Claude Code : caler vos intentions avec des agents de codage

Gagner en vitesse avec Claude Code ou Codex ne suffit pas si l’agent n’implémente pas exactement ce qui est voulu. Des techniques pragmatiques existent pour réduire les allers‑retours et clarifier les attentes, depuis un mode plan qui interroge avant d’agir jusqu’à des prompts très contextuels. La plus efficace consiste à faire valider sa propre compréhension par l’agent, une boucle pouvant être répétée 10 à 20 fois par jour. Un exemple d’application Vercel montre aussi comment suivre plus de 15 agents, détecter ceux qui réclament un input et répondre via des options prédéfinies générées par un LLM.

Superviser plus de 15 agents via une application Vercel

Le besoin de coordination s’est accru lorsque plus de 15 agents tournaient en parallèle. Pour y répondre, une application sous forme de site Vercel a été pensée afin d’accéder aux agents de codage depuis un téléphone ou un Mac. Ce dispositif simplifie l’identification des agents qui peuvent continuer seuls et de ceux qui attendent un input, et ajoute un balayage pour parcourir rapidement l’ensemble des agents. L’idée sert un objectif unique : rendre l’interaction plus efficace lorsque le volume d’agents rend la vue d’ensemble difficile. Un plan d’implémentation a listé des exigences claires. L’application doit être accessible et optimisée pour mobile et PC, afficher tous les agents, qu’ils soient fondés sur Codex ou Claude Code, et faciliter la détection des agents autonomes ou en attente d’un input, avec alertes à l’appui. Elle doit aussi s’appuyer sur un LLM pour simplifier les requêtes et proposer, la plupart du temps, des réponses par alternatives prédéterminées. Un agent a été chargé d’établir le plan et de décrire la construction de l’application. Par la suite, des éclaircissements ont été demandés sur le fonctionnement du LLM, notamment l’identification des tâches en attente et la génération de questions à choix multiples à partir des fils concernés, avec une demande explicite de validation de compréhension.

Faire valider sa compréhension par l’agent, en boucle

La technique centrale consiste à présenter sa compréhension et à demander à l’agent si elle est correcte. Utilisée de façon itérative, cette boucle peut être répétée 10 à 20 fois par jour, voire davantage les jours très actifs, pour rester strictement aligné. Elle transfère la charge des questions vers l’agent, évitant à l’humain de les formuler et renforçant l’efficacité du dialogue. Deux bénéfices en découlent. D’une part, l’humain suit précisément l’ensemble des sujets traités par l’agent. D’autre part, l’agent lit la perspective proposée et indique si elle est incorrecte, totalement correcte ou partiellement correcte, ce qui facilite la correction ciblée des incompréhensions. Cette approche contraste avec l’alternative où l’agent explique tout le travail réalisé avant vérification et tests manuels : cette voie ne garantit ni la complétude de la compréhension, ni sa vérifiabilité.

Laisser l’agent planifier et questionner avant d’écrire du code

Activer le mode plan amène l’agent à auditer le dépôt en lecture seule et à proposer un plan de mise en œuvre. Dans ce cadre, l’agent pose des questions de clarification, ce qui améliore l’alignement et accélère les échanges, car il est plus rapide de répondre à des questions ciblées que d’interroger l’agent sur sa compréhension. Laisser l’agent mener l’interrogation s’avère ainsi plus efficace pour caler les intentions. Ce mode n’est toutefois pas indispensable pour les petites tâches lorsque le prompt initial est suffisamment clair. Il se révèle particulièrement pertinent pour les sujets de portée plus large, où la planification et le questionnement préalable évitent des itérations coûteuses.

Rédiger des prompts riches en contexte, sans limite de longueur

Des prompts détaillés qui accumulent le contexte améliorent la précision des implémentations. La longueur n’est pas un obstacle : ajouter du texte n’est pas un problème lorsque le contexte rend l’intention plus explicite. Ce contexte peut être reformulé par l’auteur du prompt ou agrégé à partir de sources hétérogènes. Parmi les apports utiles figurent des messages Slack avec captures d’écran ou encore des pages de base de connaissances Notion. Il est recommandé d’assurer l’accès de l’agent à ces ressources et de lui demander de les exploiter activement durant l’implémentation et la recherche. Une variante efficace consiste à mobiliser un agent de codage séparé pour préparer un prompt très détaillé, jouant un rôle d’agent de pré‑travail et intégrant d’emblée des réponses aux questions que l’agent principal se poserait sinon.

Mesurer le coût du désalignement et sécuriser l’intention

Le désalignement se manifeste par des choix de design non souhaités ou par une logique erronée dans la fonctionnalité implémentée. Il impose des cycles de relecture et de retour successifs et augmente le temps humain nécessaire à l’achèvement de la tâche. Le coût est significatif et justifie un investissement méthodique pour clarifier l’intention avant et pendant l’implémentation. Alors que le codage s’accélère avec des agents comme Claude Code ou Codex, la valeur du temps s’accroît et la moindre approximation pèse davantage. D’où l’intérêt de pratiques qui sécurisent la compréhension de ce qui doit être fait et réduisent les retouches : définir l’objectif d’alignement, expliciter l’intention au point de limiter les hypothèses erronées de l’agent, et traiter l’alignement comme un goulet prioritaire à gérer au même titre que le choix des sujets sur lesquels travailler.