11 essays
Vous perdez une demi-heure à tester en environnement pour répondre à une question produit sur Slack ? Ce coût caché disparaît quand l'IA interroge le code source, la vraie vérité du comportement. Réponses ancrées dans des preuves — fonctions, tests, commits — plutôt que dans une documentation périmée. À condition que le code parle le langage du métier.
Vous perdez le fil dès que vous rouvrez une conversation avec une IA sur un sujet qui dure ? Cet article ouvre le capot d'un système de mémoire structuré : la différence entre le but et l'attention, les directives, la file offline, les trois mémoires (journal, synthèse, checkpoints) et le cycle d'une session. De quoi comprendre comment une IA peut vraiment se souvenir d'une mission.
La plupart des organisations savent produire des documents. Elles ne savent pas capitaliser le raisonnement derrière. À chaque décision, elles repartent presque de zéro. Le PM architecte de contexte transforme la connaissance client dispersée — transcripts, objections, arbitrages, signaux faibles — en actif réutilisable. Résultat : des décisions plus rapides, plus robustes, et un avantage concurrentiel que les concurrents ne peuvent pas copier immédiatement.
Le RAG classique repart de zéro à chaque question. En construisant un Wiki IA — un wiki persistant maintenu par un LLM — on capitalise la connaissance métier une fois pour toutes. Notes atomiques, liens entre concepts, détection de contradictions : le savoir est compilé, pas redécouvert. Retour d'expérience sur 950 notes extraites de sources en maintenance industrielle, avec les leçons de calibrage et les usages concrets.
Vous croulez sous les mails et perdez le fil des sujets en cours ? En confiant la structuration à Claude — un fichier, quelques directives, puis un découpage progressif — j'ai transformé 500 mails de copropriété en une base de connaissances interrogeable. Sept étapes, de la directive vague au système multi-fichiers, sans jamais avoir besoin d'un framework complexe.
La documentation ne suit jamais le code. On le sait, on l'accepte, et pourtant ça coûte du temps à chaque évolution. L'IA change l'équation : lorsque le code est propre, il devient la source de vérité à partir de laquelle on peut régénérer les autres artefacts — specs, changelogs, documentation de support. Cette approche code centric exige une culture technique minimale, mais ouvre un levier réel pour les product managers qui la maîtrisent.
Un skill qui gaspille vous bloque en 3-4 exécutions au lieu de 8-10. Découvrez les 5 pièges silencieux qui saturent votre quota, comment auditer en 3 phases simples, et gagner 40% de capacité sans changer votre modèle. Productivité retrouvée.
Produire du logiciel n'est plus rare. Le cloud l'a banalisé, l'IA va encore accélérer le mouvement. Quand tout le monde peut construire vite et bien, sortir des features au kilomètre ne suffit plus. Le vrai avantage concurrentiel se déplace vers la compréhension du contexte : le métier, les utilisateurs, les clients, la concurrence, les normes. Comprendre mieux que les autres, avant de construire.
Vos journées de PM sont dévorées par des tâches qui n'ont rien de stratégique. En huit jours sur Claude Code, j'ai automatisé ma veille concurrentielle — collecte, organisation, actualisation. Du temps retrouvé pour analyser, comprendre, décider. Ce retour d'expérience montre concrètement pourquoi le centre de gravité du métier de Product Manager bascule : moins d'artefacts intermédiaires, plus de stratégie réelle.
Fini de ré-expliquer le contexte à chaque session. Claude retient automatiquement ce que vous avez fait, les décisions prises, les problèmes rencontrés — par projet, dans votre repo git, sans base de données. Portable, versionnable, moins d'1 $/mois. Voici comment mettre en place ce système en moins d'une heure.
/blog_new pour tester la création d'articles avec frontmatter et slug automatisés/help/blog_new/blog_new, /blog_publish) sont référencés et accessibles via /help comme prévuclaude, ça retrigger le Stop hook — cause d'échec des implémentations maison/memory_load est manuel, pas auto au démarrage de session — mémoire enregistrée auto mais rechargement manueldocs/articles_draft/, articles_done/, assets/img/, assets/attachments/, category/, tags/projects/blog/CLAUDE.md avec règles locales et conventions du sous-projetprojects/blog/docs/_index.json pour indexation des articles/blog_new {titre} [contenu] (.claude/skills/blog_new/SKILL.md) - création d'articles avec frontmatter auto-rempli/blog_publish {nom_fichier} (.claude/skills/blog_publish/SKILL.md) - publication et gestion des métadonnées/help met à jour dynamiquement les 2 skills blog/tmp, (7) mise en place (coût, skills, hook Stop), (8) cas concrets et impact, (9) limitation /memory_load manuel, (10) pièce jointe attachéetitre, slug, description, date_creation, date_update, date_publish, tags[], category[], uuid (immuable), author (défaut : Laurent D.)YYYY-MM-DD-{slug}.md pour tri chronologiqueyymmdd-{nom_original}.{ext} pour versioning et déduplication/blog_new et /blog_publish si absents du système/memory_load manuel pour transparenceFichier auto-porté — contient tout le nécessaire pour installer ce système dans n'importe quel projet Claude Code.
Modèle recommandé pour installer cette spec : Sonnet
L'installation nécessite d'adapter la liste des projets, de créer les répertoires et de modifier
settings.json— un peu de jugement contextuel est utile.
Nom : memory_sessions
Type : Stop hook + 2 skills
Rôle : Mémoire automatique de session — après chaque tour Claude, Haiku analyse l'échange et met à jour des logs quotidiens et une mémoire long terme par projet.
Modèle utilisé : claude-haiku-4-5-20251001 (rapide, économique, suffisant pour extraction/résumé)
Un projet Claude Code actif accumule du contexte : décisions techniques, comportements à éviter, état d'avancement de tâches longues. Sans mémoire persistante, chaque nouvelle session repart de zéro.
Les solutions existantes (CLAUDE.md, mémoire auto de Claude Code) ont des limites :
- CLAUDE.md : règles statiques, pas de trace d'activité quotidienne
- Mémoire auto Claude Code (~/.claude/...) : globale, non versionnée, non portable entre machines
Ce système apporte une mémoire structurée par projet, versionnée dans le dépôt, consultable via /memory_load, consolidable via /memory_promotion.
