| # | Cours | Categorie | Statut |
|---|---|---|---|
| 1 | Claude Code in Action | Developpement | Complete |
| 2 | Claude 101 | Fondamentaux | Complete |
| 3 | Introduction to Claude Cowork | Productivite | Complete |
| 4 | AI Fluency: Framework & Foundations | IA Generale | Complete |
| 5 | Building with the Claude API | Developpement | Complete |
| 6 | Introduction to Model Context Protocol | Developpement | Complete |
| 7 | Model Context Protocol: Advanced Topics | Developpement | Complete |
| 8 | Claude with Google Cloud Vertex AI | Cloud / API | Complete |
| 9 | Introduction to Agent Skills | Developpement | Complete |
| 10 | Introduction to Subagents | Developpement | Complete |
| 11 | AI Capabilities and Limitations | IA Generale | Complete |
| 12 | AI Fluency for Educators | Education | Complete |
| 13 | AI Fluency for Students | Education | Complete |
| 14 | Teaching AI Fluency | Education | Complete |
1. Comprendre l’IA : Capacites et Limites
Ce chapitre synthetise les cours AI Capabilities and Limitations et AI Fluency: Framework & Foundations.
Ils forment la base theorique pour comprendre comment fonctionnent les modeles d’IA generative et comment collaborer efficacement avec eux. 1.1 Comment fonctionne l’IA generative Les modeles comme Claude fonctionnent par prediction du token suivant (Next Token Prediction). Entraines sur d’enormes corpus de texte, ils apprennent a predire le mot le plus probable dans une sequence. Ce mecanisme simple donne naissance a des comportements emergents complexes : raisonnement, creativite, et resolution de problemes. Pipeline de generation IA
Le cours identifie 4 proprietes fondamentales des modeles d’IA :
Cle : Quand ces proprietes entrent en conflit (ex: connaissance vs dirigeabilite), le modele peut produire des resultats inattendus. Identifier la source du probleme permet de le corriger avec une technique adaptee.
| Propriete | Description | Implication pratique |
|---|---|---|
| Prediction | Le modele predit le token suivant le plus probable | a partir du contexte |
| Peut generer du texte plausible mais factuellement | incorrect (hallucinations) | Connaissance |
| Savoir encode lors de l’entrainement, avec une | date limite de connaissance | Fiable sur les faits stables, moins sur l’actualite recente |
| Memoire de travail | Fenetre de contexte limitee (ex: 200K tokens pour | Claude) |
| Les conversations longues peuvent perdre le fil ; | structurer les prompts | Dirigeabilite |
| Sensibilite aux instructions et au format du prompt | Un prompt bien structure ameliore drastiquement la | qualite des reponses |
1.2 Le Framework 4D de l’AI Fluency Le framework 4D structure les competences humaines necessaires pour collaborer efficacement avec l’IA. Il se decompose en deux boucles complementaires : Les 4 Dimensions
Boucle 1 : Delegation → Diligence
Delegation consiste a decider quelles taches confier a l’IA. Les taches ideales sont celles ou l’IA apporte un gain significatif (rapidite, volume) tout en permettant a l’humain de verifier facilement le resultat. Diligence est le complement : verifier, valider et prendre la responsabilite du resultat final. L’IA n’est pas un substitut au jugement humain.
Boucle 2 : Description → Discernement
Description est l’art de formuler des instructions claires pour l’IA : contexte, format souhaite, contraintes, exemples. Discernement consiste a evaluer de maniere critique les reponses de l’IA : detecter les erreurs, les biais, les hallucinations, et iterer sur le prompt pour ameliorer le resultat.
Exemple concret — Delegation vs. Non-Delegation :
| Bonne delegation | Mauvaise delegation |
|---|---|
| Resumer un rapport de 50 pages en points cles | Prendre une decision strategique pour l’entreprise |
| Generer 10 variantes d’un email marketing | Diagnostiquer un probleme medical sans verification |
| Convertir du code Python 2 en Python 3 | Ecrire un contrat legal sans relecture juridique |
2. Claude 101 et Claude Cowork
2.1 Les fondamentaux de Claude Claude est l’assistant IA developpe par Anthropic. Le cours Claude 101 couvre les bases : la premiere conversation, l’amelioration des resultats, l’application desktop, les projets, les artefacts, les skills et les connecteurs. Modeles disponibles : Claude propose plusieurs modeles adaptes a differents usages. Opus 4.6 pour les taches complexes, Sonnet 4.6 pour un bon equilibre performance/cout, Haiku 4.5 pour les taches rapides et legeres.
