Utiliser Claude Code pour relancer des projets personnels abandonnés : un guide pratique

Matthew Brunelle écrit sur l'utilisation d'outils d'assistance au codage par IA (en particulier Claude Code avec Opus 4.6) pour relancer des projets personnels abandonnés. Son projet : une passerelle entre YouTube Music et l'API OpenSubsonic qui permet à tout client compatible Subsonic (Navidrome, Feishin, Symfonium) de diffuser de la musique depuis YouTube Music. Le projet était initialement en stand-by en raison du nombre important de points de terminaison à implémenter.
Configuration
Brunelle a créé un projet uv avec fastapi, pydantic, ytmusicapi et yt-dlp comme dépendances. Il a déposé la spécification OpenAPI d'OpenSubsonic dans le dossier, ajouté un bref README, un fichier TODO vide, et généré un CLAUDE.md via /init. Il a également ajouté des conventions à CLAUDE.md :
## Conventions
- Les méthodes doivent avoir des annotations de type pour les arguments et les retours ainsi que des docstrings.
- Utiliser Pydantic pour la modélisation des données. Utiliser les conventions modernes de Pydantic V2.
- Les docstrings doivent utiliser le format Google avec des sections args et returns.
- Écrire des tests unitaires avec le style moderne pytest, par exemple des méthodes de premier niveau utilisant `assert` et des fixtures.
Workflow
Le workflow typique de Brunelle :
- Passer en mode planification. Demander la prochaine tâche.
- Après avoir obtenu le plan initial, chercher les lacunes/problèmes et poser des questions de suivi jusqu'à satisfaction.
- Fournir des liens vers des ressources lorsque Claude est à côté de la plaque.
- Demander à Claude d'utiliser l'outil de recherche pour des approches idiomatiques.
- Utiliser "Accepter et vider le contexte". Répéter.
Implémentation initiale
Première invite : Regarde le fichier openapi.json. C'est une spécification pour l'API opensubsonic. Implémente un serveur fastapi asynchrone qui crée des stubs pour toutes les méthodes. Tu n'as besoin de gérer que les nouveaux points de terminaison JSON.
Après avoir implémenté les stubs, il a vérifié l'exactitude avec une invite de suivi. Même avec une spécification, Claude a fait des erreurs la première fois mais les a corrigées au second passage. Il a également relancé /init pour mettre à jour CLAUDE.md.
Prochaine invite majeure
Les méthodes pour tous les points de terminaison sont maintenant en stubs. Je veux connecter un client subsonic, rechercher une chanson et la diffuser sur le client. Quelle est la quantité minimale de fonctionnalités nécessaires pour implémenter cela ? Utilise ytmusicapi pour rechercher sur YouTube Music et yt-dlp pour la diffusion.
Brunelle rapporte que l'implémentation initiale de la diffusion semblait raisonnable mais a échoué lors de la connexion avec Feishin. L'article s'interrompt avant de détailler la correction, mais l'article complet contient la résolution.
Brunelle note que les projets abandonnés sont des candidats idéaux pour tester l'assistance au codage par IA : « ils n'auraient de toute façon jamais été terminés ». Il prévoit de publier un article de suivi sur OpenCode.
📖 Lire la source complète : HN AI Agents
👀 See Also

Acheminer le trafic de l'API Claude pour contrôler les coûts suite au changement d'abonnement Max
L'abonnement Max d'Anthropic ne couvre plus l'utilisation d'outils tiers, forçant les utilisateurs d'OpenClaw à passer à la facturation par API. Un proxy de routage dirige les tâches simples vers Claude Sonnet (3 $/M d'entrée, 15 $/M de sortie) et les tâches complexes vers Opus (5 $/M d'entrée, 25 $/M de sortie), réduisant les coûts sans perte de qualité.

Bot Telegram pour gérer les canaux Headless Claude Code via tmux
Un bot Telegram sans dépendances pour lancer, arrêter et surveiller les sessions Claude Code Channels dans tmux sur un serveur sans tête, avec redémarrage automatique par watchdog.

Extraction des composants d'OpenClaw : L'expérience d'un développeur avec la file d'attente de voie et le système de mémoire
Un développeur a tenté d'extraire des composants spécifiques d'OpenClaw pour les utiliser dans ses propres agents d'IA, testant le système d'exécution de tâches Lane Queue et examinant le système de mémoire memsearch. La Lane Queue a été réimplémentée avec succès en Python à partir de la documentation, révélant des lacunes dans celle-ci et 13 problèmes d'implémentation.

Architecture de Compilateur Déterministe pour les Flux de Travail LLM Multi-Étapes Présente des Résultats de Référence Solides
Une architecture de compilation déterministe pour les flux de travail LLM structurés utilise des registres de nœuds typés, des contrats de paramètres et une validation statique pour compiler les graphes de flux de travail à l'avance. Les benchmarks montrent qu'elle surpasse GPT-4.1 et Claude Sonnet 4.6 sur des profondeurs de flux de travail allant de 3 à 12+ nœuds.