Capstone : un vrai workflow Claude de bout en bout
Vous allez construire un assistant de la recherche au rapport qui se réveille chaque lundi, récupère des données fraîches dans vos sources live, rédige un rapport structuré dans votre ton maison et le dépose là où votre équipe travaille déjà. Pas de copier-coller, pas de fenêtre de chat à surveiller. Cette leçon porte sur les choix d'architecture, pas sur la frappe au clavier, pour que vous puissiez transposer à votre propre domaine (competitive intelligence, métriques hebdomadaires, veille réglementaire) sans rien réécrire.
Nous allons l'assembler à partir des briques que vous connaissez déjà : Projects, Connectors, MCPMCPUn standard ouvert qui permet aux assistants IA de se connecter aux outils et données de l'entreprise de façon cohérente et gouvernée, sans intégration sur mesure à chaque fois.Voir la définition complète →, Claude Code, la Messages APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → et une planification. **La compétence ici consiste à choisir la *bonne* brique pour chaque tâche.**
Le workflow, de bout en bout
Voici la forme de ce que nous construisons :
- Le contexte vit dans un Project, pour que chaque exécution démarre avec le même contexte, les mêmes sources et les mêmes instructions.
- Les données live arrivent par des Connectors ou un serveur MCP custom, pas par un copier-coller périmé.
- Le gros du travail (raisonnement en plusieurs étapes, génération de fichiers) passe par Claude Code ou la Messages API.
- Le ton et le format sont imposés par un Style et une Skill réutilisable.
- Une planification déclenche l'ensemble pour qu'il tourne sans vous.
L'erreur la plus fréquente est de fondre ces cinq éléments dans un seul prompt géant. Gardez-les séparés. Chaque couche évolue à un rythme différent : votre contexte change lentement, vos données changent chaque jour, votre mise en forme ne change presque jamais. C'est cette séparation qui rend le système maintenable.
Couche 1 : le Project comme colonne vertébrale du contexte
Commencez dans l'application Claude et crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éez un Project pour cet assistant. Un Project est un espace de travail qui transmet des instructions persistantes et une base de connaissances de fichiers à chaque conversation qu'il contient.
Mettez trois éléments dans les instructions personnalisées du Project :
- La mission : « Vous produisez un rapport hebdomadaire de competitive intelligence sur le marché de la recharge de véhicules électriques. »
- Le public et les contraintes : qui le lit, quelle longueur il doit avoir, ce qu'il ne doit jamais contenir.
- Le contrat de sortie : les intitulés de sections exacts que le rapport doit toujours comporter.
Chargez vos fichiers de référence dans la base de connaissances du Project : les rapports du trimestre dernier, votre taxonomie des concurrents, un glossaire. C'est le contexte qui change lentement. Vous le définissez une fois et il ancre chaque exécution.
Pourquoi un Project plutôt qu'un simple system promptsystem promptLes instructions cachées qui définissent le comportement d'un assistant IA avant toute question : son rôle, son ton, ses limites et ses règles.Voir la définition complète → dans l'API ? Parce que vous voulez aussi une interface utilisable par un humain. Quand l'exécution planifiée produit quelque chose de bizarre, vous ouvrez le Project, posez des questions de suivi sur le même contexte et déboguez en interactif. Le Project et l'automatisation partagent le même cerveau.
Consultez les fonctionnalités actuelles dans la documentation Projects.
Couche 2 : les données live via Connectors et MCP
Un rapport ne vaut que par la fraîcheur de ses données d'entrée. C'est là que MCP (Model Context Protocol) prouve son utilité. MCP est un standard ouvert qui permet à Claude de dialoguer avec des outils et des sources de données externes via une interface uniforme, ce qui vous évite de coder une intégration sur mesure pour chaque source.
Vous avez deux options :
Les Connectors sont des intégrations MCP prêtes à l'emploi que vous activez depuis l'annuaire de connecteurs dans les applications Claude : Google Drive, la recherche web et une marketplace croissante de services tiers. Si vos données sont déjà hébergées quelque part avec un connecteur officiel, utilisez-le. Zéro code.
Un serveur MCP custom est ce que vous construisez quand vos données sont dans un endroit spécifique : une base de prix interne, une API partenaire, un pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète → de scraping. Vous exposez cette source sous forme d'un petit serveur qui parle MCP, et Claude peut alors l'appeler comme n'importe quel autre outil.