Techniques pour de meilleurs resultats :
| Technique | Description | Exemple |
|---|---|---|
| Contexte clair | Donner le role et le but | ”Tu es un expert data. Analyse ce dataset…” |
| Structure XML | Utiliser des balises pour structurer | ” |
| Exemples (few-shot) | Montrer le format attendu | ”Voici un exemple de sortie souhaitee : …” |
| Chain of thought | Demander de raisonner etape par etape | ”Reflechis etape par etape avant de repondre” |
| Temperature | Ajuster la creativite (0=deterministe, 1=creatif) | temperature=0 pour du code, 0.7 pour du creatif |
Projets et Artefacts : Les projets permettent d’organiser les conversations par theme et d’ajouter des connaissances personnalisees (documents, instructions systeme). Les artefacts sont des contenus structurables (code, documents, visualisations) que Claude genere et que l’utilisateur peut editer, copier ou partager. 2.2 Claude Cowork : delegation de taches Cowork est le mode de travail collaboratif de l’application desktop Claude. Il permet de deleguer des taches multi-etapes a Claude qui travaille de maniere autonome sur les fichiers reels de l’utilisateur. Boucle de travail Cowork
Fonctionnalites cles :
- Plugins : extensions installables qui ajoutent des MCPs, skills et outils
- Taches planifiees : automatiser des taches recurrentes (ex: rapport quotidien)
- Acces fichiers : Claude travaille sur les fichiers reels via un dossier selectionne
- Sous-agents : delegation de sous-taches a des agents specialises en parallele
- Connecteurs : integration avec Slack, Google Drive, GitHub, etc. Principe : Cowork suit le principe Plan-Execute-Connect : planifier la tache, executer chaque etape, connecter les resultats aux outils externes. L’utilisateur garde le controle et peut intervenir a chaque etape.
3. Claude Code, Agent Skills et Subagents
3.1 Claude Code : l’outil CLI agentique Claude Code est un outil en ligne de commande qui integre Claude directement dans le workflow de developpement. Il peut lire, modifier et creer des fichiers, executer des commandes shell, interagir avec Git, et acceder a des outils externes via MCP. Architecture de Claude Code Gestion du contexte : Le fichier CLAUDE.md est charge a chaque conversation et contient les instructions permanentes du projet (conventions de code, architecture, dependances). Il peut exister a 3 niveaux : personnel (~/.claude/CLAUDE.md), projet (.claude/CLAUDE.md), et repertoire courant. Hooks : scripts personnalises declenches automatiquement a des moments cles :
| Hook | Declenchement | Cas d’usage |
|---|---|---|
| PreToolUse | Avant chaque outil | Bloquer certaines commandes, valider les actions |
| PostToolUse | Apres chaque outil | Formater le code, lancer des linters |
| Notification | Quand Claude notifie | Alertes Slack, sons personnalises |
| Stop | Fin de tour | Verifications finales, CI/CD |
3.2 Agent Skills : instructions reutilisables Les Skills sont des dossiers de fichiers markdown que Claude Code decouvre et utilise automatiquement. Chaque skill contient un fichier SKILL.md avec un frontmatter (nom, description) et des instructions detaillees.
Fonctionnement :
- Claude compare la requete aux descriptions de skills disponibles
- Si un match est trouve, le skill est charge dans le contexte
- Claude suit les instructions du skill pour executer la tache
- Seuls les skills pertinents sont charges (economie de contexte)
| Feature | CLAUDE.md | Skills | Slash Commands |
|---|---|---|---|
| Chargement | Toujours (chaque conversation) | A la demande (matching auto) | Manuel (l’utilisateur tape la |
| commande) | Portee | Globale au projet | Specifique a une tache |
| Specifique a une action | Ideal pour | Conventions permanentes | Expertise reutilisable |
Exemple de SKILL.md :
---
name: pr-review
description: Reviews pull requests for code quality
---
## Instructions
1. Verifier la couverture de tests
2. Detecter les code smells
3. Valider les conventions de nommage3.3 Subagents : delegation parallele Les sub-agents permettent a Claude Code de deleguer des sous-taches a des instances isolees qui travaillent dans leur propre fenetre de contexte. Le resultat est renvoye sous forme de resume, gardant le contexte principal propre et cible. Flux Sub-Agent
Bonnes pratiques :
- Definir un format de sortie structure pour chaque sub-agent
- Limiter les outils accessibles (principe du moindre privilege)
- Prevoir un mecanisme de rapport d’obstacles
- Eviter la sur-delegation : les taches simples ne necessitent pas de sub-agent Cas d’usage : Les sub-agents sont particulierement utiles pour : la revue de code multi-fichiers, la generation de documentation, les recherches paralleles dans une base de code, et les analyses de securite. Chaque agent travaille dans son propre contexte isole.
