Glossaire
Comprendre le vocabulaire de l'IA
Les notions essentielles de l'intelligence artificielle et de l'écosystème Claude, définies simplement et sans jargon.
Agent IA
Un agent IA est un système qui utilise un modèle de langage pour planifier et exécuter des tâches en plusieurs étapes de façon autonome.
Un agent IA est un système qui s'appuie sur un modèle de langage pour accomplir une tâche en plusieurs étapes, sans qu'un humain ait à valider chaque action. Là où un simple assistant répond à une question, un agent décompose un objectif, choisit les outils à utiliser, observe les résultats et ajuste sa démarche jusqu'à atteindre le but fixé.
Comment ça fonctionne
Un agent fonctionne généralement en boucle. À partir d'un objectif, il raisonne pour décider de la prochaine action, exécute cette action grâce à un outil, puis analyse le retour obtenu. Ce cycle se répète jusqu'à ce que la tâche soit terminée.
Les outils sont essentiels : ils permettent à l'agent d'agir au-delà du texte. Le MCP est l'un des moyens les plus courants de connecter un agent à des services externes comme un système de fichiers ou une API. La qualité du raisonnement dépend aussi de la fenêtre de contexte, qui détermine la quantité d'informations que l'agent peut garder en mémoire.
Pourquoi c'est important
Les agents font passer l'IA d'un rôle de conseiller à un rôle d'exécutant. Ils peuvent automatiser des processus longs et répétitifs : trier des e-mails, préparer un rapport, corriger du code. Cette autonomie apporte un gain de temps réel, mais demande aussi des garde-fous, car un agent qui se trompe peut enchaîner plusieurs erreurs.
Garder le contrôle
Plus un agent est autonome, plus il est important de définir clairement ses limites et de surveiller ses actions, surtout lorsqu'il peut modifier des données ou envoyer des messages.
Exemple
Pour gérer une tâche complexe, un agent peut déléguer une partie du travail à un sous-agent spécialisé. Imaginez un agent chargé de publier un article : il confie la recherche documentaire à un sous-agent, la relecture à un autre, puis assemble le résultat final.
Claude Code est un bon exemple d'agent appliqué au développement logiciel. Pour comprendre les bonnes pratiques de collaboration avec une IA, le cours AI Fluency : les fondamentaux offre une base solide.
Anthropic
Anthropic est l'entreprise d'intelligence artificielle qui développe Claude, en mettant l'accent sur la sécurité de l'IA.
Anthropic est l'entreprise d'intelligence artificielle qui conçoit Claude. Elle se présente comme un laboratoire axé sur la recherche en sécurité de l'IA, avec l'objectif de développer des systèmes à la fois puissants, fiables et alignés sur les intentions humaines.
Ce que fait Anthropic
Anthropic développe la famille de modèles Claude, des LLM capables de rédiger, d'analyser et de raisonner. L'entreprise propose aussi des outils et des protocoles autour de ces modèles, comme Claude Code pour le développement logiciel et le MCP pour connecter Claude à des services externes. Anthropic met aussi à disposition une formation gratuite officielle, l'Anthropic Academy, qui regroupe 21 cours pour apprendre Claude pas à pas.
Au-delà des produits, Anthropic publie des travaux de recherche sur le comportement des modèles, leur interprétabilité et les moyens de réduire leurs risques.
Pourquoi c'est important
Comprendre qui conçoit un outil d'IA aide à juger de sa fiabilité et de sa philosophie. Anthropic met régulièrement en avant des principes de prudence : signaler les incertitudes, éviter les contenus problématiques, suivre de près les consignes de l'utilisateur. Ces choix influencent directement la manière dont Claude se comporte.
Se référer à la source officielle
Les offres, les modèles et les fonctionnalités d'Anthropic évoluent fréquemment. Pour toute information précise et à jour, consultez le site officiel d'Anthropic.
À retenir
Ce glossaire et l'ensemble du site Prépa CCA-F sont un guide indépendant et non officiel. Nous n'appartenons pas à Anthropic et ne parlons pas en son nom : notre objectif est pédagogique, expliquer Claude et son écosystème de manière accessible en français.
Si vous découvrez l'univers de Claude, le cours Claude 101 présente l'assistant et ses usages. Pour aller plus loin et valider vos compétences, la certification Certified Architect vous guide vers la conception de solutions fondées sur ces technologies.
Artifacts
Les Artifacts sont des contenus autonomes générés par Claude — code, documents, pages — affichés dans un espace dédié.
