Les ingénieurs d'Anthropic fusionnent 8 fois plus de code par jour qu'il y a un an. Le modèle n'a pas changé. Le matériel n'a pas changé. La taille de l'équipe n'a pas changé. Ce qui a changé, c'est ce que Claude voit avant de commencer à travailler.
La plupart des développeurs passent leur temps à rédiger de meilleurs prompts. Les ingénieurs d'Anthropic passent leur temps à construire un meilleur contexte. Ce seul changement est responsable de l'écart de productivité par 8.
Les propres recherches d'Anthropic le disent clairement : la qualité d'un agent IA est moins déterminée par le modèle que par le contexte que vous lui fournissez. Claude ne voit que ce qui se trouve dans la fenêtre de contexte. Tout ce qui se trouve en dehors de cette fenêtre n'existe pas. Cela signifie que le travail principal d'un ingénieur IA sérieux n'est pas d'écrire des prompts astucieux, mais de s'assurer que Claude dispose exactement des bonnes informations avant de prendre la moindre mesure.
Cette discipline a désormais un nom : l'ingénierie de contexte (Context Engineering). Et elle remplace l'ingénierie de prompt (Prompt Engineering) de la même manière que cette dernière a remplacé le script manuel il y a deux ans.
Mettez cette page en favori et suivez-moi
Je suis Noisy, un développeur avec 4 ans d'expérience. Je construis des systèmes d'IA, des pipelines d'automatisation et je trouve des moyens de transformer la technologie en revenus réels.
Pourquoi votre agent IA donne de mauvaises réponses
La plupart des gens blâment le modèle lorsqu'un agent IA échoue. Mauvais fichier modifié. Mauvaise hypothèse. Une erreur évidente qu'un développeur aurait remarquée.
Le modèle n'est presque jamais le problème. Le problème, c'est le manque de contexte.
1Ce que la plupart des gens donnent à Claude | un prompt2Ce dont Claude a réellement besoin | connaissances, mémoire, fichiers,3 | règles, exemples, outils,4 | état, actions précédentes
Un prompt est une phrase. Le contexte est l'environnement informationnel complet dans lequel Claude opère. La différence entre un agent qui fonctionne et un autre qui échoue réside presque toujours dans ce qui se trouve dans cet environnement, et non dans le modèle utilisé.
Anthropic le décrit ainsi : le LLM ne voit que ce qui est dans la fenêtre de contexte. Le contexte est le système d'exploitation de l'IA. Si vous le construisez mal, rien ne fonctionne, quelle que soit la capacité du modèle.
Ce qu'est réellement le contexte
La plupart des gens pensent que le contexte correspond au texte qu'ils collent avant leur question. C'est une première couche. Un contexte correctement conçu comporte sept composants travaillant ensemble.
1Mémoire | ce que l'agent sait des sessions passées2Instructions | règles, contraintes, style de codage3Exemples | à quoi ressemble une bonne sortie4Fichiers | code pertinent, docs, architecture5Actions passées | ce que l'agent a déjà tenté6Résultats d'outils| ce que les recherches et fonctions ont renvoyé7État | où en est la tâche actuellement
Chaque fois que Claude effectue une action, le contexte s'enrichit. Les résultats des outils reviennent. De nouveaux fichiers sont lus. L'état est mis à jour. Claude voit le nouveau contexte et décide de l'action suivante. Ce cycle est le véritable mécanisme d'un agent : ce n'est ni le prompt, ni le modèle, mais le contexte qui évolue à chaque étape.
1Requête utilisateur2↓3Contexte construit à partir des sept composants4↓5Claude décide de l'action6↓7L'outil s'exécute8↓9Résultat ajouté au contexte10↓11Claude voit le nouveau contexte12↓13Action suivante14↓15Répéter jusqu'à la fin
Un mauvais agent brise ce cycle à la deuxième étape. Le contexte est incomplet, donc Claude fait des suppositions. Les suppositions sont fausses, donc le résultat est faux. La plupart des développeurs corrigent cela en réécrivant le prompt. La vraie solution est de construire le contexte correctement.