Inspiré de l'architecture mémoire d'OpenClaw (agent Claude open-source) : - Trois niveaux : mémoire immédiate → logs quotidiens → mémoire long terme - Déclenchement automatique en fin de session via hook - Fichiers plats Markdown, lisibles et éditables directement
Différences délibérées par rapport à OpenClaw :
- Les logs quotidiens sont modifiables (OpenClaw les rend append-only) — permet à Haiku de réorganiser l'entrée du jour
- Structure par projet (pas une mémoire globale) — adapté aux workspaces multi-projets
- Le hook appelle claude depuis /tmp pour éviter que le CLAUDE.md du projet hôte interfère avec la réponse Haiku
{project_root}/
memory_sessions/ ← mémoire du projet père
.gitkeep
long_memory.md ← mémoire long terme (condensé permanent)
logs/
2026-03-21.md ← log quotidien structuré par sections
2026-03-20.md
.debug/ ← JSON brut Haiku (gitignored)
2026-03-21_190023.json
archives/ ← logs > 30 jours (créé par /memory_promotion)
projects/{sous-projet}/
memory_sessions/ ← même structure, par sous-projet
.gitkeep
long_memory.md
logs/
.debug/
# Log session — 2026-03-21
## Contexte
- Sujet ou système sur lequel porte la session (1-2 phrases, stable dans la journée)
## Objectif
- Intention de l'échange
## Problèmes rencontrés
- Bugs, blocages avec cause/solution
## Connaissances acquises
- Faits techniques/métier durables
## Travail produit
- Ce qui a été livré, créé, modifié
## Décisions prises
- Choix techniques ou fonctionnels actés
## À suivre
- Points ouverts, prochaines étapes
## Finalisé
- ✅ Points résolus (déplacés depuis "À suivre" via OK-done)
{
"updates": [
{
"project": "cmms_doc",
"sections": {
"contexte": ["Refonte du hook memory-session.sh pour passer au format JSON structuré."],
"objectif": ["Vérifier la découverte des skills."],
"problemes": ["Recherche des skills échouée : aucun skill trouvé."],
"connaissances": [],
"travail": ["Rédaction spec mémoire de session."],
"decisions": [],
"a_suivre": ["Revalider découverte skills."],
"a_suivre_done": []
},
"long_memory_update": null
}
]
}
| Clé JSON | Titre Markdown | Contenu | Comportement fusion |
|---|---|---|---|
contexte |
## Contexte |
Sujet/système de la session (1-2 phrases) | Append (dédupliqué) — plusieurs contextes possibles par jour |
objectif |
## Objectif |
Ce sur quoi porte la session | Append (dédupliqué) |
problemes |
## Problèmes rencontrés |
Bugs, blocages, erreurs — avec cause/solution si connue | Append (dédupliqué) |
connaissances |
## Connaissances acquises |
Faits techniques ou métier appris/confirmés | Append (dédupliqué) |
travail |
## Travail produit |
Ce qui a été livré, créé, modifié | Append (dédupliqué) |
decisions |
## Décisions prises |
Choix techniques ou fonctionnels actés | Append (dédupliqué) |
a_suivre |
## À suivre |
Points ouverts, prochaines étapes | Append (dédupliqué) |
a_suivre_done |
(pas de section propre) | Points de "À suivre" à marquer comme résolus → déplacés vers "Finalisé" | Retrait de "À suivre" + ✅ dans "Finalisé" |
Quand l'utilisateur envoie exactement OK-done (insensible à la casse) :
- Haiku reçoit une instruction spécifique pour marquer les points de "À suivre" comme finalisés
- Les items correspondants sont retirés de "## À suivre" et déplacés dans "## Finalisé" avec un préfixe ✅
- Toutes les autres sections sont vides ([])
Le JSON brut retourné par Haiku est copié dans memory_sessions/logs/.debug/YYYY-MM-DD_HHMMSS.json (un fichier par appel, horodaté). Ce répertoire est dans .gitignore (**/.debug/).
| Fichier | Règle |
|---|---|
logs/YYYY-MM-DD.md |
Structuré par sections — append de nouveaux bullets sans duplication |
long_memory.md |
Maximum 300 lignes — résumé automatique si dépassement (via /memory_promotion) |
| Archive | Logs > 30 jours déplacés vers logs/archives/ |
.debug/ |
JSON brut Haiku, gitignored, utile pour diagnostic |
| Composant | Fichier | Déclenchement |
|---|---|---|
| Stop hook | .claude/hooks/memory-session.sh |
Automatique — fin de chaque tour Claude |
| Skill load | .claude/skills/memory_load/SKILL.md |
Manuel — /memory_load [projet] |
| Skill promotion | .claude/skills/memory_promotion/SKILL.md |
Manuel — /memory_promotion [projet] |
Claude répond
↓
Stop hook déclenché (settings.json)
↓
memory-session.sh reçoit JSON stdin
↓
stop_hook_active = true ? → exit 0 (anti-boucle)
↓
Extraire transcript_path du JSON stdin
↓
Étape 1 — Parser le JSONL : trouver le dernier échange
(ignorer les messages tool_result/thinking/tool_use — texte vide)
↓
Étape 2 — Lire les logs existants du jour pour chaque projet
+ Détecter si l'utilisateur a envoyé "OK-done"
+ Construire prompt structuré pour Haiku
↓
Étape 3 — Appeler Haiku depuis /tmp
(depuis /tmp : évite que CLAUDE.md du projet interfère)
↓
Haiku retourne JSON structuré par sections :
{ project, sections: { objectif, problemes, connaissances,
travail, decisions, a_suivre, a_suivre_done }, long_memory_update }
↓
Étape 4 — Python fusionne les nouvelles entrées dans le log existant
+ Parse les sections Markdown existantes
+ Append les nouveaux bullets sous chaque section
+ Gère a_suivre_done → déplace vers "Finalisé" avec ✅
+ Copie le JSON brut dans .debug/ pour diagnostic
+ Écrit long_memory.md si nécessaire
(avec flock si disponible, dégradation gracieuse sinon)
↓
exit 0
Le transcript est un fichier JSONL. Les messages utiles ont type: "user" ou type: "assistant" avec message.content :
{
"type": "user",
"message": {
"role": "user",
"content": [
{ "type": "text", "text": "le texte du message" }
]
}
}
Important : beaucoup de messages intermédiaires ont type: "tool_result", "thinking", "tool_use" avec text vide — il faut filtrer sur content[].type == "text" et ignorer les messages sans texte.