Les Artifacts sont une fonctionnalité de l'interface de Claude qui affiche certains contenus générés dans un panneau dédié, séparé du fil de conversation. Au lieu de noyer un long bloc de code ou un document dans les messages, Claude le présente comme un objet à part entière, que vous pouvez consulter, modifier et réutiliser.
Comment ça fonctionne
Lorsque votre prompt demande la création d'un contenu substantiel et autonome — un extrait de code, un document structuré, une page web, un tableau — Claude peut le placer dans un Artifact. Ce panneau s'actualise au fil de la conversation : si vous demandez une correction, l'Artifact est mis à jour plutôt que recréé entièrement plus bas.
Cette séparation rend le travail plus lisible. Le fil de discussion reste consacré aux échanges, tandis que le résultat final est isolé et facile à retrouver.
Pourquoi c'est important
Les Artifacts transforment Claude en véritable espace de production, et pas seulement de conversation. Ils facilitent l'itération : vous voyez le contenu évoluer, vous le commentez, vous demandez des ajustements. C'est particulièrement utile pour des livrables que vous comptez exporter ou réutiliser.
Une fonctionnalité qui évolue
Les fonctionnalités de l'interface de Claude évoluent régulièrement. Pour connaître leur disponibilité exacte selon votre offre, reportez-vous au site officiel d'Anthropic.
Exemple
Supposons que vous demandiez à Claude de créer une petite page de présentation. Le code apparaît dans un Artifact, parfois accompagné d'un aperçu. Vous demandez ensuite de changer les couleurs et d'ajouter un bouton : l'Artifact se met à jour sous vos yeux, sans encombrer la conversation.
Les Artifacts complètent des outils comme Claude Code, qui agit lui directement dans vos fichiers. Pour découvrir l'ensemble des usages de Claude, commencez par le cours Claude 101.
Claude Code
Claude Code est l'outil d'Anthropic qui permet d'utiliser Claude comme assistant de développement directement dans un projet.
Claude Code est l'outil d'Anthropic qui permet d'utiliser Claude comme assistant de développement logiciel. Plutôt que de copier-coller du code dans une fenêtre de discussion, vous laissez Claude travailler directement au contact de votre projet : lire les fichiers, proposer des modifications, exécuter des commandes.
Comment ça fonctionne
Claude Code se comporte comme un agent IA spécialisé. À partir d'une demande en langage naturel, il explore le code existant, planifie les changements nécessaires, applique les modifications et peut lancer des tests pour vérifier le résultat.
Il s'appuie sur le MCP pour étendre ses capacités : connexion à des bases de données, à des outils de suivi de tickets ou à d'autres services. Pour les tâches complexes, il peut aussi déléguer une partie du travail à un sous-agent afin de répartir l'effort.
Pourquoi c'est important
Claude Code rapproche l'IA du flux de travail réel des développeurs. Il accélère les tâches répétitives — corriger un bug, écrire des tests, documenter une fonction — et aide à comprendre rapidement un projet inconnu. C'est un gain de productivité notable, à condition de relire les changements proposés.
Rester aux commandes
Claude Code propose, mais c'est vous qui validez. Relisez toujours les modifications avant de les intégrer, surtout sur du code en production.
Exemple
Imaginez que vous repreniez un projet abandonné depuis des mois. Vous pouvez demander à Claude Code de résumer l'architecture, de repérer les dépendances obsolètes, puis de proposer un plan de mise à jour. Il travaille fichier par fichier, en expliquant chaque étape.
Pour apprendre à exploiter cet outil de manière concrète, le cours Claude Code en action propose des mises en situation détaillées, du premier prompt jusqu'aux usages avancés.
Fenêtre de contexte
La fenêtre de contexte est la quantité maximale de texte qu'un modèle comme Claude peut prendre en compte en une seule fois.
La fenêtre de contexte désigne la quantité maximale de texte qu'un modèle de langage peut traiter en une seule interaction. Elle englobe à la fois ce que vous écrivez, les documents que vous fournissez et la réponse que le modèle génère. Si vous dépassez cette limite, les informations les plus anciennes risquent d'être oubliées ou tronquées.
Comment ça fonctionne
La fenêtre de contexte se mesure en tokens, de petites unités de texte. Chaque modèle possède une taille maximale : par exemple plusieurs centaines de milliers de tokens pour les modèles récents. Tout ce qui entre dans la conversation consomme cet espace, y compris le prompt système et l'historique des échanges.
