Maîtriser Claude Fable 5 : Comment rédiger des prompts en identifiant vos angles morts

À mesure que les modèles d'IA évoluent, passant de simples chatbots à des agents de codage sophistiqués, le goulot d'étranglement de la productivité se déplace de la capacité du modèle vers la clarté de l'utilisateur. Thariq Shihipar, développeur chez Anthropic, suggère qu'avec l'arrivée de Claude Fable 5, le facteur limitant n'est plus l'intelligence de l'IA, mais la capacité de l'utilisateur à identifier ses propres « inconnues ».

Les quatre quadrants de la connaissance dans le prompting

Pour maîtriser Fable 5, Shihipar soutient que les développeurs doivent catégoriser leurs connaissances afin d'éviter les pièges d'un mauvais prompting. Il divise les lacunes cognitives en quatre catégories distinctes :

• Ce que l'on sait (Known Knowns) : Les instructions explicites et les données déjà présentes dans votre prompt.
• Ce que l'on sait ne pas savoir (Known Unknowns) : Des questions spécifiques ou des lacunes dont vous avez conscience mais que vous n'avez pas encore résolues.
• Ce que l'on ne sait pas savoir (Unknown Knowns) : Des connaissances intuitives si évidentes que vous ne penseriez pas à les écrire, mais que vous reconnaîtriez instantanément en les voyant.
• Ce que l'on ignore totalement (Unknown Unknowns) : La catégorie la plus dangereuse — des éléments critiques, des cas limites ou des exigences architecturales auxquels vous n'avez même pas pensé.

Lorsque les utilisateurs ne tiennent pas compte de ces éléments, ils tombent dans un piège : être trop spécifique pousse Fable 5 à suivre les instructions de manière rigide même si un meilleur chemin existe, tandis qu'être trop vague amène le modèle à s'appuyer sur des paramètres par défaut de l'industrie qui peuvent ne pas convenir à la tâche spécifique.

Techniques stratégiques pour découvrir les inconnues

Plutôt que de se lancer directement dans l'implémentation, Shihipar recommande un « passage par les angles morts » (blindspot pass). Cela consiste à utiliser Claude pour auditer votre modèle mental avant même d'écrire la moindre ligne de code. Par exemple, si vous travaillez sur une base de code inconnue, vous pouvez demander à Claude : « Je travaille sur l'ajout d'un nouveau fournisseur d'authentification, mais je ne connais rien aux modules d'authentification de cette base de code. Peux-tu effectuer un passage par les angles morts pour m'aider à identifier mes inconnues pertinentes ? »

D'autres techniques à fort impact incluent :

• Entretiens structurés : Demander à Claude de vous interroger question par question, en donnant la priorité aux ambiguïtés qui modifieraient fondamentalement l'architecture du système.
• Prototypage rapide : Utiliser des artefacts HTML pour que Claude génère des directions de conception radicalement différentes, vous permettant de réagir à des « connaissances connues » visuelles.
• Planification de l'implémentation : Diriger Claude pour créer un plan qui donne la priorité aux composants volatils, tels que les modèles de données et les interfaces de types, avant de passer au refactoring mécanique.

Boucler la boucle : Documentation et vérification

Le processus de prompting ne s'arrête pas une fois le code généré. Pour gérer les inconnues qui surgissent lors de l'exécution, Shihipar suggère d'utiliser Claude Code pour maintenir un fichier implementation-notes.md. Cela permet de suivre chaque décision prise, garantissant que si une tâche dévie, le raisonnement est préservé.

Pour garantir une compréhension complète avant de fusionner le code, Shihipar emploie une méthode de « quiz ». Claude génère un rapport HTML détaillant tous les changements et les points clés, suivi d'un quiz pour le développeur. Il maintient une règle stricte : ne pas fusionner le code tant que le quiz n'est pas réussi sans erreur. Cela garantit que le développeur a fait passer les « inconnues » du projet dans le domaine des « connaissances ».

Points clés à retenir

• Se concentrer sur les « inconnues totales » : L'objectif d'un prompting avancé avec Fable 5 est d'utiliser l'IA pour révéler ce que vous n'avez même pas pensé à demander.
• Éviter le piège de la spécificité : Équilibrez vos prompts pour éviter d'être trop rigide au point que l'IA ne puisse pas improviser, ou trop vague au point qu'elle se contente de solutions génériques.
• Mettre en œuvre un flux de travail de vérification : Utilisez des notes d'implémentation, des entretiens structurés et des quiz post-implémentation pour transformer le code généré par l'IA en connaissances maîtrisées.