Quand le Stop hook appelle claude, cette invocation se termine → déclenche à nouveau le Stop hook. Claude Code injecte stop_hook_active: true dans le JSON stdin de la seconde invocation. Le hook vérifie ce flag en premier et fait exit 0 immédiatement.
| Choix | Décision | Raison |
|---|---|---|
| Modèle | Haiku 4.5 | Rapide (~1-2s), coût minimal, suffisant pour extraction/classification |
Appel Claude depuis /tmp |
Oui | Le CLAUDE.md du projet hôte interdit à Haiku de répondre en JSON pur |
| Format intermédiaire | JSON structuré par sections → Python formate le Markdown | Séparation claire extraction/formatage, debug facile |
| Déduplication | Haiku relit le log existant + append sous la même section | Pas de réécriture/fusion — robuste et simple |
flock |
Optionnel (dégradation gracieuse) | Non installé par défaut sur macOS — brew install util-linux |
| Fichiers temporaires | mktemp -d avec trap EXIT |
Évite l'injection de variables shell dans les heredocs Python |
| Debug JSON | Copie dans .debug/ (gitignored) |
Diagnostic facile sans polluer le dépôt |
| Mémoire par projet | Oui | Un workspace peut contenir plusieurs sous-projets indépendants |
long_memory.md (pas memory.md) |
Oui | Évite la collision avec les memory.md existants dans les sous-projets |
memory_sessions/ (pas memory/) |
Oui | Évite la collision avec les répertoires memory/ existants |
| Versionnement | Oui (dans git) | Portabilité entre machines, historique des mémoires |
| Prérequis | Détail | Installation |
|---|---|---|
| Claude Code CLI | claude disponible dans PATH |
claude.ai/code |
| Python 3 | Stdlib uniquement (json, pathlib, re) — aucun package tiers | pré-installé macOS / brew install python |
flock |
Optionnel (dégradation gracieuse si absent) | brew install util-linux (macOS) / pré-installé Linux |
| Homebrew | Gestionnaire de paquets macOS — nécessaire pour util-linux |
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" |
| Dépôt git | Pour la portabilité des fichiers memory_sessions/ |
git init ou clone |
# 1. Homebrew (si absent)
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
# 2. util-linux (pour flock)
brew install util-linux
# 3. Vérifier que claude est dans PATH
claude --version
Créer .claude/hooks/memory-session.sh avec le contenu ci-dessous (voir section Code complet).
Rendre exécutable :
chmod +x .claude/hooks/memory-session.sh
Dans le hook, modifier la variable PROJECT_PATHS :
PROJECT_PATHS = {
"root": "memory_sessions", # projet père — toujours présent
"mon_projet": "projects/mon_projet/memory_sessions",
# ajouter autant de sous-projets que nécessaire
}
Et dans le prompt Haiku, mettre à jour la liste :
## Projets disponibles
root, mon_projet, autre_projet
Ajouter dans .claude/settings.json :
{
"hooks": {
"Stop": [
{
"matcher": "",
"hooks": [
{ "type": "command", "command": "\"$CLAUDE_PROJECT_DIR\"/.claude/hooks/memory-session.sh" }
]
}
]
}
}
mkdir -p memory_sessions/logs
touch memory_sessions/.gitkeep
# Répéter pour chaque sous-projet
mkdir -p projects/mon_projet/memory_sessions/logs
touch projects/mon_projet/memory_sessions/.gitkeep
Ajouter dans .gitignore :
# Debug JSON des appels Haiku (memory-session hook)
**/.debug/
Créer .claude/skills/memory_load/SKILL.md et .claude/skills/memory_promotion/SKILL.md (voir section Code complet).
/memory_load [projet]Charge la mémoire en début de session. Lit long_memory.md + les logs du jour et de la veille. Affiche un résumé consolidé.
/memory_load cmms_doc
/memory_load all
/memory_promotion [projet]Consolide les logs récents vers long_memory.md. Archive les logs > 30 jours. À lancer manuellement (hebdomadaire ou mensuel).
/memory_promotion all
.claude/hooks/memory-session.sh#!/usr/bin/env bash
# memory-session.sh — Stop hook : met à jour la mémoire de session après chaque tour Claude
# Inspiré d'OpenClaw : mémoire courte (log quotidien) + longue (long_memory.md) par projet
set -euo pipefail
# Anti-boucle : si Claude a déjà traité ce hook, sortir immédiatement
STDIN_DATA=$(cat)
STOP_HOOK_ACTIVE=$(echo "$STDIN_DATA" | python3 -c "
import sys, json
try:
d = json.load(sys.stdin)
print('true' if d.get('stop_hook_active') else 'false')
except:
print('false')
" 2>/dev/null || echo "false")
[ "$STOP_HOOK_ACTIVE" = "true" ] && exit 0
# Extraire transcript_path depuis stdin
TRANSCRIPT_PATH=$(echo "$STDIN_DATA" | python3 -c "
import sys, json
try:
d = json.load(sys.stdin)
print(d.get('transcript_path', ''))
except:
print('')
" 2>/dev/null || echo "")
[ -z "$TRANSCRIPT_PATH" ] || [ ! -f "$TRANSCRIPT_PATH" ] && exit 0
PROJECT_ROOT="$(cd "$(dirname "$0")/../.." && pwd)"
TODAY=$(date +%Y-%m-%d)
NOW=$(date +%Y-%m-%d_%H%M%S)
# Répertoire temporaire nettoyé automatiquement à la sortie
TMP_HOOK=$(mktemp -d)
trap 'rm -rf "$TMP_HOOK"' EXIT
# --- Étape 1 : extraire le dernier échange humain+assistant ---
EXCHANGE_FILE="$TMP_HOOK/exchange.json"
python3 - "$TRANSCRIPT_PATH" "$EXCHANGE_FILE" <<'PYEOF'
import sys, json
from pathlib import Path
transcript_path = sys.argv[1]
output_file = sys.argv[2]
messages = []
with open(transcript_path) as f:
for line in f:
line = line.strip()
if not line:
continue
try:
d = json.loads(line)
if d.get("type") in ("user", "assistant"):
msg = d.get("message", {})
content = msg.get("content", "")
if isinstance(content, list):
content = " ".join(
c.get("text", "") for c in content
if isinstance(c, dict) and c.get("type") == "text"
)
messages.append({"role": d["type"], "content": content})
except:
pass
def extract_text(content):
"""Extrait uniquement le texte réel (ignore tool_result, thinking, tool_use)."""