Lorsqu'une conversation devient très longue, le modèle ne « voit » plus le tout début. C'est pourquoi il est parfois utile de résumer les éléments importants ou de relancer une conversation propre.
Pourquoi c'est important
La taille de la fenêtre de contexte détermine ce que le modèle peut « garder en tête ». Une grande fenêtre permet d'analyser un long document, de suivre une conversation détaillée ou de raisonner sur beaucoup d'informations à la fois. À l'inverse, une fenêtre saturée dégrade la qualité des réponses.
Conseil pratique
Placez les informations les plus importantes au début et à la fin de votre message : ce sont souvent les zones que le modèle exploite le mieux.
Exemple
Supposons que vous fournissiez un contrat de cinquante pages à Claude. Si le document tient dans la fenêtre de contexte, le modèle peut le résumer ou répondre à des questions précises dessus. S'il est trop volumineux, une approche de type RAG permet de ne sélectionner que les passages utiles plutôt que de tout charger.
Comprendre cette notion change votre façon de formuler vos demandes. Le cours Claude 101 explique comment structurer vos consignes pour tirer le meilleur parti du contexte disponible.
Fine-tuning
Le fine-tuning consiste à réentraîner un modèle de langage sur des données spécifiques pour l'adapter à un domaine ou un style.
Le fine-tuning, ou affinage, consiste à poursuivre l'entraînement d'un modèle de langage déjà existant sur un jeu de données plus restreint et spécialisé. L'objectif n'est pas de repartir de zéro, mais d'adapter un LLM généraliste à un domaine, un ton ou un format précis.
Comment ça fonctionne
Un LLM est d'abord entraîné sur d'énormes corpus génériques. Le fine-tuning ajoute une étape : on lui présente des exemples ciblés — des questions-réponses, des documents d'un secteur, un style d'écriture — et on ajuste légèrement ses paramètres internes pour qu'il s'aligne sur ces exemples.
Le résultat est un modèle qui conserve ses capacités générales tout en étant plus performant sur la tâche visée. La qualité de l'affinage dépend directement de la qualité et de la cohérence des données fournies.
Pourquoi c'est important
Le fine-tuning permet d'obtenir un comportement régulier sur des tâches répétitives, ou d'imposer un style maison difficile à décrire entièrement dans un prompt. Il a cependant un coût : il faut préparer les données, lancer l'entraînement, puis maintenir le modèle dans le temps.
Pas toujours nécessaire
Avant de recourir au fine-tuning, essayez un bon prompt et l'approche RAG. L'affinage n'est justifié que lorsque ces méthodes plus simples ne suffisent pas.
Exemple
Une entreprise juridique souhaite que son assistant rédige des clauses dans un style très précis. Plutôt que de répéter de longues consignes à chaque demande, elle affine un modèle sur des centaines de clauses validées. Le modèle adopte alors naturellement le bon vocabulaire et la bonne structure.
Le fine-tuning se distingue du RAG : l'un modifie le modèle, l'autre lui fournit des documents au moment de la réponse. La disponibilité exacte de ces options pour Claude est à vérifier sur le site officiel d'Anthropic. Pour situer ces choix dans une architecture complète, voyez la certification Certified Architect.
Hallucination (IA)
Une hallucination est une réponse d'IA qui paraît crédible mais qui est en réalité inexacte ou inventée.
Une hallucination, dans le domaine de l'IA, désigne une réponse qui semble plausible et bien formulée mais qui est en réalité fausse ou inventée. Le modèle ne ment pas volontairement : il produit ce qui lui paraît statistiquement cohérent, même lorsque l'information n'existe pas.
Comment ça fonctionne
Un LLM fonctionne par prédiction du texte le plus probable. Il n'a pas de mécanisme intégré pour vérifier la vérité d'un fait. Lorsqu'une question porte sur un sujet qu'il connaît mal, il comble le vide avec une réponse vraisemblable plutôt que d'admettre son ignorance.
Les hallucinations apparaissent souvent sur des faits précis : dates, chiffres, citations, références bibliographiques, noms propres. La réponse a alors l'air fiable, ce qui la rend d'autant plus trompeuse.
Pourquoi c'est important
Les hallucinations sont l'une des principales limites des modèles de langage. Dans un usage professionnel — droit, santé, finance — une information inventée peut avoir des conséquences sérieuses. Il est donc essentiel de toujours vérifier les éléments factuels et de garder un regard critique.