4. Developper avec l’API Claude
4.1 Acces et premiers appels L’API Claude permet d’integrer les modeles Anthropic dans des applications. Deux points d’acces principaux : l’API Anthropic directe et Google Cloud Vertex AI. Le cours couvre les deux approches avec 93 modules au total pour Vertex AI.
Exemple d’appel API (Python) :
import anthropic
client = anthropic.Anthropic()
message = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=1024,
messages=[
{"role": "user", "content": "Explique le RAG"}
]
)4.2 Prompt Engineering avance Le prompt engineering est la discipline de formulation des instructions pour obtenir les meilleurs resultats. Le cours couvre les techniques avancees :
| Technique | Principe | Quand l’utiliser | Technique | Principe | Quand l’utiliser |
|---|---|---|---|---|---|
| Balises XML | Structurer le prompt avec des sections claires | Taches complexes avec plusieurs entrees | Anthropic Academy — Synthese des Certifications | Few-shot learning | Fournir des exemples d’entrees/sorties |
| Format de sortie specifique, classification | Chain of thought | Demander un raisonnement explicite etape par etape | Problemes logiques, mathematiques, analyse | System prompt | Definir le role et les contraintes globales |
4.3 Tool Use (Function Calling) Le Tool Use permet a Claude d’appeler des fonctions externes definies par le developpeur. Claude decide quand utiliser un outil, genere les parametres au format JSON, et le developpeur execute la fonction puis renvoie le resultat. Flux Tool Use Exemple : un outil get_weather(city) — Claude recoit la question “Quel temps fait-il a Paris ?”, decide
d'appeler l'outil avec {"city": "Paris"}, recoit le resultat {"temp": 18, "condition": "nuageux"}, et formulesa reponse finale : “Il fait 18 degres et nuageux a Paris.” 4.4 RAG (Retrieval Augmented Generation) Le RAG enrichit les prompts avec des documents externes pertinents pour ancrer les reponses dans des donnees factuelles. Le pipeline classique : Pipeline RAG Le cours introduit egalement le Contextual Retrieval : technique ou chaque chunk est enrichi d’un contexte expliquant sa position dans le document original, ameliorant significativement la pertinence de la recherche.
Exemple de RAG avec recherche hybride :
# Recherche hybride : BM25 + semantique
bm25_results = bm25_search(query, chunks, k=20)
semantic_results = vector_search(query, embeddings, k=20)
# Fusion des scores avec Reciprocal Rank Fusion
merged = reciprocal_rank_fusion(bm25_results, semantic_results)
# Injection des top-K chunks dans le prompt
context = "\n".join([chunk.text for chunk in merged[:5]])4.5 Fonctionnalites avancees - Vision : Claude peut analyser des images (screenshots, graphiques, documents scannes) - PDF natif : traitement direct de fichiers PDF avec extraction de contenu - Citations : generation de references vers les sources utilisees - Extended Thinking : mode de reflexion approfondie pour les problemes complexes - Streaming : reception progressive des reponses pour une meilleure UX - Prompt Caching : mise en cache des prefixes pour reduire latence et couts 4.6 Evaluation de prompts L’evaluation systematique des prompts est essentielle en production. Le workflow type :
- Definir des cas de test representatifs
- Generer des datasets de test (manuels ou synthetiques)
- Executer les evaluations avec des metriques definies
- Grading automatise : par code (regex, exact match) ou par modele (LLM-as-judge)
- Iterer sur le prompt jusqu’a atteindre les seuils de qualite Best practice : En production, combiner le grading par code (pour les criteres objectifs) et le grading par modele (pour les criteres qualitatifs) offre la meilleure couverture d’evaluation.