if isinstance(content, str):
return content.strip()
if isinstance(content, list):
return " ".join(
c.get("text", "") for c in content
if isinstance(c, dict) and c.get("type") == "text" and c.get("text", "").strip()
).strip()
return ""
human_msg = ""
assistant_msg = ""
for m in reversed(messages):
role = m.get("role", "")
text = extract_text(m.get("content", ""))
if not text:
continue
if not assistant_msg and role == "assistant":
assistant_msg = text[:2000]
elif assistant_msg and not human_msg and role == "user":
human_msg = text[:1000]
break
Path(output_file).write_text(json.dumps({"human": human_msg, "assistant": assistant_msg}))
PYEOF
# Vérifier que l'échange est non vide
HUMAN_LEN=$(python3 -c "
import json, sys
with open('$EXCHANGE_FILE') as f:
d = json.load(f)
print(len(d.get('human', '')))
" 2>/dev/null || echo "0")
[ "$HUMAN_LEN" = "0" ] && exit 0
# --- Étape 2 : construire le prompt structuré pour Haiku (avec log existant) ---
PROMPT_FILE="$TMP_HOOK/prompt.txt"
python3 - "$EXCHANGE_FILE" "$PROMPT_FILE" "$PROJECT_ROOT" "$TODAY" <<'PYEOF'
import sys, json
from pathlib import Path
exchange_file = sys.argv[1]
prompt_file = sys.argv[2]
project_root = sys.argv[3]
today = sys.argv[4]
with open(exchange_file) as f:
d = json.load(f)
human = d["human"][:800]
assistant = d["assistant"][:1200]
PROJECT_PATHS = {
"root": "memory_sessions",
"mon_projet": "projects/mon_projet/memory_sessions",
# ← ADAPTER ICI
}
# Lire les logs existants du jour pour chaque projet
existing_logs = {}
for proj, path in PROJECT_PATHS.items():
log_file = Path(project_root) / path / "logs" / f"{today}.md"
if log_file.exists():
content = log_file.read_text().strip()
if content:
existing_logs[proj] = content
if existing_logs:
existing_section = "\n\n".join(
f"### {proj}\n{content}" for proj, content in existing_logs.items()
)
else:
existing_section = "(aucun log existant)"
# Détection OK-done
is_ok_done = human.strip().lower().replace("-", " ").replace("_", " ").strip() in ("ok done", "okdone")
if is_ok_done:
special = """
ATTENTION : L'utilisateur a envoyé "OK-done" = le point en cours est finalisé.
Retourne UNIQUEMENT des items dans "a_suivre_done" pour marquer les points résolus.
Toutes les autres sections doivent être des tableaux vides [].
"""
else:
special = ""
prompt = """Tu es un assistant de mémoire de session Claude. Analyse cet échange et classe les informations.
## Échange
Humain: {human}
Claude: {assistant}
{special}
## Projets disponibles
root, mon_projet ← ADAPTER ICI
## Log existant du jour
{existing}
## Sections à remplir
Pour chaque projet concerné, retourne un JSON avec les sections pertinentes.
Chaque section est un tableau de strings (1 string = 1 bullet point).
Un tableau vide [] = rien à ajouter dans cette section.
Règles :
- Ne répète JAMAIS un point déjà présent dans le log existant.
- Sois concret et actionnable : "Test échoué : aucun skill trouvé, cause = extraction texte vide" plutôt que "Test échoué".
- "contexte" : 1-2 phrases décrivant LE SUJET ou LE SYSTÈME sur lequel porte la session (ex: "Refonte du hook memory-session.sh pour passer au format JSON structuré."). Plusieurs contextes possibles par jour — ne pas répéter un contexte déjà présent dans le log existant.
- "objectif" : l'intention de l'échange (un jour peut avoir plusieurs objectifs).
- "a_suivre" : seulement si un point reste explicitement ouvert.
- "a_suivre_done" : si l'échange résout un point listé dans "À suivre" du log existant. Reprends le texte EXACT.
- "connaissances" : uniquement les faits techniques/métier durables.
- "decisions" : choix techniques ou fonctionnels actés.
## Format JSON strict (aucun texte autour)
{{"updates":[{{"project":"...","sections":{{"contexte":[],"objectif":[],"problemes":[],"connaissances":[],"travail":[],"decisions":[],"a_suivre":[],"a_suivre_done":[]}},"long_memory_update":null}}]}}
""".format(human=human, assistant=assistant, existing=existing_section, special=special)
Path(prompt_file).write_text(prompt)
PYEOF
# --- Étape 3 : appel Haiku ---
OUTPUT_FILE="$TMP_HOOK/haiku_output.txt"
# Appel depuis /tmp pour éviter que le CLAUDE.md du projet interfère
(cd /tmp && claude --model claude-haiku-4-5-20251001 --print) \
< "$PROMPT_FILE" > "$OUTPUT_FILE" 2>/dev/null \
|| echo '{"updates":[]}' > "$OUTPUT_FILE"
# --- Étape 4 : écrire les fichiers mémoire (structurés par sections) ---
write_memory() {
python3 - "$PROJECT_ROOT" "$TODAY" "$OUTPUT_FILE" "$NOW" <<'PYEOF'
import sys, json, re, collections, shutil
from pathlib import Path
project_root = sys.argv[1]
today = sys.argv[2]
output_file = sys.argv[3]
now_ts = sys.argv[4]
PROJECT_PATHS = {
"root": "memory_sessions",
"mon_projet": "projects/mon_projet/memory_sessions",
# ← ADAPTER ICI
}
SECTION_ORDER = [
("contexte", "## Contexte"),
("objectif", "## Objectif"),
("problemes", "## Problèmes rencontrés"),
("connaissances", "## Connaissances acquises"),
("travail", "## Travail produit"),
("decisions", "## Décisions prises"),
("a_suivre", "## À suivre"),
("finalise", "## Finalisé"),
]
def parse_sections(md_text):
"""Parse un Markdown en sections ordonnées : titre -> [lignes bullet]."""
sections = collections.OrderedDict()
current_title = None
for line in md_text.split("\n"):
if line.startswith("## "):
current_title = line.strip()
if current_title not in sections:
sections[current_title] = []
elif current_title is not None:
stripped = line.strip()
if stripped.startswith("- "):
sections[current_title].append(stripped)
return sections
def merge_log(existing_md, update, today_str):
"""Fusionne les nouvelles entrées dans le log existant."""