Vérifier les faits
Ne tenez jamais pour acquis un fait précis fourni par une IA sans le recouper avec une source fiable, surtout pour une décision importante.
Exemple
Si vous demandez à un modèle la référence exacte d'un article scientifique qu'il ne connaît pas, il peut vous fournir un titre, des auteurs et une revue d'allure crédible, mais entièrement fictifs. Rien dans la forme de la réponse ne signale le problème.
Plusieurs stratégies réduisent ce risque. L'approche RAG ancre les réponses dans des documents réels, et une bonne ingénierie de prompt — demander des sources, autoriser « je ne sais pas » — limite les inventions. Pour développer ces réflexes, le cours AI Fluency : les fondamentaux consacre une large place à l'esprit critique.
Ingénierie de prompt
L'ingénierie de prompt est l'art de formuler des consignes claires et structurées pour obtenir les meilleures réponses d'une IA.
L'ingénierie de prompt désigne l'ensemble des techniques permettant de formuler des consignes efficaces pour un modèle d'IA. Il ne s'agit pas de programmer au sens classique, mais d'apprendre à communiquer avec le modèle de manière claire, structurée et précise pour obtenir des réponses fiables et adaptées.
Comment ça fonctionne
Un modèle de langage produit ce qui découle logiquement de votre prompt. L'ingénierie de prompt consiste donc à guider cette production. Plusieurs techniques sont couramment utilisées : attribuer un rôle au modèle, fournir des exemples du résultat attendu, demander un raisonnement étape par étape, ou imposer un format de sortie précis.
On distingue souvent les instructions de fond, placées dans le prompt système, des demandes ponctuelles formulées au fil de la conversation. Les deux se combinent pour orienter le comportement du modèle.
Pourquoi c'est important
Bien rédiger ses prompts permet de gagner du temps et d'obtenir des résultats plus réguliers. C'est aussi un moyen de réduire le risque d'hallucination : en cadrant la tâche, en demandant des sources ou en autorisant explicitement la réponse « je ne sais pas », vous limitez les inventions du modèle.
Itérer plutôt que tout prévoir
Rares sont les prompts parfaits du premier coup. Testez, observez la réponse, ajustez votre formulation : l'amélioration progressive est la norme.
Exemple
Supposons que vous vouliez classer des avis clients. Un prompt naïf donnera des résultats irréguliers. Un prompt travaillé précisera les catégories possibles, montrera deux ou trois exemples classés, et demandera une réponse au format tableau. Le résultat devient prévisible et réutilisable.
L'ingénierie de prompt s'articule aussi avec des réglages techniques comme la température, qui influence la créativité des réponses. Pour développer cette compétence de bout en bout, le cours AI Fluency : les fondamentaux propose une progression structurée.
LLM (grand modèle de langage)
Un LLM est un modèle d'IA entraîné sur d'immenses quantités de texte pour comprendre et générer du langage naturel.
Un LLM, ou Large Language Model (grand modèle de langage), est un système d'intelligence artificielle entraîné sur d'immenses volumes de texte afin de comprendre et de produire du langage naturel. Claude est un exemple de LLM : c'est la technologie qui lui permet de rédiger, d'analyser et de raisonner à partir de vos demandes.
Comment ça fonctionne
Un LLM apprend en analysant des milliards de phrases. Pendant cet entraînement, il ajuste des paramètres internes pour repérer les régularités du langage. Une fois entraîné, il fonctionne par prédiction : à partir d'une suite de tokens, il estime le token suivant le plus probable, puis recommence, mot après mot.
Ce mécanisme explique deux caractéristiques importantes. D'abord, le modèle ne « sait » pas vraiment : il reproduit des schémas statistiques. Ensuite, il est limité par sa fenêtre de contexte, c'est-à-dire la quantité de texte qu'il peut traiter en une fois.
Pourquoi c'est important
Les LLM ont rendu accessible une IA générale capable de s'adapter à de nombreuses tâches sans programme spécifique. C'est ce qui permet à un même modèle de traduire, résumer, coder ou converser. Comprendre leur principe aide à mieux les utiliser et à anticiper leurs limites.
Connaissances figées
Un LLM ne connaît que ce qu'il a appris jusqu'à une certaine date. Pour des informations récentes, il faut lui fournir le contexte ou utiliser des approches comme la recherche augmentée.
