Tu veux les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Chez des utilisateurs quotidiens de Claude, la bibliothèque de contexte s’avère plus difficile à concevoir, à stocker et à maintenir que l’écriture de prompts. Entre connexions fragiles, fichiers introuvables et mises à jour déléguées à l’agent, des pratiques se dégagent. Elles dessinent un travail d’ingénierie du contexte continu, souvent appris par essais-erreurs, avec des solutions concrètes pour éviter l’obsolescence et la surcharge.
Stockage éclaté et repérage incertain freinent l’usage
Le stockage cloud proposé par Claude pour le contexte a été jugé peu lisible et peu fiable par les participants. L’un d’eux, après avoir créé plusieurs compétences d’agent dans l’application de bureau, ne savait pas où elles étaient stockées ; un autre, confronté à des échecs répétés, a préféré revenir à Google Drive. Beaucoup privilégiaient le travail dans le terminal, avec des fichiers locaux facilement accessibles, et partageaient leur bibliothèque via Google Drive pour permettre la lecture et la modification par des collaborateurs. GitHub avait été envisagé pour le contrôle de version, mais aucun participant ne l’a adopté. Lors des sessions, des fichiers jugés cruciaux étaient parfois introuvables, au point que certains demandaient à l’agent de les retrouver. Un participant a découvert l’existence d’un fichier de contexte global influent sans en avoir connaissance. Une compréhension incomplète de l’arborescence peut conduire l’agent à manquer un contexte important non explicitement indiqué, ou à charger des informations non pertinentes. Les niveaux d’organisation variaient fortement : certains laissaient Google Drive encombré de fichiers jetables créés par Claude, d’autres maintenaient une hiérarchie méticuleuse de plus de 2 700 fichiers, ou encore des centaines de dossiers imbriqués dans le dossier Téléchargements. Une méthode documentée par les laboratoires d’IA consiste à placer une « carte d’index » dans chaque dossier, décrivant son contenu et son usage ; dans l’écosystème Claude, ces fichiers portent le nom CLAUDE.md.
Maintenance continue et intégrations cassantes
Des fichiers de contexte étaient souvent rédigés une seule fois puis utilisés pendant des mois, sans être adaptés à l’évolution des pratiques. Certains participants ne vérifiaient plus la pertinence de leurs éléments de contexte, d’autres continuaient à exécuter des routines auxquelles ils ne faisaient plus confiance, ou dépendaient d’intégrations fragiles à des bases externes. Contrairement à un collègue humain, l’IA ne perçoit pas l’obsolescence implicite et l’enrichissement du contexte ambiant, par exemple par des connexions MCP à des transcriptions de réunions, n’a pas permis de remédier à cette limite. Parmi les cas évoqués figure celui d’une automatisation quotidienne de synthèse de tâches qui a perdu en pertinence avec l’évolution des méthodes de travail, même si l’agent accédait aux emails, messages et transcriptions : les instructions restaient trop isolées et certaines informations étaient omises sans signalement explicite. Une part importante du contexte était issue de ressources externes telles que Notion ou HubSpot, accessibles via MCP ou API, mais la fiabilité de ces accès était problématique. Plusieurs participants ont fait part de leur agacement face à la gestion de ces connexions, l’un d’eux parlant même de « dégradation du système » : sa liaison Todoist se déconnectait fréquemment, privant Claude de l’accès à la liste de tâches jusqu’à une reconnexion manuelle, au point d’envisager un agent chargé spécifiquement du maintien des connexions. Ces obstacles remettent en cause le gain de temps attendu de l’utilisation des agents.
Laisser l’agent éditer, juger ensuite sur la sortie
La majorité des participants n’apportaient pas eux-mêmes de modifications à leurs fichiers de contexte. Même lorsque le fichier markdown était ouvert, ils privilégiaient de confier les modifications à Claude, estimant que cette méthode était plus rapide et assurait une homogénéité dans le style et la structure. Les mises à jour pouvaient être demandées manuellement ou déclenchées automatiquement par des workflows, et concernaient souvent plusieurs fichiers à la fois, par exemple pour intégrer une nouvelle contrainte à un projet. Les utilisateurs ne savaient pas toujours quels fichiers devaient être modifiés ni où ils se trouvaient, et vérifiaient rarement les modifications apportées par Claude. Ils évaluaient plutôt la qualité des résultats produits par l’agent, et en cas de sortie insatisfaisante, demandaient un nouveau passage de mises à jour ciblées.
Garder la bibliothèque à jour : audit et feedback explicite
Des pratiques concrètes émergent pour limiter l’obsolescence du contexte : il est recommandé de demander à l’IA d’auditer le contexte global ou local à la lumière du contexte ambiant récent, par exemple en comparant la transcription d’une réunion annonçant un changement de priorités avec le contexte du projet, puis en validant et en faisant appliquer les ajustements. Un autre point clé consiste à fournir un retour explicite à l’IA lorsque la manière de travailler s’écarte d’une routine : plusieurs participants savaient formuler ce qui n’allait pas mais ne l’avaient pas exprimé à l’agent. Dicter ce feedback et demander la mise à jour prend quelques minutes, un investissement pertinent pour un outil utilisé fréquemment.
Ce que recouvre le « contexte » et comment les utilisateurs l’apprennent
La bibliothèque de contexte regroupe des connaissances institutionnelles et procédurales, souvent stockées dans des fichiers markdown, et peut être étendue par des connexions MCP ou API vers des sources externes comme Notion, Slack ou Granola. Certaines informations sont activement mises à jour, d’autres seulement consultées. Trois rôles principaux sont distingués : global (informations stables et transversales), local (limité à une tâche ou un projet), et ambiant (flux brut non curé). Les systèmes IA guident peu les utilisateurs dans la gestion du contexte : beaucoup apprennent via des publications sur X, Reddit ou par expérimentation, alors que la maîtrise de ces outils ne devrait pas nécessiter la lecture de pages de support destinées aux développeurs. Des leçons issues d’utilisateurs experts travaillant quotidiennement avec Claude et disposant de bibliothèques étendues montrent que les publics moins techniques rencontreraient probablement les mêmes difficultés, amplifiées. Sur le terrain, les participants ont consacré plus d’efforts à l’ingénierie de ces bibliothèques qu’à la rédaction de prompts, souvent dictés sur le vif, en bricolant des méthodes personnelles ; les fichiers devenaient obsolètes ou disparaissaient, et beaucoup supposaient que d’autres faisaient mieux.
