PodcastsHear the voice. See the shape of the thought.

Lex Fridman sits down with Jean-Baptiste Kempf, president of VideoLAN and lead developer of VLC, and Kieran Kunhya, longtime FFmpeg contributor and the voice behind the infamous FFmpeg account on X, for a four-hour deep dive into the invisible machinery behind virtually all video on the internet. Together they trace the full arc from raw bytes and container formats through hand-written assembly and codec reverse-engineering, confronting the open-source sustainability crisis along the way. The conversation is both a technical masterclass and a meditation on why brilliant volunteers—many of them teenagers—quietly build infrastructure that powers billions of devices every day. ## [00:00] Episode highlight The episode opens with a rapid-fire highlight reel that captures the spirit of what follows. Kempf distills the FFmpeg community's core value: code quality is the only credential that matters—"Maybe you're a dog. I don't care. I need to look at your code." Kunhya adds the scale: FFmpeg is running on roughly 100 million CPUs at any moment, with three billion devices continuously decoding video, and FFmpeg's x86 assembly hand-optimization runs 62 times faster than equivalent C. The segment also previews the CIA-VLC spy story, the intelligence-agency backdoor request Kempf flatly refused, and Kieran's "no regrets" Twitter philosophy. > *"We care about excellent code. We don't care who you are. Like maybe you're a dog. I don't care, right? I need to look at your code."* — Jean-Baptiste Kempf ## [02:17] Introduction Lex sets the scene: FFmpeg is the invisible backbone behind YouTube, Netflix, Chrome, VLC, Discord, and nearly every platform that touches video or audio. VLC has been downloaded more than 6.5 billion times. Both projects are built entirely by volunteers. Lex frames the episode not merely as a technical discussion but as a tribute to engineers who work for the craft rather than for fame or money—"one of the great examples of human beings quietly collaborating across borders to build something useful, durable, and elegant." > *"It is one of the most incredible software systems ever developed, and it's all done by volunteers."* — Lex Fridman ## [05:35] Weirdest things VLC opens The conversation lightens up with playful examples of VLC's legendary tolerance for exotic formats. Kempf describes users capturing VHS tapes via capture cards, support for DVD-Audio with custom encryption, and the Lucasfilm Star Wars game codec that FFmpeg implemented for a single 10-second opening sequence. At a VideoLAN conference, a competition to create the most broken file ever—an MKV where every frame changed resolution, aspect ratio, and rotation—ended with VLC playing it perfectly. The orange traffic-cone logo is discussed: so recognizable that 25% of VLC's website traffic arrives from people searching "cone player." > *"There was a file that's a valid ZIP and a valid MP3 at the same time or something like that—and VLC opened all of the stupid files."* — Kieran Kunhya ## [09:59] How video playback works Kempf and Kunhya walk through what happens the moment you press play: the player fetches a byte stream from a URL, the demuxer separates audio, video, and subtitle tracks, entropy decoding removes mathematical compression, intra prediction reconstructs still-image frames (I-frames), motion-compensation handles temporal redundancy (P- and B-frames), and the final raw pixels are handed to the GPU or audio card. Video compression achieves 100x to 200x reduction by exploiting how human eyes perceive luminance versus color—working in YUV space rather than RGB—and by reusing unchanged background regions across frames. Kunhya warns that every single sentence in this pipeline represents someone's lifetime of work. > *"Everything we've just said in the past couple of minutes, every sentence is someone's lifetime's work. There are books about every sentence."* — Kieran Kunhya ## [19:20] Video codecs and containers The hosts clarify the often-confused distinction between containers and codecs. A container (MP4, MKV, MOV) multiplexes audio, video, and subtitle tracks; the codec (H.264, AV1) compresses the content inside. VLC and FFmpeg deliberately ignore the file extension and probe the actual bytes—because in the real world, extensions lie. The segment covers how AVI was Microsoft's format, MOV became MP4 via Apple, and the Matroska/MKV format emerged from the open-source community. Modern codecs like AV1 are not single algorithms but collections of tools that adapt to content type—screen share, animation, live video—each requiring different coding strategies. > *"We discard the file format. We look into the file to understand what's in it because so many people say, 'Oh, it's a video, it must be MP4,' but technically it's an MOV or maybe it's a MKV."* — Jean-Baptiste Kempf ## [30:07] FFmpeg explained FFmpeg is described as a low-level library suite—libavcodec, libavformat, libavfilter—plus a command-line tool so expressive that Kempf calls it a full programming language. Every person watching a YouTube video, recording with OBS, or editing in a professional broadcast box is likely touching FFmpeg. Kunhya notes that trillion-dollar corporations and grandmothers with home videos operate on exactly the same technology stack. The segment dives into open-source licensing—MIT, GPL, LGPL, AGPL—as "social contracts" that define community norms. Kempf recounts the painstaking process of re-licensing VLC's core from GPL to LGPL, requiring him to track down more than 350 contributors, including visiting the factory-worker father of a deceased contributor to obtain permission for two lines of code. > *"From a philosophical level, it's incredible that your grandmother's home videos and trillion-dollar corporations are on a level playing field using the same technology stack."