Exemple
Si vous demandez à un LLM d'expliquer la photosynthèse, il assemble une réponse cohérente à partir de tout ce qu'il a lu sur le sujet. Mais si vous l'interrogez sur un événement très récent, il peut se tromper : ses connaissances sont figées au moment de l'entraînement.
Pour adapter un LLM à un domaine précis, on peut recourir au fine-tuning. Les LLM sont conçus par des laboratoires comme Anthropic. Pour découvrir comment les utiliser au quotidien, commencez par le cours Claude 101.
MCP (Model Context Protocol)
Le MCP est un protocole ouvert qui permet de connecter Claude à des outils et des sources de données externes de façon standardisée.
Le MCP, ou Model Context Protocol, est un protocole ouvert proposé par Anthropic pour connecter un modèle d'IA comme Claude à des outils, des fichiers et des sources de données externes. Au lieu de réinventer une intégration sur mesure pour chaque service, le MCP fournit un langage commun : un peu comme une prise électrique standardisée, il permet de brancher Claude sur de nombreux systèmes sans modifier le modèle lui-même.
Comment ça fonctionne
Le MCP repose sur deux rôles. D'un côté, un client (par exemple une application qui utilise Claude) ; de l'autre, un serveur MCP qui expose des capacités précises : lire un fichier, interroger une base de données, appeler une API. Lorsque Claude a besoin d'une information ou d'une action, le client transmet la demande au serveur concerné, récupère le résultat, puis le réinjecte dans la conversation.
Ce fonctionnement présente un grand avantage : la logique d'accès aux données est séparée du modèle. Vous pouvez ajouter ou retirer une intégration sans toucher à Claude, et un même serveur MCP peut être réutilisé par plusieurs applications.
Pourquoi c'est important
Un modèle de langage seul ne connaît que ce qu'il a appris pendant son entraînement. Le MCP lui ouvre l'accès à des données fraîches et à des actions concrètes, ce qui est essentiel pour construire un véritable agent IA capable d'agir dans un environnement réel.
Un protocole ouvert
Le MCP est conçu pour être public et interopérable : n'importe quel développeur peut créer un serveur compatible. Pour connaître l'état précis de l'écosystème, reportez-vous au site officiel d'Anthropic.
Exemple
Imaginez une équipe support qui souhaite que Claude consulte son outil de tickets. Plutôt que de copier-coller les tickets à la main, elle déploie un serveur MCP relié à cet outil. Claude peut alors rechercher un ticket, lire son historique et proposer une réponse, le tout dans la conversation.
Le MCP est très utilisé avec Claude Code, qui s'appuie dessus pour étendre ses capacités. Si vous souhaitez apprendre à exploiter ces intégrations dans un cadre concret, le cours Claude Code en action en montre des usages pratiques étape par étape.
Multimodalité
La multimodalité est la capacité d'un modèle d'IA à traiter plusieurs types de contenus, comme le texte et les images.
La multimodalité désigne la capacité d'un modèle d'intelligence artificielle à comprendre et traiter plusieurs types de contenus, et non le seul texte. Un modèle multimodal peut, par exemple, analyser une image accompagnée d'une question écrite, ou lire un document mêlant texte et schémas.
Comment ça fonctionne
Un LLM classique ne traite que du texte. Un modèle multimodal ajoute des mécanismes capables d'interpréter d'autres formats, comme les images. En interne, ces contenus sont convertis en une représentation que le modèle peut manipuler, à la manière des tokens pour le texte.
Concrètement, vous pouvez fournir à Claude une photo, une capture d'écran ou un document visuel, puis poser une question dessus. Le modèle combine les informations issues de l'image et de votre consigne pour formuler sa réponse.
Pourquoi c'est important
La multimodalité élargit considérablement le champ d'usage de l'IA. De nombreuses informations du monde réel ne sont pas du texte pur : graphiques, photos de documents, captures d'écran, tableaux. Pouvoir les traiter directement évite de les retranscrire à la main et ouvre de nouveaux cas d'usage.
Vérifier les capacités
Les formats pris en charge dépendent du modèle et de l'offre utilisés. Pour connaître précisément ce que Claude accepte, reportez-vous au site officiel d'Anthropic.
Exemple
Supposons que vous photographiez un graphique imprimé dans un rapport papier. Avec un modèle multimodal, vous pouvez envoyer cette photo et demander : « Quelle est la tendance principale de ce graphique ? » Claude interprète l'image et répond, sans que vous ayez à saisir les données vous-même.