La pile de contexte à trois couches
Anthropic recommande de penser le contexte en trois couches. Chaque couche sert un objectif différent et est chargée à un moment différent du travail de l'agent.
1Contexte global | toujours présent, à chaque session2Contexte projet | chargé au démarrage du projet3Contexte tâche | chargé pour la tâche spécifique
Le Contexte global est la couche permanente. Identité, règles de base, style de codage, ce que l'agent ne doit jamais faire. Cela ne change jamais entre les sessions et n'a jamais besoin d'être réexpliqué.
1Le contexte global contient :2- Identité et rôle de l'agent3- Normes de codage et règles de style4- Contraintes de sécurité5- Ce qu'il ne faut jamais toucher ou modifier6- Comment gérer l'incertitude
Le Contexte projet est la couche de connaissances. Tout ce dont Claude a besoin pour comprendre cette base de code spécifique : l'architecture, les modèles utilisés, les décisions prises et pourquoi, les erreurs passées.
1Le contexte projet contient :2- README et vue d'ensemble de l'architecture3- AGENTS.md avec les règles spécifiques au projet4- Structure des dossiers et conventions de nommage5- Exigences et modèles de test6- Dépendances clés et raisons de leur choix
Le Contexte tâche est la couche d'exécution. Le fichier spécifique sur lequel travailler, le ticket actuel, l'objectif immédiat, les contraintes qui s'appliquent à cette tâche précise.
1Le contexte tâche contient :2- Fichier actuel et fichiers liés3- L'objectif spécifique de cette session4- Changements récents et leurs résultats5- Résultats des tests actuels6- Contraintes spécifiques à cette tâche
La plupart des développeurs ne donnent à Claude que le contexte de la tâche. L'agent commence chaque session sans contexte global ou projet et doit deviner tout ce qu'il ignore. C'est de ces suppositions que naissent les erreurs.
AGENTS.md - le fichier qui change tout
Le fichier le plus important dans toute configuration sérieuse de Claude Code. Les chercheurs ont identifié AGENTS.md comme le nouveau standard pour le contexte des agents de codage IA ; il est désormais présent dans des milliers de dépôts en production précisément parce qu'il fonctionne.
AGENTS.md est l'endroit où le contexte du projet réside de façon permanente. Claude le lit automatiquement au début de chaque session. Après cela, il n'a plus jamais besoin qu'on lui rappelle quoi que ce soit.
1# AGENTS.md23## Architecture4Monorepo avec frontend Next.js et backend Express.5Toutes les routes API se trouvent dans /api. Ne jamais modifier /legacy directement.67## Règles de codage8Ne jamais utiliser axios. Toujours utiliser fetch.9Chaque composant : TypeScript, Tailwind, Server Actions.10Pas d'exports par défaut sauf pour les pages.1112## Tests13Vitest pour les tests unitaires. Playwright pour le E2E.14Exécuter npm test avant chaque commit.15Ne jamais désactiver un test en échec - le corriger ou escalader.1617## Git18Ne jamais commiter directement sur main.19Toujours ouvrir une PR avec une description claire.20Lier chaque PR à un ticket Linear.2122## Ne jamais toucher23src/payments/ - tout changement nécessite une approbation humaine24src/auth/tokens/ - revue de sécurité requise25fichiers .env - ne jamais lire ou modifier
Chaque règle dans ce fichier est une erreur que Claude ne commettra plus jamais. Plus le projet dure, plus AGENTS.md devient spécifique et précieux : c'est la connaissance accumulée de chaque erreur faite par l'agent et de chaque convention établie par l'équipe.