* — Kieran Kunhya ## [51:07] Linus Torvalds Kempf offers a nuanced defense of Linus Torvalds's legendary harshness. The Linux kernel's core community is tiny—as is FFmpeg's (10–15 active maintainers)—and those few people must maintain every line of code forever. "We cannot compromise on quality because the core community of FFmpeg is ten to fifteen, and we are the ones who are going to maintain your code." Kunhya adds that terseness is often simply fatigue: volunteers arrive home after a full day of work and review patches without the bandwidth to hand-hold. Kempf also points out that most community members are non-native English speakers, and cultural misreadings amplify perceived hostility. > *"We cannot compromise on quality because the core community of FFmpeg is ten to fifteen, and we are the ones who are going to maintain your code."* — Jean-Baptiste Kempf ## [55:46] Turning down millions to keep VLC ad-free Kempf traces VLC's unlikely origin: a French engineering school (École Centrale Paris) whose student-run campus built a satellite video-streaming system in 1995—a decade before YouTube—just to enable faster networks for video games. From that Network 2000 project grew VideoLAN, and VLC emerged as its client. Kempf joined in 2003 when the project had nearly died, grew it from hundreds of thousands to billions of installs, and along the way repeatedly refused "obscene" offers to bundle toolbars, change search engines, or insert advertisements. His reasoning: "I need to go to bed at night and be happy about what I've done. If I had sold out, I would have betrayed so many other people who work here." > *"I refuse dozens of millions of dollars, yes, several times. Yes, I could be a multimillionaire and be somewhere on the beach. But I did not do it because I thought it was not moral and it was not the right thing to do."* — Jean-Baptiste Kempf ## [70:04] FFmpeg & Google drama Kunhya recounts a public controversy in which Google's security team used AI to auto-generate bug reports for FFmpeg, filing them under tight 90-day deadlines—with some vulnerability reports going to the press before patches could be written—without contributing corresponding fixes or meaningful funding. Kunhya compares it to "a denial of service by AI-generated bug reports" on obscure 1990s game codecs. The saga escalated via spicy FFmpeg tweets (a "rap battle" in Kunhya's words), but produced concrete results: Google began sending patches and established a financial reward system for fixes. A parallel incident saw Microsoft Teams engineers file a high-priority bug on the volunteer tracker, name-dropping their product's scale, and offering a one-time payment of a few thousand dollars in response to a request for a long-term support contract. > *"Google uses FFmpeg at a scale probably you or I couldn't even contemplate—millions of CPU cores. And yes, they contribute in areas mostly regarding their own products. But in a wider sense, there's a disproportionate level of contribution."* — Kieran Kunhya ## [89:18] FFmpeg developers What motivates FFmpeg's volunteer engineers? Kempf identifies three drivers: passion for the subject matter (many contributors arrived because they loved anime), excellence of the craft ("this is the best school ever of programming"), and pride in impact ("you can tell your grandma: I do this so you can play video on your laptop"). Kunhya adds that Andrew Kelley, creator of the Zig programming language, was an FFmpeg developer who credits his time there as his real-world education. Teenagers have written thousands of lines of hand-optimized assembly for FFmpeg. Kieran's favorite quote, from John Collison: "The world is a museum of passion projects." > *"If you're good in C, if you know how to write assembly in FFmpeg, I assure you you're going to be one of the best programmers ever—even if you're working on writing TypeScript."* — Jean-Baptiste Kempf ## [95:55] VLC and FFmpeg Kunhya frames the FFmpeg-VLC relationship as a "binary star system": VLC is to FFmpeg as Android is to Linux—they depend on each other and succeed because of each other. Roughly 80% of FFmpeg pipelines depend on at least one VideoLAN project (most often x264). VLC gives FFmpeg exposure to a vast zoo of real-world broken files. When compiled for Windows, VLC links against about 16 million lines of code, of which only 1 million live in the VLC repository itself. The two projects share many developers and collectively demonstrate that complex software ecosystems can be built entirely from interdependent open-source components. > *"VLC is to FFmpeg as Android is to Linux. They depend on each other, but they coexist because of each other."* — Kieran Kunhya ## [100:29] History of FFmpeg The "eras tour" of FFmpeg begins with Fabrice Bellard creating the initial concept, followed by the Michael Niedermayer era of the early 2000s—exhaustive support for DivX, Xvid, Windows Media, and RealMedia, eliminating the need for bloated, spyware-ridden codec packs. The late 2000s brought H.264 maturity and the rise of high-definition video. Throughout, VLC served as FFmpeg's field test: millions of users exposing edge cases that no lab could anticipate. > *"At the time you needed a new player to play every different type of file format. Having a single library that was fast and open source—that was a massive achievement."* — Kieran Kunhya ## [103:46] Reverse engineering codecs The segment showcases the art of reverse engineering proprietary codecs. Kostya Shishkov—described as "borderline genius"—reverse-engineered 20–30 megabyte binary blobs (each megabyte representing roughly a month of normal work) for fun, producing decoders for Windows Media, RealMedia, and GoToMeeting formats. Kunhya explains the methodology: hook into the proprietary player to dump raw YUV data, open a disassembler, step through machine code instruction by instruction to infer the entropy coding, prediction, and IDCT stages, then validate bit-exactness against sample files. For months, the work produces no visible output—pure debugging in memory. > *"He looked at the world as a binary specification. He didn't need documentation or anything. He would go away and come back and do interesting stuff."