AgentMind : Un Plugin Claude Code Qui Apprend et Applique Vos Préférences de Codage

Ce que fait AgentMind

AgentMind est un plugin Claude Code qui résout le problème de devoir réexpliquer ses préférences de codage à chaque nouvelle session. Il apprend automatiquement des habitudes comme "utiliser pnpm et non npm", "toujours ajouter des types" et "ne pas utiliser d'export par défaut" en observant votre façon de travailler et en injectant ce contexte dans les interactions futures.

Comment cela fonctionne

Le système fonctionne sur une boucle principale en six étapes : Observer → Analyser → Mémoriser → Appliquer → Valider → Évoluer.

Les points d'observation s'exécutent à des moments clés du cycle de vie :

• Début de session
• Utilisation d'un outil
• Erreurs
• Compaction

Ces points surveillent les corrections (comme "non, utilise X à la place"), les motifs répétés et les types d'erreurs sans stocker votre code réel.

Implémentation technique

Le plugin utilise un système de notation de confiance tridimensionnel pour déterminer quand appliquer les préférences apprises :

• Fréquence × 0,35
• Efficacité × 0,40
• Retour humain × 0,25

Les préférences à haute confiance sont automatiquement injectées dans les sessions, tandis que celles à faible confiance restent silencieuses. Le système inclut des mécanismes de dégradation où les préférences s'estompent si elles ne sont pas renforcées avec le temps.

Système d'évolution

AgentMind présente une structure d'évolution à quatre niveaux :

• N0 : Instincts individuels
• N1 : Motifs (regroupés à partir d'instincts individuels)
• N2 : Stratégies (abstraites à partir des motifs)

Par exemple, des préférences distinctes comme "toujours utiliser vitest", "toujours ajouter des fichiers de test dans tests" et "exécuter les tests après les modifications" pourraient évoluer en un motif de "flux de travail TDD".

Détails techniques

• ~3000 lignes de cœur TypeScript
• ~800 lignes de points d'observation shell
• 115 tests réussis
• Prend en charge les multi-agents avec des magasins de préférences isolés
• Aucune configuration nécessaire — installez et il commence à apprendre
• La couche d'observation utilise du bash pur + jq pour rester léger
• Sous licence MIT et gratuit

Perspectives de développement

Le créateur a noté que le plus grand défi n'était pas l'algorithme d'apprentissage mais de savoir quand rester silencieux. Les premières versions injectaient chaque préférence apprise, ce qui polluait la fenêtre de contexte. Le système de notation de confiance avec dégradation a résolu ce problème.

Un autre défi technique était de faire fonctionner ensemble les points d'observation shell et TypeScript sans ajouter de dépendances lourdes. La solution a été une couche d'observation légère utilisant bash et jq.