaire commun. Tu ne peux pas discuter d architecture agent sans ces 6 patterns.
2. Reasoning best practices (OpenAI, 15 min). Le plus court, le plus rentable : quel modele pour quelle tache, et quoi arreter d ecrire dans tes prompts.
3. Livre blanc Prompt Engineering (Google, 2 h). Ta base technique complete sur le prompting, valable chez tous les editeurs.
4. Effective context engineering for AI agents (Anthropic, 30 min). Le passage du "beau prompt" a la gestion du contexte : compaction, notes externes, chargement just-in-time.
5. MCP - Architecture overview (40 min). Le standard qui relie tout le reste a tes outils et tes donnees.

Deux lectures de suite, selon ton terrain. Cote data : Introducing Contextual Retrieval, le seul article qui chiffre l effet d une technique RAG. Cote production : Demystifying evals for AI agents, sans quoi tu ne sauras jamais si ta derniere modification de prompt a ameliore ou casse quelque chose.

Pour appliquer un de ces documents tout de suite, colle ceci dans Claude Code :

Lis [URL_DU_DOCUMENT].
Puis regarde mon code dans [CHEMIN].
Liste les 3 ecarts les plus couteux entre ce que dit le document et ce que fait mon code.
Pour chacun : le passage du document concerne, le fichier et la ligne, la correction proposee.
N invente rien. Si le document ne traite pas mon cas, dis-le.

A retenir#

• Les documents de fond des editeurs sont gratuits, et ils valent largement des formations payantes.
• Chez Anthropic, les articles d ingenierie donnent des chiffres reels : 150 000 tokens ramenes a 2 000 avec l execution de code via MCP, -67 % d echecs de recuperation avec le Contextual Retrieval, 80 % de la variance des resultats expliquee par l usage de tokens en multi-agent.
• Google publie ses meilleurs documents sur Kaggle, pas sur son site produit, et ces pages ne se lisent pas par simple requete HTTP : telecharge le PDF.
• Chez Microsoft, verifie toujours le successeur avant de demarrer : Semantic Kernel a ete remplace par Microsoft Agent Framework.
• Un depot GitHub est une source de sujets autant qu une source de code : les dossiers examples/ et le CHANGELOG valent une table des matieres.
• Verifie toujours la licence d un depot communautaire avant un usage professionnel : GenAI_Agents est en licence non commerciale, la plupart des autres sont en MIT ou Apache-2.0.

Sources#

Toutes ces pages ont ete ouvertes et verifiees le 26 septembre 2026.

Anthropic — index engineering · Building effective agents · Effective context engineering · Writing effective tools · Demystifying evals · Contextual Retrieval · Advanced tool use · Code execution with MCP · Effective harnesses · Harness design · Multi-agent research system · Scaling Managed Agents · How we contain Claude · Agent Skills

Anthropic - plateforme — Prompting best practices · Doc Agent Skills · Models overview · Transparency Hub · Claude Academy · Claude Code best practices · Cookbook web

OpenAI — Reasoning best practices · Prompt engineering · GPT-5.2 Prompting Guide · Model Spec · Practical guide to building agents (PDF) · Guide Agents · Guide Evals · Agents SDK Python · Cookbook · Build skills

Google — Livre blanc Prompt Engineering · Livre blanc Agents · Livre blanc Agents Companion · 5-Day Gen AI Intensive · 5-Day AI Agents Intensive · Gemini prompting strategies · Vertex AI prompt design strategies · Agent Development Kit · Google Skills path 118

Microsoft — Agent Framework overview · Prompt engineering techniques (Foundry) · Get started with AI apps and agents · Develop AI agents on Azure · Semantic Kernel overview · Agent skills Copilot

Model Context Protocol — Architecture overview · Specification · Build a server · Build a client · Agent Skills (standard ouvert)

Autres editeurs — Meta / Llama prompting · Mistral prompting · Hugging Face smolagents · HF LLM Course · HF Agents Course · DeepLearning.AI

Depots GitHub officiels — anthropics/claude-cookbooks · anthropics/skills · anthropics/claude-quickstarts · anthropics/claude-code · anthropics/prompt-eng-interactive-tutorial · openai/openai-cookbook · openai/openai-agents-python · google-gemini/cookbook · google/adk-python · microsoft/agent-framework · microsoft/mcp-for-beginners · microsoft/generative-ai-for-beginners · microsoft/ai-agents-for-beginners · modelcontextprotocol/servers · modelcontextprotocol/modelcontextprotocol · modelcontextprotocol/registry · meta-llama/llama-cookbook · mistralai/cookbook

Depots GitHub communautaires — Shubhamsaboo/awesome-llm-apps · punkpeye/awesome-mcp-servers · dair-ai/Prompt-Engineering-Guide · NirDiamant/RAG_Techniques · NirDiamant/GenAI_Agents · humanlayer/12-factor-agents