* — Kieran Kunhya ## [117:01] FFmpeg testing FFmpeg's FATE (FFmpeg Automated Testing Environment) system runs a pivot table of test combinations: dozens of compilers (GCC, Clang, MSVC, Apple Clang, Intel Compiler), operating systems (Linux, macOS, Windows, BSD, Solaris), and CPU architectures (x86, ARM, RISC-V, PowerPC). All test machines are volunteer-hosted. The system catches compiler miscompilations—rare but devastating, since even a single wrong bit in a frame dependency chain can cascade into major visual corruption. Kunhya notes that the Macs at the top of the FATE dashboard are hosted in his own office. > *"It's not just a matrix at this point. It's like a pivot table of different combinations—all run by volunteers."* — Kieran Kunhya ## [121:08] Assembly code (handwritten) This extended chapter is the technical heart of the episode. Handwritten x86/ARM SIMD assembly in FFmpeg and x264 runs up to 62 times faster than equivalent C—a gap that modern compilers and auto-vectorization cannot close despite years of trying. VLC still supports Windows XP through Windows 11, macOS 10.7 through macOS 26, iOS 9 through the latest, BSD, Solaris, and even OS/2. Understanding assembly forces programmers to internalize CPU pipeline stages, SIMD registers, L1/L2/L3 cache, and memory bus constraints. Kempf and Kunhya introduce the x86inc framework built by Loren Merritt for x264 and JB's Assembly Lessons tutorial series, which have attracted contributions from teenagers learning directly from the source. > *"I believe it's necessary to understand assembly language, even if you don't do it much, to understand what's going on inside your computer. That will make you a better programmer."* — Jean-Baptiste Kempf ## [145:26] Rust programming language Kempf and Kunhya hold divergent opinions on Rust. Kunhya respects the memory-safety goal but finds the community self-important—"It has a very big Esperanto vibe"—and argues that Rust rewrites reaching only 85–90% of required feature coverage are insufficient; "the last 1% takes 99% of the time." Kempf has written Rust VLC modules and sees genuine value, but notes that the lack of training data for low-level SIMD work means AI tools cannot yet assist meaningfully. The discussion broadens to the two assembly wizards of the community: Henrik Gramner, whose knowledge of Intel x86 cycle counts exceeds Intel's own engineers, and Martin Storsjö, who writes ARM Neon assembly on a virtual keyboard while watching his kids play in the playground. > *"Rust reminds me of the Sinclair C5. In order to get people to move, you have to build something as good as, if not better than, what you have now."* — Kieran Kunhya ## [154:42] FFmpeg and Libav fork In 2011, FFmpeg split into FFmpeg and Libav, primarily over governance and leadership style rather than technical disagreements. Several Linux distributions temporarily shipped Libav instead of FFmpeg. Kempf describes open-source forks as healthy—they force projects to confront structural weaknesses. Eventually most of Libav's developers returned to FFmpeg, and the projects merged back. Kempf draws a parallel to the XZ Utils attack, where a lone maintainer, exhausted by coordinated social engineering, granted commit access to an attacker—highlighting how burnout creates the very single-point-of-failure vulnerabilities that make critical open-source infrastructure fragile. > *"Forks are important because they change the status quo of a community. FFmpeg today is better than it was before the fork."* — Jean-Baptiste Kempf ## [163:04] Open source burnout Kempf and Kunhya confront the mental health crisis among open-source maintainers. Kempf has received physical death threats—including a letter containing powder—over decisions such as dropping PowerPC support. The security community's habit of filing alarming CVEs for hobby-project edge cases adds psychological load without providing patches. Kempf now maintains several libraries whose original maintainers burned out. The conversation broadens to the systemic problem: critical infrastructure like libxml and XZ is maintained by one or two people, unknown to the trillion-dollar enterprises that depend on them. > *"The mental health of the open source maintainers is something that large corporations don't care or don't see."* — Jean-Baptiste Kempf ## [170:51] x264 and internet video H.264 transformed internet video by arriving exactly when Intel Core 2/Nehalem CPUs made real-time software decoding practical. The key innovation of x264 was psychovisual rate-distortion optimization—encoding decisions driven by visual quality metrics rather than mean squared error, producing sharper, more natural-looking video. This was driven by the anime community's high standards for perceived sharpness. AV1 offers 40–60% bandwidth savings over H.264 at the same quality, but encoding costs two orders of magnitude more CPU. YouTube therefore re-encodes only popular videos in AV1, making the extra compute worthwhile by amortizing it over millions of viewers. > *"Thirty percent of the video from Netflix is now in AV1, fifty percent of YouTube."* — Jean-Baptiste Kempf ## [184:07] Video compression basics The chapter clarifies I/P/B frame structure: I-frames are complete still images, P-frames reference only previous frames, and B-frames can reference both past and future frames. ProRes is an intra-only codec designed for nonlinear editing—no temporal dependencies, fast seeking. The segment also covers constant-bitrate versus constant-quality encoding, group-of-pictures length, and the thousands of engineers at Netflix, YouTube, and Meta whose entire job is tuning FFmpeg parameters for specific content types. A historical curiosity: Google Video originally used VLC as an ActiveX plugin inside Internet Explorer; today VLC is compiled to WebAssembly to run inside browser JavaScript engines. > *"You have I-frames that are complete frames, P-frames that depend only on I-frames, and B-frames that can depend on frames in front."