La pile de contexte qui propulse les agents sérieux
Les meilleurs ingénieurs IA ne commencent pas une tâche en écrivant un prompt. Ils construisent une pile de contexte : une séquence structurée d'informations qui se charge avant que Claude ne prenne la moindre mesure.
1Étape 1 | charger le contexte global - identité, règles, style2Étape 2 | charger le contexte projet - AGENTS.md, architecture, docs3Étape 3 | rechercher dans la mémoire les expériences passées pertinentes4Étape 4 | charger les fichiers pertinents pour cette tâche spécifique5Étape 5 | charger l'état actuel - résultats de tests, changements récents6Étape 6 | définir l'objectif de la tâche avec des critères de succès clairs7Étape 7 | Claude agit avec une information complète
Comparez l'apparence d'un agent bien conçu au niveau du contexte par rapport à la configuration par défaut :
1Mauvais agent :2Question → Claude → Réponse3Claude devine tout ce qu'il ne sait pas45Bon agent :6Question7↓ rechercher dans les docs8↓ rechercher dans la mémoire9↓ lire AGENTS.md10↓ lire les fichiers pertinents11↓ vérifier l'état actuel12↓ Claude13↓ Réponse basée sur une information complète
Le second agent n'est pas plus intelligent. Il est mieux informé. Le modèle est identique. Le contexte, lui, ne l'est pas.
Mémoire - le contexte qui survit entre les sessions
Anthropic établit une distinction claire entre les types de mémoire qui alimentent le contexte. La plupart des agents n'en ont qu'une : la conversation actuelle. C'est pourquoi ils repartent de zéro à chaque session.
1Mémoire à long terme | tout ce qui a été appris au fil des sessions passées2Mémoire à court terme | ce qui s'est passé plus tôt dans cette conversation3Mémoire de travail | ce qui est dans la fenêtre de contexte en ce moment
La mémoire à long terme est ce qui permet à un agent de gagner en valeur avec le temps. Chaque session s'y ajoute. Chaque erreur est enregistrée. Chaque modèle réussi est stocké. L'agent qui travaille sur une base de code depuis six mois sait des choses sur ce projet qu'aucun prompt ne peut reproduire.
L'implémentation pratique est un fichier de mémoire : un document markdown en dehors de la conversation que l'agent lit au début de chaque session et met à jour à la fin.
1# Mémoire du projet23## Décisions d'architecture4- Choix de Supabase plutôt que Firebase : temps réel moins critique, besoin de requêtes SQL5- Passage de REST à tRPC : sécurité de type sur toute la stack, juin 202667## Ce qui a fonctionné8- Une couverture de test plus élevée avant le refactoring empêche les régressions9- Découper les grosses PR en releases avec feature flags réduit le temps de revue1011## Ce qui n'a pas fonctionné12- Génération automatique des migrations : la dérive du schéma a causé un incident en production13- Écritures parallèles de l'agent sur le même fichier : toujours utiliser des worktrees1415## Modèles récurrents16- Les problèmes d'authentification remontent presque toujours à l'ordre des middlewares17- Les problèmes de performance commencent généralement dans la couche de requête de la base de données
À chaque session, ce fichier est lu. À chaque session, il est mis à jour. L'agent n'oublie jamais.
MCP - le contexte venant de partout
Le contexte ne provient pas seulement des fichiers du dépôt. Un agent en production a besoin de contexte provenant de chaque système utilisé par l'équipe : le gestionnaire de tickets, le moniteur d'erreurs, la documentation, la base de données, les outils de communication.
Le Model Context Protocol (MCP) est la façon dont Claude extrait du contexte de systèmes externes sans intégrations personnalisées pour chacun.