La multimodalité est l'une des évolutions majeures des modèles récents conçus par Anthropic. Pour découvrir les usages quotidiens de Claude, y compris à partir de contenus variés, commencez par le cours Claude 101.
Prompt
Un prompt est la consigne en langage naturel que vous adressez à Claude pour obtenir une réponse ou déclencher une action.
Un prompt est l'instruction que vous écrivez à un modèle d'IA comme Claude pour obtenir une réponse. C'est le point de départ de toute interaction : une question, une demande de rédaction, une consigne d'analyse. La qualité de votre prompt influence directement la qualité du résultat.
Comment ça fonctionne
Lorsque vous envoyez un prompt, le modèle le découpe en tokens, puis prédit la suite la plus pertinente mot après mot. Il ne « comprend » pas au sens humain : il s'appuie sur les régularités apprises pendant son entraînement pour produire une réponse cohérente avec votre demande.
Un prompt peut être très court (« Résume ce texte ») ou très détaillé, avec un contexte, un format attendu et des exemples. Plus vous êtes précis sur ce que vous voulez, moins le modèle a à deviner.
Pourquoi c'est important
Le prompt est votre principal levier de contrôle. Une consigne vague donne une réponse vague ; une consigne claire, structurée et contextualisée donne un résultat exploitable. Savoir bien formuler ses prompts est une compétence à part entière, que l'on appelle l'ingénierie de prompt.
Un bon réflexe
Précisez toujours trois choses : le rôle attendu de Claude, la tâche exacte et le format de réponse souhaité. Vous gagnerez en clarté et en régularité.
Exemple
Comparez deux demandes. « Parle-moi du télétravail » laisse le modèle libre et donnera une réponse générique. « Rédige trois arguments en faveur du télétravail pour une note interne destinée à des managers, en deux phrases chacun » cadre la tâche et produit un résultat directement utilisable.
Notez que le prompt que vous écrivez se combine au prompt système, une consigne de fond définie en amont. Pour apprendre à structurer vos demandes pas à pas, le cours Claude 101 est un excellent point de départ.
Prompt système
Le prompt système est une consigne de fond qui définit le rôle, le ton et les règles de comportement de Claude.
Le prompt système est une consigne de fond, définie en amont d'une conversation, qui fixe le cadre dans lequel Claude doit répondre. Contrairement au prompt que vous écrivez à chaque message, le prompt système reste en place pendant toute la session et oriente le comportement global du modèle.
Comment ça fonctionne
Le prompt système précise généralement trois éléments : le rôle que doit endosser Claude (« vous êtes un conseiller juridique »), le ton attendu et les règles à respecter (longueur des réponses, sujets à éviter, format de sortie). Le modèle traite cette consigne comme un contexte prioritaire et la garde présente à chaque réponse.
Le prompt système et les prompts de l'utilisateur partagent la même fenêtre de contexte. Un prompt système trop long consomme donc de l'espace utile et peut, à terme, diluer les consignes les plus importantes.
Pourquoi c'est important
Le prompt système assure la cohérence. Sans lui, il faudrait répéter les mêmes instructions à chaque message. Avec lui, le ton, le rôle et les règles restent stables, ce qui est essentiel pour une application destinée à de nombreux utilisateurs.
Concis mais précis
Un bon prompt système est court et sans ambiguïté. Privilégiez des règles claires plutôt qu'un long texte que le modèle aura du mal à hiérarchiser.
Exemple
Pour un assistant de service client, le prompt système pourrait indiquer : « Vous êtes l'assistant d'une boutique en ligne. Répondez de manière courtoise et concise. Ne promettez jamais de remboursement sans validation humaine. » Quel que soit le message de l'utilisateur, Claude conservera ce cadre.
Rédiger un bon prompt système relève de l'ingénierie de prompt. Pour apprendre à structurer ces consignes étape par étape, le cours Claude 101 constitue une base accessible et concrète.
RAG (génération augmentée par récupération)
Le RAG combine un modèle de langage avec une recherche documentaire pour produire des réponses ancrées dans vos données.
Le RAG, ou Retrieval-Augmented Generation (génération augmentée par récupération), est une technique qui combine un modèle de langage avec un moteur de recherche documentaire. Avant de répondre, le système va chercher les informations pertinentes dans une base de connaissances, puis les fournit au modèle pour qu'il rédige une réponse ancrée dans ces sources.