* — Jean-Baptiste Kempf ## [191:04] CIA and fake VLC WikiLeaks' Vault 7 release revealed that the CIA built a modified version of VLC with an additional DLL (psapi.dll) that silently encrypted and exfiltrated documents while the victim watched a movie, using the expected high CPU load of video playback as cover. VideoLAN issued a press release directing users to download only from the official website. A separate incident involved Chinese state hackers distributing a fake VLC using legitimate signed VideoLAN DLLs to target Indian users, causing India to ban VLC until Kempf fought a successful legal battle to reverse the ban. The segment also surfaces a hidden feature: VLC can render movies as ASCII art in a terminal, useful for diagnosing multicast network paths via SSH. > *"If we had to compromise our software, we would shut it down. This is clear."* — Jean-Baptiste Kempf ## [201:39] Ultra low latency streaming Kempf explains adaptive streaming (HLS, DASH): the player downloads segments, times the download, and adjusts quality tier accordingly. The real engineering frontier is live broadcasting with strict CBR constraints—satellite uplinks cannot burst even for one second. Kempf describes his company Kyber, an open-source (AGPL dual-licensed) ultra-low-latency streaming stack targeting robotics and XR, streaming compressed video feeds to devices without onboard compute. The segment ends with a discussion of teleop for robots, where latency directly determines safety. > *"Kyber is open source. Everything on Kyber is open source. If you want to use it in your product and not open source it, you pay the commercial license."* — Jean-Baptiste Kempf ## [219:07] AV2 codec and video patents AV2, the successor to AV1 within the Alliance for Open Media (of which VideoLAN is a member), promises a further 30% bandwidth reduction. VideoLAN's dav1d decoder will be followed by "dav2d." The Alliance exists specifically to escape the HEVC/H.265 patent thicket: HEVC's three separate patent pools demanded fees so large that HP removed HEVC support from new laptops, and streaming giants calculated they could build a new royalty-free codec for less than the annual licensing cost. France's rejection of software patents means Kempf has never paid codec licensing fees—if he had to, the bill would exceed 200 euros per user. > *"At a hundred million per year, you know, I could create my own codec—and this is what they did."* — Jean-Baptiste Kempf ## [228:59] VLC backdoors Intelligence agencies from two different countries approached Kempf asking him to insert backdoors into VLC. He declined both, in terms he describes as "a lot less polite" than a simple no. The chapter broadens into a discussion of European entrepreneurship: Kempf argues that French startup culture has transformed over 15 years—failure stigma has fallen, AI companies are proliferating—while acknowledging that over-regulation remains a real drag. He closes by reflecting on his strategy for remaining calm under legal and political pressure: always ask "am I dying? Am I hurting someone?" If not, move on. > *"If we had to compromise our software, we would shut it down. Also because what we do is good and it's done for everyone."* — Jean-Baptiste Kempf ## [239:14] Video archiving Kieran profiles the archiving preservation community, led in part by Dave Rice of CUNY, which relies on FFmpeg as a "Rosetta Stone" for playing future-proof multimedia. The community funded FFV1, FFmpeg's lossless codec, to guarantee that archived footage loses no information—critical because lossy compression could destroy forensic or historical details visible only on close inspection. A famous cautionary tale: the BBC's 1986 New Domesday Book project archived content on BBC Micros, and within 20 years no one had working software to read it. There are now more historical video tapes in archives than functional tape heads in the world to digitize them, forcing painful triage decisions about what human history to preserve. > *"C will be like Latin. It will be a thing you learn from the past, but it will still be usable in certain contexts."* — Kieran Kunhya ## [245:51] Future of FFmpeg and VLC The closing chapter surveys where multimedia is heading: volumetric video, point-cloud codecs for robotics, RGBD depth streams, XR/VR streaming, and—speculatively—neural interfaces that may one day require codecs for compressed brain data. Kempf is confident FFmpeg will exist in 100 years; VLC he rates as "maybe." He closes with his personal philosophy: "Regrets are a tax on your mind. Learn from your mistakes, but don't regret." The episode ends with Lex reading Linus Torvalds: "Most good programmers do programming not because they expect to get paid or get adulation by the public, but because it is fun to program." > *"Regrets are a tax on your mind. Learn from your mistakes, but don't regret. Because you've done it, so unless you have a time machine, don't regret."