sections = parse_sections(existing_md) if existing_md else collections.OrderedDict()
new_sections = update.get("sections", {})
# Ajouter les nouvelles entrées par section
for key, title in SECTION_ORDER:
if key == "finalise":
continue
items = new_sections.get(key, [])
if items:
if title not in sections:
sections[title] = []
for item in items:
bullet = f"- {item}"
if bullet not in sections[title]:
sections[title].append(bullet)
# Gérer a_suivre_done : retirer de "À suivre", ajouter à "Finalisé"
done_items = new_sections.get("a_suivre_done", [])
if done_items and "## À suivre" in sections:
remaining = []
finalized = []
for line in sections["## À suivre"]:
matched = False
for done in done_items:
if done.lower() in line.lower():
finalized.append(line.replace("- ", "- ✅ ", 1))
matched = True
break
if not matched:
remaining.append(line)
sections["## À suivre"] = remaining
if finalized:
sections.setdefault("## Finalisé", []).extend(finalized)
# Réécrire le Markdown
lines = [f"# Log session — {today_str}", ""]
known_titles = {t for _, t in SECTION_ORDER}
for _, title in SECTION_ORDER:
if title in sections and sections[title]:
lines.append(title)
for item in sections[title]:
lines.append(item)
lines.append("")
# Sections inconnues (au cas où)
for title, items in sections.items():
if title not in known_titles and items:
lines.append(title)
for item in items:
lines.append(item)
lines.append("")
return "\n".join(lines).rstrip() + "\n"
# --- Main ---
raw = Path(output_file).read_text()
try:
match = re.search(r'\{.*\}', raw, re.DOTALL)
data = json.loads(match.group()) if match else {"updates": []}
except Exception:
data = {"updates": []}
for update in data.get("updates", []):
project = update.get("project", "")
if project not in PROJECT_PATHS:
continue
mem_dir = Path(project_root) / PROJECT_PATHS[project]
logs_dir = mem_dir / "logs"
logs_dir.mkdir(parents=True, exist_ok=True)
# Lire le log existant du jour
log_file = logs_dir / f"{today}.md"
existing_md = log_file.read_text() if log_file.exists() else ""
# Fusionner et réécrire si des sections sont non vides
has_sections = update.get("sections") and any(
update["sections"].get(k, []) for k in
["contexte", "objectif", "problemes", "connaissances", "travail", "decisions", "a_suivre", "a_suivre_done"]
)
if has_sections:
merged = merge_log(existing_md, update, today)
log_file.write_text(merged)
# Mémoire long terme (inchangé)
long_memory = (update.get("long_memory_update") or "").strip()
if long_memory:
long_file = mem_dir / "long_memory.md"
if not long_file.exists():
long_file.write_text(f"# Mémoire long terme — {project}\n\n")
with open(long_file, "a") as f:
f.write(f"\n## {today}\n\n{long_memory}\n")
# Debug : copier le JSON brut de Haiku
debug_dir = logs_dir / ".debug"
debug_dir.mkdir(exist_ok=True)
shutil.copy2(output_file, debug_dir / f"{now_ts}.json")
PYEOF
}
# Verrou flock si disponible, sinon continuer sans (dégradation gracieuse)
LOCK_FILE="/tmp/.memory-session-product-agents.lock"
if command -v flock >/dev/null 2>&1; then
(flock -x 200; write_memory) 200>"$LOCK_FILE"
else
write_memory
fi
exit 0
.claude/skills/memory_load/SKILL.md# /memory_load
Charge la mémoire de session des projets actifs.
## Étape 1 — Identifier les projets
Si argument passé → ce projet uniquement. Sinon → demander via AskUserQuestion.
`all` → tous les projets.
## Étape 2 — Lire les fichiers
Pour chaque projet (chemin : `memory_sessions/` ou `projects/{nom}/memory_sessions/`) :
1. Lire `long_memory.md` (si existant)
2. Lire `logs/{YYYY-MM-DD}.md` du jour courant
3. Lire `logs/{YYYY-MM-DD}.md` du jour précédent
## Étape 3 — Afficher le résumé
✓ Mémoire chargée pour : {projets}
[{Projet}]
Long terme : {contenu ou "vide"}
Aujourd'hui : {entrées ou "aucune"}
Hier : {entrées ou "aucune"}
.claude/skills/memory_promotion/SKILL.md# /memory_promotion
Consolide les logs vers long_memory.md et archive les anciens.
## Étape 1 — Périmètre
Si argument → ce projet. Sinon → demander. `all` → tous.
## Étape 2 — Analyser les logs (30 derniers jours)
Lire `memory_sessions/logs/*.md` (hors archives/).
## Étape 3 — Mettre à jour long_memory.md
Intégrer les faits durables. Maximum 300 lignes — résumer si dépassement.
## Étape 4 — Archiver
Déplacer logs > 30 jours vers `memory_sessions/logs/archives/`.
## Étape 5 — Résumé
Afficher : logs analysés, faits promus, fichiers archivés, taille long_memory.md.
| Bug | Cause | Solution |
|---|---|---|
--stop-hook-active invalide |
Ce flag n'existe pas dans le CLI claude — il est uniquement dans le JSON stdin du hook |
Supprimé du call CLI |
| CLAUDE.md interfère | Quand claude est appelé depuis le projet, le CLAUDE.md du projet est injecté et modifie la réponse Haiku |
Appeler claude depuis /tmp |
| Messages vides extraits | Le transcript JSONL contient beaucoup de messages tool_result/thinking avec text vide |
Filtrer sur content[].type == "text" et ignorer les messages sans texte réel |
flock absent (macOS) |
flock vient de util-linux, non installé par défaut sur macOS |
Dégradation gracieuse : if command -v flock avant d'utiliser |
| Variable shell dans heredoc Python | """$VAR""" dans un heredoc casse si $VAR contient des guillemets ou caractères spéciaux |
Utiliser des fichiers temporaires (mktemp) passés en arguments |
--no-streaming invalide |
Ce flag n'existe pas dans le CLI claude |
Supprimé — --print suffit |
Fichier auto-porté — contient tout le nécessaire pour installer ce skill dans un projet Claude Code.
Modèle recommandé pour installer cette spec : Sonnet 4.6
Plus de 3 fichiers à créer ou modifier (SKILL.md, docs/skills/token-audit.md, docs/skills/README.md, docs/audits/token/) — nécessite un peu de propagation dans les fichiers existants.
