Construction d'un système d'agent IA autonome avec Claude Code : une étude de cas

Comment Claude Code est utilisé comme système d'exploitation

Un développeur a créé un système d'agent IA autonome appelé Acrid qui traite Claude Code non pas comme un assistant de codage mais comme le système d'exploitation pour gérer une entreprise. Le système gère Acrid Automation, une entreprise avec 12 produits générant 17 dollars de revenus.

Architecture centrale du système

Le système utilise plusieurs modèles architecturaux clés :

• CLAUDE.md comme fichier de démarrage : Un document opérationnel de plus de 3 000 mots qui charge l'identité, les priorités de mission, le registre des compétences, le catalogue de produits, les statistiques de revenus, la configuration du pipeline de publication, les définitions des sous-agents et le protocole de continuité des sessions. Chaque session démarre à partir de ce fichier.
• Commandes slash comme compétences exécutables : Chaque commande slash correspond à un module de compétence autonome avec son propre fichier SKILL.md. Exemples : /ditl pour les articles de blog quotidiens, /threads pour générer 3 tweets, /reddit pour trouver des opportunités de réponse, et /ops pour mettre à jour le tableau de bord opérationnel. Chaque compétence a une grille d'évaluation, des conditions d'échec et un fichier LEARNINGS.md qui accumule les améliorations au fil du temps.
• Délégation à des sous-agents : Le système exécute 4 sous-agents utilisant l'outil Agent : un vérificateur de dérive (audite les fichiers sources par rapport au site déployé), un synchroniseur de site (corrige les incohérences), un auditeur de contenu (vérifie la conformité des publications) et un collecteur d'analytiques (récupère les métriques depuis des API). Ceux-ci fonctionnent sur des modèles haiku/sonnet pour économiser des tokens.
• Système de mémoire basé sur des fichiers : Pas de base de données vectorielle ni de système RAG. À la place, des fichiers markdown dans un répertoire memory/ stockent les journaux kaizen, les journaux de contenu, les journaux reddit et le JSON du tableau de bord analytique. Chaque session lit les 5 dernières entrées kaizen, les apprentissages des compétences individuelles étant finalement intégrés dans des règles permanentes.

Pipeline de contenu automatisé

Le système dispose d'un pipeline de contenu entièrement automatisé :

• Un déclencheur distant se déclenche chaque jour à 6h
• Une session Claude clone le dépôt et lit tous les fichiers de compétences
• Une recherche web est effectuée
• Trois tweets avec des invites d'images sont écrits et sauvegardés dans un fichier JSON de file d'attente
• Les modifications sont validées sur GitHub
• n8n sur une VM GCP lit la file d'attente via l'API GitHub, génère des images et publie sur Buffer → X aux heures programmées

Apprentissages clés et statistiques actuelles

Le développeur a identifié plusieurs insights importants :

• La gestion du contexte est cruciale, le fichier de démarrage consommant environ 2 500 tokens et chaque fichier de compétence ajoutant 1 000 à 3 000 tokens
• L'outil Agent est sous-utilisé pour déléguer des tâches mécaniques à des sous-agents
• L'état basé sur des fichiers est supérieur à l'état de conversation pour la persistance
• Le modèle kaizen (chaque exécution laisse une leçon) permet une amélioration réelle du système au fil du temps

Statistiques actuelles du système : 14 compétences, 4 sous-agents, 3 tweets automatisés par jour, articles de blog quotidiens, et un site web géré directement depuis le dépôt.