* — Jean-Baptiste Kempf ## Entities - **Jean-Baptiste Kempf** (Person): President of VideoLAN, primary maintainer of VLC, founder of Kyber and several other companies; declined tens of millions of dollars to keep VLC ad-free. - **Kieran Kunhya** (Person): Veteran FFmpeg contributor, codec engineer, founder of Open Broadcast Systems, the voice behind the FFmpeg account on X. - **Lex Fridman** (Person): Host of the Lex Fridman Podcast, AI researcher, longtime VLC and FFmpeg advocate. - **Fabrice Bellard** (Person): Creator of FFmpeg, QEMU, and tcc; foundational figure of the project. - **Michael Niedermayer** (Person): Long-time FFmpeg maintainer who drove exhaustive codec support through the 2000s. - **Kostya Shishkov** (Person): Legendary FFmpeg reverse engineer who decoded proprietary binary blobs for Windows Media, RealMedia, and GoToMeeting codecs. - **Henrik Gramner** (Person): Assembly wizard with deeper knowledge of Intel x86 cycle counts than Intel's own engineers. - **Linus Torvalds** (Person): Creator of Linux and Git; referenced as a model of uncompromising code quality standards in open-source communities. - **FFmpeg** (Software): Open-source multimedia framework providing codecs, muxers, filters, and command-line tools; the invisible backbone of nearly all internet video. - **VLC** (Software): Open-source media player with 6.5+ billion downloads, built on libVLC and FFmpeg; plays virtually any format on any platform. - **x264** (Software): VideoLAN's open-source H.264 encoder; the dominant software encoder for internet video, famous for psychovisual optimizations. - **dav1d** (Software): VideoLAN's fast open-source AV1 decoder; widely deployed in browsers and streaming clients. - **VideoLAN** (Organization): French nonprofit that stewards VLC, x264, dav1d, and related open-source multimedia libraries. - **Alliance for Open Media** (Organization): Industry consortium including Google, Netflix, Apple, Amazon, and VideoLAN that created AV1 and is developing AV2 as royalty-free codec standards. - **FATE** (Software): FFmpeg Automated Testing Environment; volunteer-hosted CI grid testing hundreds of compiler/OS/architecture combinations. - **Kyber** (Organization): JB Kempf's startup building an ultra-low-latency open-source streaming stack for robotics and XR, dual-licensed AGPL/commercial. - **H.264 / AVC** (Concept): The dominant internet video codec standard; open-source implementation is x264; basis of Blu-ray and most MP4 files. - **AV1 / AV2** (Concept): Royalty-free next-generation video codec standards from the Alliance for Open Media; AV1 saves 40-60% bandwidth vs H.264; AV2 adds another 30%.

La présentation officielle d'Anthropic sur Claude Code — ce que c'est, en quoi il diffère de Claude.ai, et les trois choses à savoir avant de laisser un LLM exécuter des commandes sur votre base de code. Destiné aux développeurs sur le point d'installer l'outil terminal pour la première fois. ## [00:04] Ce qu'est Claude Code et où il s'exécute Claude Code se positionne comme un outil de codage agentique : il comprend votre base de code, édite des fichiers, exécute des commandes et s'intègre aux outils de développement que vous utilisez déjà. Il fonctionne sur plusieurs surfaces — terminal, VS Code, JetBrains IDE, l'application de bureau Claude et le web — mais cette présentation se concentre sur le terminal comme expérience de référence. > *Claude Code is an agentic coding tool that understands your code base, edits your files, run commands, and integrates with your existing developer tools to help you get things done faster.* ## [00:34] En quoi il diffère de Claude.ai La distinction clé n'est pas la capacité du modèle mais l'accès : Claude Code accède directement à votre terminal et à l'intégralité de votre base de code, ce qui élimine le cycle copier-coller dans le chat — l'outil effectue le travail sur place. L'appeler "agent IA" résume cette surface d'exécution directe. > *Unlike Claude AI, Claude Code has direct access to your files in your terminal and your entire code base.* ## [00:51] Les agents IA et ce que Claude Code peut faire Un agent IA désigne ici un logiciel qui interagit avec son environnement et prend des mesures pour atteindre un objectif défini — dans sa forme la plus basique, un LLM en boucle en temps réel avec accès à des outils, des services externes et d'autres agents. Pour Claude Code, cela se traduit par des capacités concrètes : lire et expliquer votre base de code, tracer des bugs à travers les fichiers, exécuter des scripts de build et des tests, installer des paquets, et récupérer sur le web la documentation API la plus récente pour décider de la prochaine action. > *An AI agent is a software that can interact with its environment and perform actions to complete a defined goal.* ## [01:45] Trois concepts à connaître avant de commencer Le narrateur signale trois propriétés qui façonnent l'utilisation quotidienne. Premièrement, la **fenêtre de contexte** est la mémoire de travail de Claude — grande mais finie — c'est pourquoi l'agent doit naviguer stratégiquement dans une base de code plutôt que de tout charger. Deuxièmement, Claude Code **demande une autorisation** avant d'exécuter des commandes ou de modifier des fichiers ; vous gardez le contrôle que vous souhaitiez piloter chaque étape ou le laisser fonctionner de manière autonome. Troisièmement, **il peut se tromper** : mal interpréter l'intention, introduire des bugs ou sur-ingéniérer une correction. Traitez les sorties comme vous le feriez avec n'importe quel outil, sans les considérer comme parole d'évangile. > *By default, Claude Code will ask you before running commands or making changes to your code base.* ## [02:34] Récapitulatif Claude Code est un outil de codage agentique qui lit votre base de code, édite des fichiers, exécute des commandes et se connecte à des outils externes pour vous aider à livrer plus vite — disponible dès maintenant sur le terminal, VS Code, JetBrains et l'application de bureau Claude. > *Claude Code is an agentic coding tool. It reads your code base, edits your files, runs commands, and connects to external tools to help you ship faster.* ## Entités - **Anthropic Tutorial Narrator** (Person): Le narrateur officiel d'Anthropic pour la série de tutoriels Claude Code 101. - **Claude Code** (Software): L'assistant de codage agentique basé sur le terminal d'Anthropic, qui opère directement sur votre base de code. - **Claude.ai** (Software): Le produit Claude basé sur le chat — mis en contraste avec l'exécution en environnement de Claude Code. - **AI agent** (Concept): Un LLM fonctionnant en boucle en temps réel avec accès à des outils, des services externes et d'autres agents pour poursuivre un objectif défini. - **Context window** (Concept): La mémoire de travail de Claude — finie, c'est pourquoi l'agent navigue stratégiquement plutôt que de charger la base de code entière. - **VS Code / JetBrains IDEs** (Software): Les intégrations d'éditeurs dans lesquelles Claude Code est disponible, aux côtés du terminal et de l'application de bureau Claude.