Pour notre rapport sur les véhicules électriques, supposons que nous ayons besoin des chiffres de déploiement de bornes en temps réel depuis une API interne. Un outil de serveur MCP minimal ressemble à ceci :
from mcp.server.fastmcp import FastMCP
import httpx
mcp = FastMCP("ev-data")
@mcp.tool()
async def get_deployments(region: str, since_days: int = 7) -> dict:
"""Fetch new charger deployments for a region in the last N days."""
url = f"https://internal.example.com/deployments"
params = {"region": region, "since_days": since_days}
async with httpx.AsyncClient() as client:
resp = await client.get(url, params=params, timeout=30)
resp.raise_for_status()
return resp.json()
if __name__ == "__main__":
mcp.run()C'est tout le principe. Une fonction décorée devient un outil que Claude peut invoquer par son nom, et la docstring sert de description que le modèle lit pour décider quand l'appeler. Rédigez des docstrings précises : elles font partie du prompt, ce ne sont pas de simples commentaires.
Commencez par modelcontextprotocol.io pour la spécification et les SDK.
Règle de décision : utilisez d'abord un Connector. Ne construisez un serveur MCP custom que si aucun connecteur n'existe ou si votre source est privée. Ne construisez pas ce que vous pouvez simplement activer.
Couche 3 : le moteur, Claude Code ou l'API
Passons au gros du travail : lire les données, raisonner à partir de plusieurs sources, rédiger le rapport, enregistrer un fichier. Vous disposez de deux moteurs, et le choix compte.
Claude Code est l'outil de développement agentique d'Anthropic qui tourne dans votre terminal. Il ne sert pas qu'à écrire du logiciel. Il peut lire et écrire des fichiers dans un répertoire de travail, exécuter des commandes et appeler vos serveurs MCP, ce qui en fait un exécuteur de *workflows* efficace. Pour notre rapport, Claude Code peut récupérer les données, faire la synthèse et écrire report-2026-W12.md sur le disque en une seule boucle agentique.
La Messages API (ou le Claude Agent SDK qui s'appuie dessus) est ce que vous utilisez pour intégrer cela dans votre propre service : une application web, une Lambda, un pipeline de donnéespipeline de donnéesSéquence automatisée d'étapes qui déplace les données de la source vers la destination : ingestion, transformation, validation et chargement, pour qu'elles arrivent propres et prêtes à l'emploi.Voir la définition complète → existant. Plus de contrôle, plus de code.
Pour un capstone que vous faites tourner pour vous-même ou une petite équipe, Claude Code est la voie la plus rapide. Il gère déjà la boucle agentique, les entrées-sorties de fichiers et les appels d'outils. Vous configurez vos serveurs MCP une fois dans ses paramètres et vous lui donnez un prompt.
Voici la configuration MCP au niveau du projet que lit Claude Code :
{
"mcpServers": {
"ev-data": {
"command": "python",
"args": ["./servers/ev_data.py"]
}
}
}Une fois cela en place, une seule instruction comme « Génère le rapport de cette semaine avec l'outil ev-data pour les régions West et Northeast, respecte le contrat de sections du Project et enregistre-le dans un fichier markdown daté » exécute toute la chaîne.
Le Agent SDK devient le bon choix plus tard, quand vous voulez faire tourner cela en mode headless dans une infrastructure de production avec votre propre logique de retry, vos logs et vos garde-fousgarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète →. Consultez-le sur github.com/anthropics.
🎬 [VIDÉO : "Building Agents with Claude Code and MCP" - youtube.com/results?search_query=claude+code+mcp+agents - une démonstration du branchement de serveurs MCP dans Claude Code pour des workflows automatisés en plusieurs étapes]
Couche 4 : ton et structure avec les Styles et les Skills
Votre rapport ne peut pas ressembler à une prose d'IA générique. Deux fonctionnalités règlent ce problème.
Les Styles contrôlent le ton et les conventions d'écriture. Créez un Style personnalisé à partir de quelques-uns de vos anciens rapports pour que la sortie corresponde à votre ton maison : concis, sans précautions oratoires, riche en puces. Les Styles se choisissent par conversation : sélectionnez le vôtre chaque fois que vous travaillez dans le Project, et recopiez ses règles clés dans run.md pour l'exécution automatisée, car Claude Code ne lit pas les Styles de l'application.
Les Skills sont des instructions packagées et réutilisables, accompagnées de ressources optionnelles, que Claude charge quand elles sont pertinentes. Pour notre rapport, construisez une Skill qui encode la *procédure de génération du rapport* : comment pondérer les sources, comment signaler les affirmations peu fiables, le format exact du tableau des chiffres de déploiement. Une Skill est plus durable que de tout entasser dans un seul prompt, et vous pouvez la versionner.
La répartition est nette : **le Style gouverne *le ton*, la Skill gouverne *la construction***. Gardez la logique de mise en forme hors de votre couche de données et hors de votre moteur. Quand votre patron demandera une nouvelle section le trimestre prochain, vous modifierez la Skill, et rien d'autre.