Nom du skill : token_audit
Déclenchement : /token_audit <nom_du_skill>
Rôle : Analyse un skill existant et produit un rapport d'optimisation des tokens consommés
Modèle recommandé : Sonnet 4.6
Le projet doit disposer de :
- docs/skills/README.md — index des skills (pour lister les skills disponibles et y ajouter l'entrée)
- .claude/skills/ — répertoire des skills à auditer
- docs/audits/token/ — créé automatiquement par le skill si absent
- Outil standard wc disponible dans le shell (aucune dépendance externe supplémentaire)
.claude/skills/token_audit/SKILL.md---
name: token_audit
metadata:
project: parent
description: Analyse un skill existant et produit un rapport d'optimisation des tokens consommés
---
# /token_audit
Analyser un skill existant pour produire un **rapport d'optimisation des tokens** consommés, avec des recommandations concrètes et chiffrées.
---
## Entrée
- Argument : `<nom_du_skill>` (ex: `/token_audit mag_add_magazine`)
- Si aucun nom fourni → lire `docs/skills/README.md`, afficher les skills disponibles, demander lequel analyser
---
## Étape 1 — Charger le skill cible
1. Lire `.claude/skills/<nom_du_skill>/SKILL.md`
2. Si le fichier n'existe pas → afficher "Skill introuvable." + lister les skills disponibles, s'arrêter
3. Lire la doc associée `docs/skills/` (chercher le fichier correspondant en kebab-case)
4. Identifier tous les fichiers référencés dans le skill : scripts Python, templates, fichiers lus/écrits
---
## Étape 2 — Inventorier les opérations consommatrices
Pour chaque étape du skill, classifier l'opération dans ce tableau :
| Type | Tokens | Description |
|------|--------|-------------|
| **Bash/Python** | Input (résultat) | Le résultat de la commande entre dans le contexte. Estimer avec `wc -c <output>` / 4 si volumineux. Ex : `git log` 50 commits ≈ 500 tok, `Grep` 20 matches ≈ 150 tok. Commandes sans output (`mv`, `mkdir`, `chmod`) → 0 tok. |
| **Read** (Claude lit un fichier) | Input | Lecture de TXT, JSON, CSV, PDF |
| **Write/génération** (Claude écrit) | Output (coût 5x) | Génération de JSON, Markdown, tout fichier |
| **Raisonnement** (Claude réfléchit) | Output (coût 5x) | Résumés, classification, décisions sémantiques |
| **Contexte système** | Input fixe | SKILL.md, CLAUDE.md, fichiers de principes |
| **AskUserQuestion** | Input + Output | Output : ~100 tok (question affichée). Input : réponse utilisateur ~50-500 tok. |
| **WebFetch** | Input | Contenu HTML parsé entrant dans le contexte. Estimer : `wc -c <contenu>` / 4. Souvent 1 000-5 000 tok. |
Lister chaque étape avec son type dans un tableau intermédiaire.
---
## Étape 3 — Mesurer les volumes
Pour chaque opération Read ou Write identifiée :
1. Chercher un fichier exemple existant dans le projet (output d'une exécution précédente du skill)
2. Mesurer sa taille avec `wc -c` et estimer les tokens selon le type de contenu :
- Prose française : `taille_octets / 5`
- JSON (clés/valeurs courtes) : `taille_octets / 2.5`
- Code source (PHP, JS, Vue) : `taille_octets / 3.5`
- Markdown mixte (prose + code) : `taille_octets / 4`
3. Si pas d'exemple disponible → estimer depuis le SKILL.md avec les catégories : petit (<500 tokens), moyen (500-5000), gros (>5000)
Pour le contexte système, estimer :
- SKILL.md du skill cible : `wc -c` / 4
- Fichiers de principes/config : mesurer avec `wc -c` / 4
**Cache** : dans Claude Code, le contexte système est mis en cache après le 1er tour. Pour les exécutions répétées, multiplier le coût du contexte système par 0.1. Mentionner dans le rapport "(sans cache)" vs "(en régime établi)" si l'écart dépasse 10% du coût total.
---
## Étape 4 — Calculer la répartition des coûts
Appliquer la formule de coût pondéré :
coût_input = tokens_input × 1 coût_output = tokens_output × 5 coût_total = somme de tous les coûts %_étape = coût_étape / coût_total × 100
**Accumulation de contexte** : dans une conversation multi-tours, chaque step injecte ses outputs dans le contexte de tous les steps suivants. Pour les skills longs (>5 étapes), inclure une ligne "Contexte accumulé" dans le tableau :
- Estimer : somme des tokens output des étapes précédentes × 1 (input)
- Cette ligne représente souvent 15-40% du coût total réel
- C'est la principale source d'écart entre estimation step-par-step et coût réel
Produire le tableau de répartition par étape, en incluant la ligne "Contexte accumulé" si le skill comporte plus de 5 étapes.
---
## Étape 5 — Identifier les optimisations
Pour chaque opération dont le coût dépasse **15% du total ET 1 500 unités**, évaluer ces stratégies par ordre de priorité :
### 5.1 Déléguer à Python (priorité haute)
L'opération peut-elle être réalisée par un script sans LLM ?
- Copie verbatim de contenu → oui
- Transformation de format (TXT→JSON structure) → partiellement
- Calculs, tri, filtrage → oui
### 5.2 Lecture conditionnelle (priorité haute)
L'opération peut-elle être ignorée si une condition préalable n'est pas remplie ?
- WebFetch → uniquement si la documentation interne est insuffisante
- Lecture fichiers code source → uniquement si la doc ne répond pas
- Lecture d'un sous-répertoire → uniquement si le scoring de pertinence est positif
Différent de "réduire l'input" : ici on ne lit pas du tout, plutôt que de lire moins.
### 5.3 Réduire l'input (priorité moyenne)
Claude lit-il des données inutiles ?
- Fichier entier lu alors que seules certaines sections sont nécessaires
- Contexte système trop volumineux pour la tâche
### 5.4 Paralléliser les lectures (priorité haute)
Les lectures sont-elles déclenchées séquentiellement alors qu'elles sont indépendantes ?
- Lire N fichiers en 1 seul tour (N appels Read en parallèle) au lieu de N tours séquentiels
- Élimine (N-1) couches d'accumulation de contexte
- Applicable quand : lecture de plusieurs fichiers sans dépendance entre eux
- Gain typique : -10 à -30% sur le coût total pour les skills > 5 étapes
### 5.5 Réduire l'output (priorité haute)
Claude génère-t-il du contenu qu'un script pourrait produire ?