1Système de fichiers | fichiers locaux, configs, bases de code2GitHub | tickets, PRs, historique de commits, résultats CI3Linear / Jira | tickets, priorités, état du projet4Slack | décisions prises, contexte des discussions5Postgres | données en direct, schéma, résultats de requêtes6Google Drive | docs, specs, notes de réunion7Sentry | erreurs en direct, fréquence, utilisateurs affectés
Un agent avec MCP configuré ne voit pas seulement le code. Il voit le ticket décrivant pourquoi cette fonctionnalité est nécessaire, la conversation Slack où l'architecture a été décidée, l'erreur Sentry montrant comment les utilisateurs rencontrent le bug et le schéma de base de données que le correctif doit respecter.
C'est un contexte complet. Tout ce dont Claude a besoin pour prendre la bonne décision sans deviner.
Le flux de travail de l'ingénierie de contexte
Voici à quoi ressemble une tâche correctement conçue au niveau du contexte, du début à la fin.
Au lieu de :
1Construire la fonctionnalité d'export.
Vous donnez à Claude :
1Objectif2La fonctionnalité d'export bloque la conversion gratuit vers pro.3Voir signal : /signals/export-too-hidden.md45Fichiers pertinents6src/features/export/ - implémentation actuelle7src/components/ui/Button.md - modèles de boutons à suivre8tests/features/export.test.ts - couverture de test existante910Contraintes d'architecture11Lire la section AGENTS.md : Règles d'export12Ne jamais modifier l'intégration de facturation directement1314Critères de succès15Tous les tests existants passent16Les nouveaux tests couvrent les trois formats d'export17Ouverture d'une PR avec le ticket Linear EXP-47 lié18Aucun changement dans src/payments/
Même tâche. Contexte complètement différent. Le résultat n'est pas légèrement meilleur : il est catégoriquement différent parce que Claude prend des décisions avec une information complète au lieu de suppositions intelligentes.
La configuration pratique pour ce week-end
Jour 1 - Construisez la pile de contexte à trois couches. Écrivez un fichier de contexte global avec l'identité et les règles de base. Créez AGENTS.md avec votre architecture de projet, vos conventions de codage et votre liste "ne jamais toucher". Mettez en place un fichier de mémoire qui se charge au début de la session et se met à jour à la fin.
Jour 2 - Connectez le contexte externe via MCP. Installez le connecteur GitHub pour que Claude voie votre gestionnaire de tickets et votre historique de PR. Installez le connecteur de système de fichiers pour qu'il navigue efficacement dans la base de code. Ajoutez Slack ou Linear si votre équipe les utilise pour les décisions.
Jour 3 - Testez la différence. Exécutez la même tâche avec votre ancienne approche basée uniquement sur le prompt et avec la pile de contexte complète. L'écart de résultat est là où se trouvent les 8x de productivité.
Le changement qui a déjà eu lieu
L'ingénierie de prompt consistait à trouver les bons mots. L'ingénierie de contexte consiste à construire le bon environnement informationnel.
Les meilleurs ingénieurs IA chez Anthropic ne passent pas leur temps à élaborer des prompts astucieux. Ils passent leur temps à s'assurer que Claude dispose exactement des bonnes connaissances, de la mémoire, des fichiers, des règles et de l'état avant de prendre la moindre mesure. Le prompt représente le dernier 1 % du travail. Le contexte représente les 99 % restants.
Un agent avec des prompts parfaits mais un contexte médiocre fait des erreurs intelligentes. Un agent avec des prompts moyens mais un contexte complet prend des décisions correctes. Le modèle est le même. L'environnement informationnel ne l'est pas.
Le contexte est le système d'exploitation de l'IA. Construisez-le correctement et l'écart de productivité par 8 cessera d'être quelque chose qui arrive chez Anthropic pour devenir quelque chose qui arrive dans votre base de code.
La plupart des développeurs continueront à réécrire leurs prompts en se demandant pourquoi les résultats ne s'améliorent pas. Quelques-uns passeront un week-end à construire une pile de contexte appropriée et ne reviendront jamais en arrière.
Vous construisez votre propre vie, alors choisissez le bon chemin.
/ Si cela vous a été utile, abonnez-vous /
