AI-Driven Developer

Le parcours complet pour maîtriser l'IA et coder 2 à 10x plus vite, étape par étape.

Départ

IDE IA

Choisir et configurer son éditeur augmenté à l'IA.

Claude Code (terminal natif)

Cursor (IDE complet IA)

GitHub Copilot (complétion inline)

Windsurf (Codeium)

Codex CLI (OpenAI)

VS Code / JetBrains + plugins

IDE & Outils IA

Configuration

Sécuriser et optimiser son environnement de travail.

Raccourcis & keybindings IA

Protection des données sensibles

Anonymiser les données de prod

Terminal IA (Warp, iTerm…)

Extensions & plugins essentiels

IDE IA

Choisir et configurer son éditeur augmenté à l'IA.

Claude Code (terminal natif)

Cursor (IDE complet IA)

GitHub Copilot (complétion inline)

Windsurf (Codeium)

Codex CLI (OpenAI)

VS Code / JetBrains + plugins

Configuration

Sécuriser et optimiser son environnement de travail.

Raccourcis & keybindings IA

Protection des données sensibles

Anonymiser les données de prod

Terminal IA (Warp, iTerm…)

Extensions & plugins essentiels

Fonctionnement

Ce qu'il faut comprendre pour bien utiliser un LLM.

Tokens → unités de texte traitées

Context Window → mémoire de conversation

Temperature → créativité vs précision

Biais & hallucinations → limites à connaître

Raisonnement → Chain-of-Thought interne

Comprendre les LLMs

Choisir son modèle

Quel modèle utiliser, quand, et pourquoi.

Sonnet → code rapide & édition

Opus → raisonnement complexe

Haiku → tâches simples & rapides

Thinking models → plans & archi

GPT / o-series (OpenAI)

Gemini (Google)

Llama & Mistral (open source)

LLMs locaux → Ollama, LM Studio

Benchmarks → comparer les modèles

Fonctionnement

Ce qu'il faut comprendre pour bien utiliser un LLM.

Tokens → unités de texte traitées

Context Window → mémoire de conversation

Temperature → créativité vs précision

Biais & hallucinations → limites à connaître

Raisonnement → Chain-of-Thought interne

Choisir son modèle

Quel modèle utiliser, quand, et pourquoi.

Sonnet → code rapide & édition

Opus → raisonnement complexe

Haiku → tâches simples & rapides

Thinking models → plans & archi

GPT / o-series (OpenAI)

Gemini (Google)

Llama & Mistral (open source)

LLMs locaux → Ollama, LM Studio

Benchmarks → comparer les modèles

Techniques de prompting

Les patterns pour obtenir des résultats fiables.

Zero-shot → prompter sans exemple

Few-shot → donner des exemples

Chain-of-Thought → raisonner étape par étape

System Prompts → instructions permanentes

Structured Output → forcer JSON, XML, MD

Prompt Chaining → enchaîner les prompts

Prompt Caching → réutiliser le contexte

Prompt Engineering

Construire un prompt

Structurer, templater et partager ses prompts.

Rôle + Contexte + Tâche

Contraintes & format de sortie

Exemples intégrés (few-shot)

Prompt Templates réutilisables

Bibliothèque de prompts d'équipe

Itérer & debugger un prompt

Techniques de prompting

Les patterns pour obtenir des résultats fiables.

Zero-shot → prompter sans exemple

Few-shot → donner des exemples

Chain-of-Thought → raisonner étape par étape

System Prompts → instructions permanentes

Structured Output → forcer JSON, XML, MD

Prompt Chaining → enchaîner les prompts

Prompt Caching → réutiliser le contexte

Construire un prompt

Structurer, templater et partager ses prompts.

Rôle + Contexte + Tâche

Contraintes & format de sortie

Exemples intégrés (few-shot)

Prompt Templates réutilisables

Bibliothèque de prompts d'équipe

Itérer & debugger un prompt

Configurer le contexte

Donner à l'IA toute la connaissance de votre projet.

CLAUDE.md → instructions projet permanentes

.cursorrules → règles Cursor

/init → générer la mémoire du projet

Memory Bank → brief, archi, codebase map

Context Linking → relier docs et prompts

Auto-documentation → mise à jour continue

Documents externes → specs API, Figma…

Context Engineering

Outils de contexte

Connecter, indexer et enrichir le contexte.

MCP Servers → connecter outils externes

Context Window → gérer la taille du contexte

Indexation codebase → recherche sémantique

Grosses codebases → distribuer par module

Configurer le contexte

Donner à l'IA toute la connaissance de votre projet.