- **Pattern diff/patch** : le LLM produit uniquement les sections modifiées (format structuré), un script Python applique les modifications. Gain typique : -40 à -70% sur les tokens output. Applicable quand : mise à jour de documents existants, enrichissement partiel.
- Structures JSON répétitives → déléguer à Python
- Messages/récapitulatifs longs → condenser
### 5.6 Choisir un modèle adapté (priorité basse)
La tâche nécessite-t-elle le modèle actuel ?
- Extraction structurée simple → Haiku 4.5 suffit
- Synthèse/résumé → Sonnet 4.6 minimum
- Raisonnement complexe multi-étapes → Opus 4.6
**Calcul du gain** : pour chaque optimisation identifiée :
gain_% = (coût_pondéré_étape_actuel - coût_pondéré_étape_optimisé) / coût_total × 100
---
## Étape 6 — Produire le rapport
1. Créer le dossier `docs/audits/token/` s'il n'existe pas
2. Écrire le rapport dans `docs/audits/token/token_audit_<nom_du_skill>.md`
Format du rapport :
```markdown
---
date_creation: YYYY-MM-DD
skill_audite: <nom_du_skill>
---
# Audit tokens : <nom_du_skill>
## Résumé
| Métrique | Valeur |
|----------|--------|
| Tokens input estimés | X |
| Tokens output estimés | X |
| Coût pondéré total | X unités |
| Étape la plus coûteuse | X (Y%) |
| Modèle recommandé | Haiku / Sonnet / Opus |
**Base de mesure** : {décrire le scénario retenu — nb commits, nb fichiers lus, taille typique des outputs, modèle hypothétique d'exécution}
## Détail par étape
| # | Étape | Type | Tokens in | Tokens out | Coût pondéré | % total |
|---|-------|------|-----------|------------|-------------|---------|
| 0 | Contexte système | Contexte système | 3 500 | 0 | 3 500 | X% |
| 1 | ... | Bash (git log) | 500 | 0 | 500 | X% |
| 2 | ... | Read | X | 0 | X | Y% |
| 3 | ... | Write | 0 | X | 5X | Y% |
| — | Contexte accumulé | Input | X | 0 | X | Y% |
## Optimisations proposées
### 1. [Titre] — Gain estimé : X%
- **Problème** : description du gaspillage identifié
- **Solution** : action concrète à réaliser
- **Complexité** : faible / moyenne / élevée
- **Modèle recommandé** : Haiku / Sonnet / Opus
## Justification du modèle
{Expliquer pourquoi le modèle recommandé est nécessaire — quelles étapes justifient ce niveau de capacité, et pourquoi le modèle inférieur serait insuffisant (risques concrets : mapping incorrect, enrichissement manqué, synthèse approximative, etc.)}
## Bilan
| Scénario | Tokens in | Tokens out | Coût pondéré | Gain |
|----------|-----------|------------|-------------|------|
| Actuel | X | X | X | — |
| Optimisé | X | X | X | -Y% |
docs/audits/token/token_audit_*.mddate_creation (frontmatter)skill_audite (frontmatter).claude/skills/{skill_audite}/SKILL.md → extraire metadata.project. Si absent ou fichier sans frontmatter → parent.826 000 unités)docs/audits/token/README.md avec ce format :# Token Audit
Généré automatiquement par `/token_audit`. Dernière mise à jour : YYYY-MM-DD.
## Par coût décroissant
| Date audit | Projet | Skill | Modèle recommandé | Coût pondéré total |
| --- | --- | --- | --- | --- |
| YYYY-MM-DD | projet | skill_name | Sonnet 4.6 | 826 000 unités |
| YYYY-MM-DD | projet | skill_name | Haiku 4.5 | 24 502 unités |
## Par projet
| Date audit | Projet | Skill | Modèle recommandé | Coût pondéré total |
| --- | --- | --- | --- | --- |
| YYYY-MM-DD | blog | skill_name | Haiku 4.5 | 7 817 unités |
| YYYY-MM-DD | cmms_doc | skill_name | Sonnet 4.6 | 826 000 unités |
Le tableau "Par coût décroissant" est trié par Coût pondéré total décroissant. Le tableau "Par projet" est trié par Projet ASC puis Skill ASC.
docs/audits/token/README.md existe déjà, l'écraser entièrement avec la version recalculéedocs/skills/README.md, demander de choisir/help) → afficher "Ce skill consomme très peu de tokens, l'optimisation n'est pas pertinente." et s'arrêter sans générer de rapport. (Aligne le seuil trivial avec le double seuil de l'étape 5.)### 2. `docs/skills/token-audit.md`
```markdown
---
date_creation: 2026-03-07
date_maj: 2026-03-07
---
# Skill : token_audit
## Rôle
Analyse un skill existant et produit un rapport d'optimisation des tokens consommés, avec recommandations concrètes et chiffrées.
## Déclenchement
`/token_audit <nom_du_skill>`
Exemple : `/token_audit mon_skill`
## Fichiers impliqués
- [.claude/skills/token_audit/SKILL.md](../../.claude/skills/token_audit/SKILL.md) — définition du skill
- [docs/skills/token-audit.md](token-audit.md) — cette documentation
- [docs/audits/](../audits/) — rapports générés (sortie)
## Flux
1. Charger le SKILL.md et la doc du skill cible
2. Inventorier chaque étape : Bash (0 token), Read (input), Write (output 5x), Raisonnement (output)
3. Mesurer les volumes réels via `wc -c` sur les fichiers exemples existants
4. Calculer la répartition des coûts pondérés (output x 5)
5. Identifier les optimisations : déléguer à Python, réduire input/output, modèle adapté
6. Écrire le rapport dans `docs/audits/`
## Particularités
- Seuil de pertinence : si le coût total estimé < 1 500 tokens, le skill est considéré trivial et aucun rapport n'est généré
- Les estimations de tokens utilisent des ratios par type de contenu (prose française : /5, JSON : /2.5, Markdown mixte : /4)
- Le rapport inclut un bilan comparatif avant/après optimisation
- La ligne "Contexte accumulé" est ajoutée pour les skills > 5 étapes
docs/skills/README.md| parent | [/token\_audit](token-audit.md) | Analyse un skill existant et produit un rapport d'optimisation des tokens consommés |
.claude/skills/token_audit/SKILL.mddocs/skills/token-audit.md avec le contenu du bloc correspondantdocs/skills/README.md (section parent, ordre alphabétique)docs/audits/token/ (créé automatiquement à la 1ère exécution, mais peut être créé à l'avance)/token_audit commit (skill léger, exécution rapide)docs/audits/token/token_audit_commit.md est crééskill_audite: commit et date_creationdocs/audits/token/README.md est mis à jour avec une entrée pour commit| Métrique | Valeur |
|---|---|
| Tokens input estimés | 198 000 |
| Tokens output estimés | 56 000 |
| Coût pondéré total | 478 000 unités |
| Étape la plus coûteuse | Phase 5 — Lecture analyses + génération fiches concurrent (31%) |
| Modèle recommandé | Opus 4.6 |
Mise à jour 2026-03-25 (audit précédent : 2026-03-24, ~398 619 unités). Ajout des champs "Niveau de preuve" et "Confiance" issus du nouveau format /token_audit. Base de mesure : 140 analyses, SKILL.md 27 696 B. Scénario : 5 documents source, 3 concurrents affectés (2 existants + 1 nouveau), 5 thèmes, 2 trimestres. Optimisations 1 et 3 du précédent audit déjà implémentées (frontmatter Python + _index.json delta Python).