Comment ça fonctionne
Le RAG se déroule en deux temps. D'abord, la phase de récupération : la question de l'utilisateur sert à retrouver les passages les plus proches dans une base de documents, souvent grâce à une recherche par similarité de sens. Ensuite, la phase de génération : ces passages sont insérés dans le prompt, et le LLM rédige sa réponse en s'appuyant dessus.
L'intérêt de cette approche est de ne charger dans la fenêtre de contexte que les extraits utiles, plutôt que des documents entiers.
Pourquoi c'est important
Un modèle seul ne connaît que ses données d'entraînement, figées dans le temps. Le RAG lui donne accès à des informations à jour et propres à votre organisation, sans réentraîner le modèle. Il réduit aussi le risque d'hallucination, puisque la réponse s'appuie sur des sources identifiables.
RAG ou fine-tuning ?
Le RAG est idéal pour des connaissances qui changent souvent. Le fine-tuning, lui, modifie le comportement du modèle. Les deux approches sont complémentaires plutôt que concurrentes.
Exemple
Imaginez un assistant interne pour les ressources humaines. Quand un employé demande « combien de jours de congé puis-je reporter ? », le système recherche la clause concernée dans le règlement de l'entreprise, puis transmet ce passage à Claude, qui formule une réponse précise et citée.
Comparé au fine-tuning, le RAG est plus simple à mettre à jour : il suffit de modifier la base documentaire. Pour comprendre comment intégrer ces approches dans un projet, la certification Certified Architect aborde la conception de solutions fondées sur Claude.
Serveur MCP
Un serveur MCP est un programme qui expose des outils et des données à Claude via le protocole Model Context Protocol.
Un serveur MCP est un programme qui rend des outils, des fichiers ou des données accessibles à un modèle d'IA comme Claude, en respectant le protocole MCP. C'est le composant concret qui fait le lien entre Claude et un service précis : un système de fichiers, une base de données, une API en ligne.
Comment ça fonctionne
Le MCP distingue deux rôles : le client, qui utilise Claude, et le serveur, qui fournit des capacités. Un serveur MCP déclare ce qu'il sait faire — par exemple « rechercher un client », « lire un document », « créer un ticket ». Lorsque Claude a besoin de l'une de ces actions, le client interroge le serveur, qui exécute la tâche et renvoie le résultat.
Chaque serveur est autonome et spécialisé. On peut en connecter plusieurs à la fois, et un même serveur peut servir plusieurs applications, ce qui évite de réécrire la même intégration partout.
Pourquoi c'est important
Les serveurs MCP sont la brique qui donne à un agent IA ses capacités d'action. Sans eux, Claude reste limité au texte ; avec eux, il peut consulter des données fraîches et agir dans des systèmes réels. La séparation entre serveur et modèle facilite aussi la maintenance et la sécurité.
Commencer petit
Inutile de tout connecter d'emblée. Démarrez avec un serveur MCP couvrant un besoin clair, validez son fonctionnement, puis ajoutez-en d'autres au besoin.
Exemple
Une équipe marketing veut que Claude consulte ses statistiques de campagne. Elle déploie un serveur MCP relié à son outil d'analyse. Claude peut alors demander « quels sont les résultats de la dernière campagne ? », le serveur récupère les chiffres, et Claude les commente dans la conversation.
Claude Code s'appuie largement sur les serveurs MCP pour étendre ses possibilités. Pour mettre en pratique ces intégrations, le cours Claude Code en action propose des exemples concrets de configuration.
Sous-agent
Un sous-agent est un agent secondaire auquel un agent principal délègue une tâche précise pour mieux organiser un travail complexe.
Un sous-agent est un agent IA secondaire auquel un agent principal confie une partie d'une tâche. Plutôt que de tout traiter dans une seule conversation, l'agent principal délègue des sous-tâches bien définies à des sous-agents spécialisés, puis assemble leurs résultats.
Comment ça fonctionne
Lorsqu'un objectif est trop vaste ou comporte des étapes très différentes, l'agent principal le décompose. Il crée un sous-agent pour chaque sous-tâche, lui fournit une consigne ciblée, et récupère le résultat une fois le travail terminé. Chaque sous-agent dispose en général de sa propre fenêtre de contexte, ce qui lui évite d'être encombré par les détails des autres tâches.
Ce découpage ressemble à une équipe : un chef de projet répartit le travail entre des spécialistes, chacun se concentrant sur son périmètre.
Pourquoi c'est important
Les sous-agents permettent de traiter des problèmes complexes sans saturer une seule conversation. Ils améliorent la clarté, car chaque sous-agent reçoit une mission précise, et la robustesse, car une difficulté reste circonscrite à une sous-tâche. C'est un mécanisme clé des systèmes agentiques avancés.