Alex Lupsasca — 2024 New Horizons Breakthrough Prize winner and OpenAI resident scientist — recounts how GPT-5 resolved a year-long open problem in quantum field theory: proving that single-minus gluon tree amplitudes are non-zero and finding their compact closed form. He then describes how the publicly available GPT Pro, given the gluon paper as a seed, independently generalized the result to graviton amplitudes in under three days of human clock time. Throughout the conversation, Lupsasca reflects on what this trajectory means for how physics is done, how the next generation of physicists will be trained, and where the remaining bottlenecks — verification, creativity, and publishing infrastructure — still lie. ## [00:00] Introduction to AI's impact on physics research Lupsasca opens in medias res, framing the episode's central claim before the formal introduction: AI has crossed a threshold where it can resolve questions that stumped human experts for over a year. He describes this not as a curiosity for theoretical physicists but as a profound, if underappreciated, change in the nature of scientific discovery itself. > *"That's a certain milestone that we've passed, and I think maybe for the average person on the street who doesn't care about theoretical physics, this is not very noticeable, but I think it's a very profound change and we've really passed some kind of a threshold."* ## [00:43] Guest introduction: Alex Luposka The hosts — Brandon (Atomic AI) and RJ Honicky (Miro Omix) — introduce Lupsasca as a Vanderbilt professor and OpenAI fellow who holds both the 2024 New Horizons in Physics Breakthrough Prize (often called the "Oscars for science") and the IUPAP Young Scientist Award. Lupsasca immediately sets the narrative arc: a year ago, AI was useful for email but not for his work; ChatGPT o3 was the first model that genuinely helped with research math; then GPT-5 reproduced one of his hardest published results in 30 minutes. > *"When GPT-5 came out it was able to reproduce one of my best papers that took me a very long time to come up with in like 30 minutes. And that's when I really became AI pilled."* ## [02:49] Alex joining OpenAI and the shift in physics research After GPT-5's release, Lupsasca began evangelizing the shift to colleagues who were skeptical. Finding OpenAI equally excited, and being on sabbatical, he joined as resident scientist — the person physicists around the world now email when something astonishing happens. He describes receiving an inbound that week about Codex simulating the Sachdev-Ye-Kitaev (SYK) model in 10 minutes, a feat that many research groups had struggled to achieve due to the narrow Venn diagram of physicists with strong coding skills. > *"I talked to OpenAI. They were also really excited and I thought I have to get in on this and to understand that this is happening and not be a part of it is a huge mistake so I have to go to OpenAI."* ## [04:08] The release of GPT-5 and the shift in capabilities Lupsasca contrasts the lukewarm Twitter reception of GPT-5 (complaints that it was not better at writing email) with what he observed at the science frontier. He notes GPT-5.4 is another significant jump, and describes how AI capabilities for physics have been accelerating rapidly since o3, the first reasoning model strong enough for research-grade mathematics. He uses this as a bridge to the central technical story of the episode: a pair of new papers on gluon and graviton scattering amplitudes. > *"At the science frontier the capabilities were really taking off."* ## [10:05] Explaining Quantum Field Theory and amplitude calculations Lupsasca gives an accessible primer on quantum field theory (QFT), the framework that reconciles special relativity and quantum mechanics. The key objects in QFT are scattering amplitudes — complex-valued functions that encode the quantum probability for a set of incoming particles (with given energies, momenta, and polarizations) to scatter into a set of outgoing particles. These amplitudes are computed at particle colliders like the LHC, and knowing the n-point amplitude (for any number n of particles) encodes essentially the full content of the theory. > *"If you have a particular force and you're able to compute the n-point amplitudes... you know everything about the theory."* ## [14:20] Overview of gluons and the strong force Gluons are the force-carrying particles of the strong nuclear force — the force that, despite like-charge repulsion between protons, holds the atomic nucleus together. They are the QFT analog of photons for electromagnetism and gravitons for gravity. Like photons, gluons carry a polarization (helicity): positive (right-handed) or negative (left-handed). This helicity structure is central to the paper discussed next. > *"The strong force is mediated by the exchange of the particles of the strong force, which are called gluons, because they're what glues together the nucleus of the atom."* ## [14:38] Discussing the first research paper on single-minus gluon tree amplitudes Lupsasca unpacks the paper's title — "Single-Minus Gluon Tree Amplitudes Are Non-Zero" — piece by piece. Tree amplitudes are the leading-order (no-loop) contributions to scattering. All-plus-helicity amplitudes are exactly zero by a symmetry argument. Single-minus amplitudes — where all but one gluon have positive helicity — were assumed in textbooks to also be zero by the same argument. The paper proves they are not. The result involves collaboration with Alfredo Guevara (IAS), David Skinner (Cambridge), Andrew Strominger (Harvard), and Kevin Wheel. > *"If you look at the lecture notes and textbooks that have been written on this, the same argument that rules out the all-plus amplitudes also appears to rule out the single-minus amplitudes."