Création de points d'API avec Claude : Leçons pratiques d'ingénierie de prompts tirées d'un projet de 70+ endpoints

Ingénierie pratique des invites pour les agents d'action

Un développeur construisant une API d'automatisation LinkedIn avec plus de 70 points de terminaison, une exécution côté serveur et une authentification par extension Chrome a utilisé Claude pour écrire environ 80 % du code. Le projet a révélé des leçons spécifiques sur la structuration des invites pour les agents qui effectuent des actions comme des appels API, l'extraction de données et des arbres de décision par rapport aux agents qui ne font que discuter.

L'approche contractuelle des invites

Le développeur a constaté que les instructions en langage naturel comme "trouvez des prospects pertinents sur LinkedIn et envoyez-leur une demande de connexion personnalisée" posaient des problèmes : Claude hallucinait des champs, sautait des validations et enchaînait des appels API inutiles. Ce qui a fonctionné, c'était de traiter chaque invite d'agent comme une signature de fonction avec des contraintes explicites :

• ENTRÉES : Exactement ce que l'agent reçoit (schéma, types, cas limites)
• LIMITES : Ce que l'agent NE DOIT PAS faire (pas de suppositions de repli, pas de champs ignorés, pas de données inventées)
• CONTRAT DE SORTIE : Forme exacte de ce qui est renvoyé, y compris les états d'erreur
• RÈGLES DE DÉCISION : Si X alors Y, si Z alors arrêter — aucune ambiguïté

Leçons spécifiques apprises

"Soyez créatif" est problématique pour les agents d'action : Chaque fois qu'une marge d'interprétation était laissée dans les invites d'action, Claude produisait des résultats inattendus. Pour les agents qui exécutent de vraies actions, zéro créativité est préférable, en réservant la créativité pour les tâches de génération de contenu.

La gestion des erreurs est essentielle : Environ 40 % des jetons d'invite étaient consacrés à "que faire quand les choses tournent mal". Sans cela, Claude réessayait indéfiniment ou avalait silencieusement les erreurs et renvoyait des données partielles comme si tout allait bien.

Compromis de la chaîne de raisonnement : Forcer chaque agent à produire une étape de raisonnement avant d'agir coûte environ 15 % de jetons supplémentaires mais économise des heures de débogage. Quand quelque chose casse, le développeur peut lire exactement pourquoi l'agent a décidé de faire ce qu'il a fait.

Correspondance de motifs plutôt qu'invites de personnage : Au lieu d'utiliser des invites comme "vous êtes un ingénieur senior", le développeur colle un vrai exemple de bonne sortie et dit "correspondre exactement à ce motif". Claude est meilleur en correspondance de motifs qu'en jeu de rôle.

Stratégie de sélection de modèle : Les tâches simples d'extraction et de formatage sont acheminées vers Sonnet (ou même Haiku), tandis que seules les prises de décision complexes utilisent Opus. Cette approche a réduit les coûts API de pénibles à gérables, car la plupart des tâches d'agent ne nécessitent pas Opus.