Niveau de preuve : example_based (mesures wc -c sur 140 analyses, 8 fiches, _index.json, SKILL.md, analyses thèmes) + static_estimate (volumes messages utilisateur, accumulation contexte)
| Facteur | 2026-03-07 | 2026-03-24 | Impact |
|---|---|---|---|
| SKILL.md | 18 158 B | 27 564 B (+52%) | +2 352 tokens contexte |
| Analyses en base | 88 | 138 (+57%) | +coût phases 5 et 7 |
| Opt. 1 (frontmatter Python) | non impl. | ✓ implémentée | -58 350 unités |
| Opt. 3 (_index.json delta) | non impl. | ✓ implémentée | -52 900 unités |
| Opt. 2 (fiches incrémentales) | non impl. | non impl. | — |
| Opt. 4 (thèmes incrémentaux) | non impl. | non impl. | — |
| Opt. 5 (extraire templates) | non impl. | non impl. + SKILL.md a grossi | coût aggravé |
| # | Étape | Type | Tokens in | Tokens out | Coût pondéré | % total |
|---|---|---|---|---|---|---|
| 0 | Contexte système (SKILL.md 27 564 o + CLAUDE.md 934 o) | Input fixe | 7 125 | 0 | 7 125 | 1% |
| 0b | Read _index.json (~66 000 o, base 138 analyses) | Read | 16 500 | 0 | 16 500 | 3% |
| 1-2 | Scan + validation data/in/ | Bash + Raison | 0 | 50 | 250 | 0% |
| 3a | Read documents source (×5, avg 5 000 tok) | Read | 25 000 | 0 | 25 000 | 5% |
| 3b | Read template analysis-prompt.md (×5) | Read | 2 550 | 0 | 2 550 | 1% |
| 3d-f | Génération 5 analyses (avg 2 334 tok) | Write | 0 | 11 670 | 58 350 | 12% |
| 3bis-b | Classification thèmes + AskUser (×5) | Raisonnement | 0 | 500 | 2 500 | 1% |
| 3bis-c | update_frontmatter.py (×5) | Bash (Python) | 0 | 0 | 0 | 0% |
| 4 | Récapitulatif tableau | Write | 0 | 500 | 2 500 | 1% |
| 5a-b | Read TOUTES analyses 3 concurrents (138 total, 3 affectés) | Read | 102 180 | 0 | 102 180 | 21% |
| 5c | Read fiches existantes (×2) | Read | 6 928 | 0 | 6 928 | 1% |
| 5d-e | Génération/régénération 3 fiches | Write | 0 | 10 392 | 51 960 | 11% |
| 6 | Analyses temporelles (×2 trimestres) | Write | 0 | 375 | 1 875 | 0% |
| 7a | Read définitions thèmes (×5) | Read | 2 031 | 0 | 2 031 | 0% |
| 7b | Read analyses par thème (×5, ~18 analyses/thème) | Read | 40 500 | 0 | 40 500 | 8% |
| 7c | Génération 5 analyses thématiques | Write | 0 | 13 565 | 67 825 | 14% |
| 7bis | update_index.py delta (Python) | Bash (Python) | 0 | 0 | 0 | 0% |
| 7bis-write | Write _index_delta.json (delta uniquement, ~3 000 o) | Write | 0 | 750 | 3 750 | 1% |
| 7ter | Regénération 5 README | Write | 0 | 625 | 3 125 | 1% |
| 8 | Messages conversation utilisateur | Input | 3 670 | 0 | 3 670 | 1% |
| Total | 206 484 | 38 427 | ~398 619 |
| Type | Nombre | Taille totale | Tokens moyens |
|---|---|---|---|
| Analyses individuelles | 138 | ~1 287 000 B | ~2 334 |
| Fiches concurrent | 8 | ~110 840 B | ~3 464 |
| Analyses thématiques | estimé 25 | ~271 250 B | ~2 713 |
| Analyses temporelles | estimé 12 | ~8 988 B | ~187 |
| _index.json | 1 | ~66 385 B | ~16 596 |
Gain réalisé : -58 350 unités vs audit 2026-03-07.
Gain réalisé : -52 900 unités vs audit 2026-03-07.
analyses_integrated: [...])projects/competitors/templates/ et les charger à la demande aux étapes 5 et 7. Le SKILL.md pourrait descendre à ~15 000 B (-12 696 B → -3 174 tokens contexte).| Scénario | Tokens in | Tokens out | Coût pondéré | Gain vs précédent audit |
|---|---|---|---|---|
| Précédent (2026-03-07, 88 analyses) | 182 001 | 80 650 | 585 251 | référence |
| Actuel (2026-03-24, 138 analyses, opt 1+3 impl.) | 206 484 | 38 427 | 398 619 | -32% |
| Optimisé (opt. 3+4+5 restantes) | 101 000 | 34 000 | 271 000 | -54% vs précédent |
Conclusion : les implémentations des opt. 1 et 3 ont déjà généré -186 632 unités d'économies. La croissance de la base (+50 analyses) a partiellement compensé (+71 000 unités). Le prochain levier prioritaire est l'opt. 3 (fiches incrémentales, -14%), suivie de l'externalisation des templates du SKILL.md (-4%). Opus 4.6 reste justifié par la complexité de l'orchestration multi-phases et les synthèses cross-documents.