Vérification des acquis
1. Pourquoi la leçon déconseille-t-elle de fondre les cinq couches (contexte, données, raisonnement, mise en forme, planification) dans un seul prompt géant ?
2. Selon la leçon, quel est l'objectif principal d'un Project utilisé comme « colonne vertébrale du contexte » de l'assistant ?
3. Dans le workflow, pourquoi les données live arrivent-elles par des Connectors ou un serveur MCP custom plutôt que d'être collées dans le Project ?
4. Sélectionnez TOUS les éléments que la leçon recommande de placer dans les instructions personnalisées du Project.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les affirmations qui décrivent correctement la logique de l'architecture en couches de ce workflow capstone.
Sélectionnez toutes les réponses correctes.
Couche 5 : la planification
Un assistant qu'il faut lancer à la main n'est pas une automatisation. Il vous faut un déclencheur.
Claude Code s'exécute comme une commande, donc le planificateur est simplement votre système d'exploitation ou votre CI. L'approche la plus propre est une tâche cron (un planificateur Unix qui exécute une commande selon un motif temporel) ou un workflow GitHub Actions.
Une entrée cron pour chaque lundi à 7 h :
0 7 * * 1 cd ~/ev-report && claude -p "Generate this week's report using the prompt in run.md" >> run.log 2>&1Le flag -p lance Claude Code en mode non interactif (« print ») : il exécute le prompt, effectue son travail agentique et se termine. C'est ce qui le rend scriptable. Votre run.md contient l'instruction permanente, ce qui garde la ligne cron stable.
Pour une équipe, passez plutôt par GitHub Actions. Un workflow planifié exécute la même commande sur des runners hébergés par GitHub ou auto-hébergés, commite le rapport généré dans le dépôt, et l'intégration GitHub permet au modèle d'ouvrir une pull request avec le brouillon pour relecture humaine avant toute diffusion. Cette étape de validation compte : vous voulez qu'une personne approuve le rapport, pas qu'un robot publie auprès des parties prenantes des affirmations que personne n'a lues.
Assembler les jointures
Prenez du recul et observez comment les couches se passent le relais :
- Le Project contient le contexte lent et vous offre une interface de débogage humaine.
- MCP/Connectors injectent des données fraîches via une interface uniforme.
- Claude Code orchestre la boucle agentique et écrit les fichiers.
- Styles + Skills imposent le ton et la structure de façon indépendante.
- Cron ou GitHub Actions déclenche le tout selon la planification, avec une validation humaine.
Chaque jointure est un endroit où vous pouvez remplacer une pièce sans toucher au reste. Vous changez de sources de données ? Nouveau serveur MCP, même moteur. Vous passez au Agent SDK pour la production ? Même configuration MCP, même Skill. C'est la vraie leçon de ce capstone : les bons workflows d'IA sont *composés de pièces remplaçables*, pas de prompts monolithiques.
Une remarque sur les modes de défaillance
Deux choses casseront en premier, alors prévoyez-les dès maintenant.
Données périmées ou vides. Votre outil MCP doit renvoyer un signal clair quand une source est indisponible, et votre Skill doit demander à Claude de signaler un rapport dégradé plutôt que d'halluciner pour combler les chiffres manquants. Un rapport qui indique « données de déploiement indisponibles cette semaine » est correct. Un rapport qui invente des chiffres est dangereux.
Dérive silencieuse. Planifiez chaque mois une relecture humaine complète d'une sortie, de bout en bout. L'automatisation masque la dégradation lente. L'interface du Project est précisément l'endroit où mener cet audit, puisqu'elle partage son contexte avec l'exécution automatisée.
Points clés
- Séparez les cinq couches (contexte, données, moteur, mise en forme, planification) selon leur rythme d'évolution. Le contexte lent va dans un Project, les données quotidiennes passent par MCP, la mise en forme durable va dans une Skill.
- Activez un Connector avant de construire un serveur MCP. Ne codez un serveur vous-même que pour des sources privées ou spécifiques, et rédigez des docstrings d'outils précises, car Claude les lit comme du prompt.
- Utilisez Claude Code avec
-ppour le capstone, et ne passez au Claude Agent SDK que lorsque vous avez besoin d'un contrôle headless en production. - Conservez une validation humaine. Faites ouvrir par l'intégration GitHub une pull request avec le brouillon pour qu'une personne valide avant que les parties prenantes ne le voient.
- Concevez pour l'échec : signalez explicitement les données manquantes et planifiez un audit humain périodique via le Project partagé pour détecter la dérive silencieuse.
À faire, tiré de cette leçon
Ces actions sont compilées dans le plan d'action du rôle.
- Rendre chaque exécution planifiée idempotente avec des sorties datées et des contrôles de complétion