* ## [20:56] How ChatGPT helped solve a year-long physics puzzle Strominger, Guevara, and Skinner had understood for about a year that the textbook argument has a loophole: when particles are collinear (exactly aligned in momentum), the standard dimensional-analysis reasoning fails, and single-minus amplitudes can be non-zero. But computing what those non-zero amplitudes equal had eluded them. Lupsasca invited Strominger to visit OpenAI and work on it with AI. The week before Strominger's flight, Lupsasca began using ChatGPT Pro. By the time Strominger landed, they had the answer. > *"Using ChatGPT we solved the problem before he even got off the plane."* ## [23:02] Complexity of manual calculations in physics Lupsasca shows the audience a concrete illustration of the difficulty: the six-point single-minus amplitude, worked out by hand by Alfredo Guevara, is a sum of 32 terms each of which is itself a product of four complicated factors. The number of terms grows factorially with the number of particles n — super-exponential growth. This is the messy representation that the group had been staring at for a year, seeking the analog of the elegant Parke-Taylor formula. > *"By the time you get to six terms, it explodes in your face."* ## [26:12] The history and mechanics of Feynman diagrams Feynman diagrams are a visual language introduced by Richard Feynman to organize perturbative QFT calculations: diagrams represent possible intermediate histories of a scattering process, and the full amplitude is a sum over all of them. Diagrams are organized by number of vertices (interaction points); each additional vertex is suppressed by the coupling constant, so tree diagrams (fewest vertices) dominate. Loop diagrams — where intermediate particles are created and annihilated — contribute smaller corrections. The combinatorial explosion of tree diagrams is the root cause of factorial growth. > *"In principle, there are infinitely many pictures to sum over."* ## [27:44] The Parke-Taylor formula and the quest for simplification In the 1980s, Parke and Taylor computed the "maximally helicity violating" (MHV, or double-minus) gluon amplitudes through a heroic Feynman diagram expansion. Despite the factorial number of terms, everything canceled to leave a single compact formula — the Parke-Taylor formula — that fits in half a line. Strominger, Guevara, and Skinner spent a year looking for the analogous compact formula for the single-minus case. Their search stalled at the level of the messy Feynman representation. > *"Andy, Alfredo and David spent the last year chasing the analog of the Parke-Taylor formula, the very simple answer that was obtained in the '80s for the double minus amplitudes."* ## [31:26] Using ChatGPT to find the simplification in the special phase space region When the five-point single-minus amplitude was fed to ChatGPT Pro, the model identified a special subregion of phase space (where one particle's frequency has opposite sign) in which the amplitude simplifies from eight terms to a product of just three. This appears not to have been a known fact; the model wrote Python code and tested thousands of possibilities to deduce it. Moving to the six-point amplitude (Guevara's hand calculation), ChatGPT simplified 32 terms to a product of 4. It then conjectured the general n-point formula — with only linear growth in the number of terms, the best possible behavior. GPT-5.2 Pro guessed the formula but could not prove it. > *"The formula that it proposed, instead of having this factorial growth... here it's actually linear. So if you double the number of particles, you only double the number of terms."* ## [38:07] Proving the formula from scratch to ensure validity To obtain a proof, Lupsasca used an internal OpenAI model with extended reasoning. He gave it the problem cold — without the conjectured formula — and asked it to find the general answer in the special phase-space region. After 12 hours of computation, the model independently rediscovered the same formula and produced a complete three-step proof. The proof constitutes the bulk of the published paper. The team kept the AI attribution to one paragraph, framing the paper as a physics result that stands on its own merits. > *"We gave it the whole problem from scratch... and it came back with the same formula which we had not given it. So it rediscovered the correct formula. But this time it also found the proof."* ## [41:00] Determining the scientific impact and future research Asked to compare the result to the Parke-Taylor formula, Lupsasca is candid that scientific impact is only assessable decades later, but argues the result is genuinely surprising and should open a line of attack toward deeper questions in quantum gravity. The conversation pivots naturally to the second paper. > *"I think the true value of a paper can only be assessed decades into the future based on how much future work it leads to and what developments it opens up."* ## [42:27] Introduction to the second paper on graviton amplitudes Gravitons are the hypothetical quanta of gravity — the spin-2 force carrier analogous to the spin-1 photon (electromagnetism) and gluon (strong force). Unlike gluons, gravitons have never been directly detected, but they are central to quantum gravity theory. The second paper, "Single-Minus Graviton Tree Amplitudes Are Non-Zero," shows the same loophole applies to gravity and that a compact formula extends there too — despite gravitons being mathematically more complex than gluons. > *"We wrote this paper which is called single minus graviton tree amplitudes are non-zero. So it's the same title almost, except with graviton instead of gluon."