Des missions bien découpées
Un sous-agent est d'autant plus efficace que sa tâche est claire et autonome. Évitez les missions trop vagues ou qui dépendent fortement les unes des autres.
Exemple
Imaginez un agent chargé de produire une étude de marché. Il confie à un premier sous-agent la collecte de données sur les concurrents, à un deuxième l'analyse des tendances, à un troisième la rédaction de la synthèse. L'agent principal récupère les trois contributions et les assemble en un rapport cohérent.
Ce schéma est utilisé par des outils comme Claude Code pour gérer des projets de développement. Pour comprendre la logique des agents et des sous-agents, le cours Claude Code en action en montre des applications concrètes.
Température (paramètre)
La température est un réglage qui contrôle le degré de créativité et de variabilité des réponses d'un modèle de langage.
La température est un paramètre technique qui règle le degré de variabilité des réponses d'un modèle de langage. En termes simples, elle détermine si le modèle choisit toujours la suite la plus probable, ou s'il s'autorise des options moins attendues. Une température basse rend les réponses prévisibles, une température élevée les rend plus créatives.
Comment ça fonctionne
À chaque étape, un LLM calcule la probabilité de plusieurs suites possibles. La température influence ce choix. Proche de zéro, le modèle sélectionne presque toujours l'option la plus probable : les réponses sont stables et reproductibles. Plus haute, il accorde une chance aux options moins probables, ce qui introduit de la diversité.
Ce réglage ne s'effectue pas dans le prompt lui-même mais dans les paramètres de l'application ou de l'interface de programmation qui utilise le modèle.
Pourquoi c'est important
La température permet d'adapter le modèle à la tâche. Pour une extraction de données ou une classification, on cherche la régularité : une température basse convient. Pour du brainstorming ou de la rédaction créative, une température plus élevée apporte de la variété.
Créativité et fiabilité
Une température élevée augmente la diversité, mais aussi le risque d'hallucination. Pour des tâches factuelles, préférez un réglage bas.
Exemple
Si vous demandez dix fois « cite un fruit » avec une température très basse, vous obtiendrez probablement toujours la même réponse. Avec une température élevée, les réponses varieront davantage. Pour générer des idées de noms de produit, cette variété est un atout ; pour extraire un montant d'une facture, elle serait gênante.
Bien régler la température fait partie de l'ingénierie de prompt au sens large. Pour comprendre comment ces réglages s'intègrent dans une solution complète, voyez la certification Certified Architect.
Token
Un token est une petite unité de texte que les modèles de langage utilisent pour lire et générer du contenu.
Un token est l'unité de base que manipule un modèle de langage. Plutôt que de lire le texte caractère par caractère ou mot par mot, un LLM le découpe en fragments appelés tokens. Un token correspond souvent à un mot court, à une partie de mot, ou encore à un signe de ponctuation.
Comment ça fonctionne
Avant tout traitement, votre texte passe par une étape de découpage appelée tokenisation. Le mot « bonjour » peut former un seul token, tandis qu'un mot rare ou complexe sera scindé en plusieurs morceaux. En français, on retient souvent une estimation approximative : une centaine de mots représente environ 130 à 150 tokens, mais cela varie selon le texte.
Le modèle ne génère pas non plus des phrases d'un bloc : il produit un token après l'autre, en prédisant à chaque fois le plus probable compte tenu de votre prompt.
Pourquoi c'est important
Les tokens sont l'unité de mesure de l'IA. La taille de la fenêtre de contexte s'exprime en tokens, et la plupart des offres facturent l'usage au nombre de tokens consommés, en entrée comme en sortie. Comprendre cette notion aide à estimer un coût et à anticiper les limites d'une longue conversation.
Réduire la consommation
Des consignes concises et des documents allégés des passages inutiles diminuent le nombre de tokens traités, donc le coût et le temps de réponse.
Exemple
Si vous collez un rapport de vingt pages dans une conversation, ce texte peut représenter plusieurs milliers de tokens. Additionnés à l'historique et à la réponse attendue, ces tokens peuvent rapidement remplir la fenêtre de contexte.
Savoir raisonner en tokens est utile dès que l'on conçoit une application avec Claude. Le cours Claude 101 vous aide à acquérir ces réflexes de base pour mieux dialoguer avec un modèle d'IA.