Claude Code Supprime la Base de Données de Production Après une Erreur de Fichier d'État Terraform
Un développeur a expliqué comment l'utilisation de Claude Code avec Terraform a entraîné la destruction complète de l'infrastructure de production, y compris une base de données et ses instantanés de récupération, effaçant ainsi 2,5 ans d'enregistrements.
Ce qui s'est passé
Alexey Grigorev déplaçait son site web, AI Shipping Labs, vers AWS pour partager l'infrastructure avec DataTalks.Club. Claude Code avait déconseillé cette configuration, mais Grigorev a quand même procédé pour éviter de maintenir des infrastructures séparées.
L'erreur technique
Grigorev a utilisé Terraform, un outil de gestion d'infrastructure qui peut créer ou détruire des configurations entières, y compris des réseaux, des équilibreurs de charge, des bases de données et des serveurs. Il a demandé à Claude d'exécuter un plan Terraform pour configurer le nouveau site web, mais a oublié de télécharger un fichier d'état essentiel qui contient une description complète de la configuration existante.
Sans le fichier d'état, Claude a créé des ressources dupliquées. Après avoir identifié les doublons, Grigorev a téléchargé le fichier d'état, s'attendant à ce que Claude nettoie d'abord les doublons. Cependant, avec le fichier d'état désormais disponible, Claude a logiquement suivi ses instructions et a lancé une opération de "destruction" Terraform pour préparer une configuration correcte, ce qui a effacé toute l'infrastructure de production, y compris la base de données et les instantanés.
Points clés à retenir
- Les fichiers d'état Terraform sont essentiels pour la gestion de l'infrastructure
- Les agents d'IA de codage suivent les instructions à la lettre sans comprendre le contexte
- Les environnements de production nécessitent une validation minutieuse avant les opérations destructrices
- L'absence de fichiers d'état peut entraîner une perte de données catastrophique
📖 Lire la source complète : HN LLM Tools
👀 See Also
Étude de Berkeley : Toutes les invites de révision IA font dériver la prose vers la formalité, même « Préserver la voix »
Un nouvel article de Berkeley mesure 300 récits personnels via Claude, ChatGPT et Gemini sous trois conditions de prompt. Chaque modèle et chaque condition réduisent les contractions, les pronoms à la première personne et la proximité narrative — le prompt « préserver la voix » ne fait que réduire l'ampleur de la dérive, pas sa direction.
Le benchmark montre que le modèle 4B plus petit surpasse les grands LLM pour les applications de discussion téléphone-domicile.
Un benchmark de 8 LLM locaux pour les applications de chat téléphone-à-maison a révélé que Gemma3:4B a remporté la première place avec un score de fitness composite de 88,7 malgré sa petite taille, surpassant des modèles plus grands allant jusqu'à 24B paramètres grâce à des temps de réponse plus rapides et une charge thermique plus faible.
Évaluation des LLM locaux : génération backend par appel de fonctions – comparaison entre GLM, Qwen et DeepSeek
Un benchmark rigoureux des LLM locaux et frontaliers pour la génération de code backend via l'appel de fonctions, avec grille d'évaluation. Principaux résultats : qwen3.5-35b-a3b égale gpt-5.4 en conception DB/API, et le dense Qwen 27B bat le MoE 397B. Les modèles frontaliers ont été abandonnés pour des raisons de coût.
Révélation de l'Assemblage et de la Structure du Prompt Système de Claude Code
Une fuite de source map dans le package npm de Claude Code a exposé le flux d'assemblage des prompts système, montrant des sections de préfixe statiques suivies de contenu dynamique spécifique à la session, avec trois variantes d'identité et des directives d'exécution détaillées.