CLAUDE.md → instructions projet permanentes

.cursorrules → règles Cursor

/init → générer la mémoire du projet

Memory Bank → brief, archi, codebase map

Context Linking → relier docs et prompts

Auto-documentation → mise à jour continue

Documents externes → specs API, Figma…

Outils de contexte

Connecter, indexer et enrichir le contexte.

MCP Servers → connecter outils externes

Context Window → gérer la taille du contexte

Indexation codebase → recherche sémantique

Grosses codebases → distribuer par module

Rules & Guardrails

Cadrer l'IA pour qu'elle respecte vos standards.

Coding Rules → 10 catégories de règles

/generate_rules → créer des règles auto

/assert → valider build, tests, lint, types

Pre-commit hooks → vérifier avant chaque commit

CI/CD protection → qualité en pipeline

Harness Engineering

Qualité sous IA

Garder un code maintenable malgré la génération.

Clean Code → craft appliqué sous IA

/review_code → revue auto du diff

Code Review IA → 3 niveaux de revue

Sécurité → détecter les prompt injections

/assert_architecture → valider la structure

Rules & Guardrails

Cadrer l'IA pour qu'elle respecte vos standards.

Coding Rules → 10 catégories de règles

/generate_rules → créer des règles auto

/assert → valider build, tests, lint, types

Pre-commit hooks → vérifier avant chaque commit

CI/CD protection → qualité en pipeline

Qualité sous IA

Garder un code maintenable malgré la génération.

Clean Code → craft appliqué sous IA

/review_code → revue auto du diff

Code Review IA → 3 niveaux de revue

Sécurité → détecter les prompt injections

/assert_architecture → valider la structure

Planifier

Transformer un besoin en plan d'implémentation.

/brainstorm → explorer les approches

/plan → générer un plan technique

/ticket_info → extraire le contexte d'un ticket

/create_user_stories → spécifier le besoin

Master Plans → découper les features complexes

AI Coding Flow

Implémenter

Coder, valider et shipper avec l'IA.

/implement → coder phase par phase

/assert → valider entre chaque phase

/review_code → revue avant commit

/commit → message standardisé auto

/create_request → PR/MR avec template rempli

/learn → capturer les décisions dans la mémoire

Planifier

Transformer un besoin en plan d'implémentation.

/brainstorm → explorer les approches

/plan → générer un plan technique

/ticket_info → extraire le contexte d'un ticket

/create_user_stories → spécifier le besoin

Master Plans → découper les features complexes

Implémenter

Coder, valider et shipper avec l'IA.

/implement → coder phase par phase

/assert → valider entre chaque phase

/review_code → revue avant commit

/commit → message standardisé auto

/create_request → PR/MR avec template rempli

/learn → capturer les décisions dans la mémoire

Générer des tests

Systématiser les tests avec l'IA.

@kent → TDD strict red→green→refactor

/test → générer les tests manquants

Test data → jeux de données automatiques

Coverage & Gherkin → specs comportementales

Tests E2E → parcours utilisateur complet

Self-healing → auto-réparation des tests

Tests & Qualité

Débugger

Trouver et résoudre les bugs méthodiquement.

/debug → hypothèses + scores de confiance

/reproduce → créer un test qui échoue

/reflect_issue → prendre du recul

Root Cause Analysis → trouver la cause racine

/new_issue → différer un bug en issue

/performance → optimiser les bottlenecks

/security_refactor → corriger les failles

Générer des tests

Systématiser les tests avec l'IA.

@kent → TDD strict red→green→refactor

/test → générer les tests manquants

Test data → jeux de données automatiques

Coverage & Gherkin → specs comportementales

Tests E2E → parcours utilisateur complet

Self-healing → auto-réparation des tests

Débugger

Trouver et résoudre les bugs méthodiquement.

/debug → hypothèses + scores de confiance

/reproduce → créer un test qui échoue

/reflect_issue → prendre du recul

Root Cause Analysis → trouver la cause racine

/new_issue → différer un bug en issue

/performance → optimiser les bottlenecks

/security_refactor → corriger les failles

Agents personnalisés

Agents IA custom définis dans AGENTS.md, chacun avec un rôle et des outils.

@martin → valide build, tests & lint en boucle

@kent → TDD strict, sépare structure et comportement

@claire → clarifie les requirements avant de coder

@iris → implémente pixel-perfect depuis Figma

@alexia → implémente de A à Z sans questions

/generate_agent → créer son propre agent

Agents & Autonomie

Mode autonome

Lancer l'IA en autonomie et valider le résultat.

Agentic Loop → boucle implement→assert→fix

Codage asynchrone → lancer et revenir plus tard

Multi-worktree → 1 branche isolée par feature

Agents parallèles → plusieurs agents en même temps

Auto-coding Cloud → exécution distante

Auto-merge → merge auto après validation