5. Model Context Protocol (MCP)
Le MCP est un protocole ouvert qui standardise la connexion entre les modeles d’IA et les services externes. Il couvre deux cours : l’introduction (14 lecons) et les sujets avances (15 lecons). 5.1 Architecture MCP Architecture MCP Le MCP deplace la charge de definition des outils vers des serveurs specialises. Au lieu d’ecrire des schemas JSON manuellement dans chaque application, on cree un serveur MCP reutilisable qui expose ses capacites via un protocole standardise. 5.2 Les trois primitives MCP
| Primitive | Controle | Usage | Exemple |
|---|---|---|---|
| Tools | Le modele decide | Actions et calculs | get_weather(), create_issue() |
| Resources | L’application decide | Donnees en lecture seule | doc://readme, config://settings |
| Prompts | L’utilisateur decide | Instructions pre-construites | /format-doc, /review-code |
Exemple de serveur MCP (Python SDK) :
from mcp.server import FastMCP
mcp = FastMCP("mon-serveur")
@mcp.tool()
def lire_document(nom: str) -> str:
"""Lit le contenu d'un document"""
return documents[nom]
@mcp.resource("doc://{nom}")
def document_resource(nom: str) -> str:
return documents[nom]5.3 Sujets avances MCP Le cours avance couvre les mecanismes de production : Choix du transport
| Concept | Description |
|---|---|
| Sampling | Permet au serveur MCP de demander des appels au modele via le client, creant des workflows |
| IA-dans-la-boucle | Notifications |
| Systeme de feedback en temps reel : logs, progression, changements de ressources via des | callbacks |
| Roots | Systeme de permissions pour accorder l’acces a des repertoires specifiques du systeme de |
| fichiers | Transport STDIO |
| Communication par entree/sortie standard, ideal pour les outils locaux | Transport StreamableHTTP |
| Server-Sent Events (SSE) sur HTTP pour les deploiements distants et le scaling horizontal | Local ? → STDIO |
| Distant ? → HTTP/SSE | Scale ? → Stateless HTTP |
Exemple de sampling (serveur demande au modele) :
@mcp.tool()
async def analyser_code(fichier: str) -> str:
code = lire_fichier(fichier)
# Le serveur demande au client d'appeler le LLM
result = await ctx.session.create_message(
messages=[{"role": "user",
"content": f"Analyse ce code: {code}"}],
max_tokens=500
)
return result.content[0].textNotifications et progression : les serveurs MCP peuvent emettre des notifications en temps reel via ctx.info(), ctx.warning() et ctx.report_progress(current, total). Cela permet au client d’afficher une barre de progression pour les operations longues. Outil : Le MCP Inspector est un outil integre pour tester et debugger les serveurs MCP dans un navigateur avant de les deployer. Il permet de tester les tools, resources et prompts de maniere interactive.
6. Claude sur le Cloud et AI Fluency appliquee
6.1 Claude avec Google Cloud Vertex AI Ce cours de 93 modules couvre l’integration complete de Claude via Vertex AI. La principale difference avec l’API directe est la methode d’authentification (service accounts GCP au lieu de cles API Anthropic) et quelques parametres specifiques.
Specificites Vertex AI :
- Authentification via google-auth et service accounts
- Endpoint regional (ex: us-east5, europe-west1)
- Memes fonctionnalites que l’API directe : tool use, RAG, vision, streaming
- Integration native avec les services GCP (BigQuery, Cloud Storage, etc.)
- Facturation unifiee via le compte GCP
Exemple de setup Vertex AI :
import anthropic
client = anthropic.AnthropicVertex(region="us-east5",
project_id="mon-projet-gcp"
)
# Ensuite, meme API que le client direct
message = client.messages.create(...)6.2 AI Fluency pour l’education Trois cours complementaires adaptent le framework 4D a l’education :
| Cours | Public | Focus |
|---|---|---|
| AI Fluency for Educators | Enseignants, concepteurs | pedagogiques |
| Integrer l’IA dans la conception de cours et les | evaluations | AI Fluency for Students |
| Etudiants | IA comme partenaire d’apprentissage et outil de | planification de carriere |
| Teaching AI Fluency | Formateurs, responsables | pedagogiques |
Concepts pedagogiques cles :
- Boucle Delegation-Diligence pour les enseignants : decider quelles taches pedagogiques deleguer a l’IA (generation de QCM, correction) tout en maintenant la rigueur - Boucle Description-Discernement pour les etudiants : apprendre a formuler des requetes precises et a evaluer critiquement les reponses - Evaluation des 4D : concevoir des exercices qui mesurent les competences de delegation, description, discernement et diligence - Impact disciplinaire : comment l’IA transforme chaque discipline (droit, medecine, ingenierie, arts…) et quelles competences deviennent plus ou moins importantes Principe cle : L’IA ne remplace pas l’expertise humaine, elle la transforme. L’etudiant doit etre ‘the human in the loop’ : celui qui valide, contextualise et prend la responsabilite du resultat final.
Conclusion
Ces 14 certifications couvrent l’ecosysteme complet d’Anthropic : des fondamentaux de l’IA generative au deploiement en production via API et MCP, en passant par les outils de developpement (Claude Code, Skills, Subagents) et les applications en education. Ecosysteme Anthropic Les points essentiels a retenir :
- Comprendre les limites : la prediction de token, les hallucinations, la fenetre de contexte — pour mieux anticiper les comportements du modele
- Maitriser le framework 4D : Delegation, Description, Discernement, Diligence — pour une collaboration humain-IA efficace et responsable
- Structurer ses prompts : balises XML, exemples, chain of thought — pour des resultats precis et reproductibles
- Exploiter le MCP : un protocole ouvert pour connecter Claude a n’importe quel service externe de maniere standardisee
- Automatiser avec les Skills : capitaliser les bonnes pratiques dans des instructions reutilisables que Claude applique automatiquement