* ## [45:41] Defining particles, irreducible representations, and symmetry Lupsasca sketches the modern QFT definition of a particle (an irreducible representation of the Poincaré group, classified by Wigner according to mass, spin, and charge) and explains why gravitons are spin-2 while gluons and photons are spin-1, making graviton polarization data twice as rich. Crucially, the second paper was complete within three days of the first going public — most elapsed time was spent verifying correctness, not computing. > *"Most of the time was spent verifying the answer, not writing, which is insane, actually, if you take a step back."* ## [47:46] How GPT Pro generalized the research to gravity For the graviton paper, no internal model was needed — the publicly available ChatGPT GPT-5.2 Pro sufficed. Lupsasca provided the gluon paper as context plus two paragraphs describing the key mathematical changes, then said "Good luck. You're a brilliant theoretical physicist." Over a 110-page exchange, the model worked through the graviton calculation — applying the directed matrix tree theorem, a piece of known combinatorics that neither Lupsasca nor collaborators had thought to invoke — produced correct intermediate results, and wrote a draft paper very close to the final arXiv version from section 3 onward. > *"It's a real solid result in quantum gravity that was done pretty much completely by an AI with human steering it and asking kind of the right questions."* ## [53:57] The epistemological shift: Is this a new way of doing physics? The hosts raise the central epistemological question: if an undergraduate with domain knowledge and good prompting could have done this, what does graduate training mean now? Lupsasca agrees this is the hardest open question facing academia. He notes that arduous calculation trains not just skill but self-confidence, that the gap between coursework and the research frontier is growing, and that many "easy" problems professors once assigned to students are now solvable by AI in minutes. He offers two concrete ways AI has already changed his own workflow: dramatically reducing time spent confused between steps, and enabling parallel AI scouts that explore multiple research directions simultaneously. > *"With AI, actually, you can launch 10 instances of chat and have each one try a different route and send it as a scout that moves very fast into the unknown."* ## [59:27] The use of AI as a 'scout' for research directions Lupsasca elaborates on the scout metaphor: rather than carefully mapping a route from A to C before committing to it, a researcher can now dispatch many AI "scouts" in parallel, get rapid feedback on which directions are promising, and redirect human attention accordingly. Even when a scout makes errors, its signposts reduce orientation cost for the human following. This constitutes a qualitatively new mode of research — one where the bottleneck shifts from calculation to judgment about which directions matter. > *"Even if ChatGPT doesn't always get everything right, just kind of having a scout that signposts some key steps along the way that you can use to anchor your own movement is extremely helpful."* ## [61:44] The role of 'taste' and collaboration with AI The hosts push on the problem of "taste" — the ability to identify which questions are at the productive edge of knowledge. Lupsasca argues that working effectively with ChatGPT requires the same skill a professor develops advising students: knowing what question to give, at what level of detail. "Taste" — knowing where the frontier is and which questions there are tractable — is the last skill to develop and the one AI currently lacks. AI is, he says, like an extremely technically skilled graduate student: given a sharp, well-posed question, it can do incredibly hard computations correctly, but it does not yet know which question to ask. > *"The difference between a good physicist and a great physicist is knowing what is the right question to ask — that is actually the hardest part of being a scientist."* ## [70:23] Personal evolution from AI skeptic to resident scientist Lupsasca recapitulates his personal arc: skeptic → converted by o3 (which solved in 11 minutes a calculation that would have taken him days) → "AI-pilled" by GPT-5 (which reproduced, in 30 minutes, his best published result on black hole Love numbers and tidal symmetries — a paper whose training cutoff predated its arXiv release) → now resident scientist at OpenAI. He notes that no competing model at the time could match GPT Pro on that calculation. > *"In under 30 minutes, with one hint... it completely solved this problem, which is one of the nicest calculations that I've ever done."* ## [72:46] Solving a black hole perturbation problem with GPT-5 Lupsasca details the "Move 37" moment that converted him: his paper "Why Is There No Love in Black Holes?" establishes new symmetry generators for perturbations of a Kerr black hole (explaining why black hole Love numbers — tidal response coefficients, named after mathematician Augustus Love — are exactly zero). When GPT-5 Pro was first given the full problem cold, it failed. But after being primed with the simpler flat-space warm-up (a 200-year-old known result), it then solved the full Kerr black hole problem in 18 minutes. > *"GPT-5 was able to reproduce one of my hardest calculations, which I think the number of people in the world that could do that you could count on your hands."* ## [76:34] Discussing whether AI can make original, conceptual leaps The hosts ask whether AI is doing genuine recombination versus true creative leaps. Lupsasca cites Terry Tao, who has not yet seen an AI proof that cannot be traced to an obscure reference. But Lupsasca has been impressed and frames the distinction as one of degree rather than kind — humans may also be recombination machines. He believes continued scaling will produce feats of insight that look like creativity, and notes OpenAI is actively working on enabling models to take bigger, more out-of-distribution leaps suited to scientific discovery. > *"I'm not sure there's a qualitative difference. I think it's just a matter of degree — as we continue scaling the capabilities, I don't see why it's going to stop."* ## [80:09] Challenges of 'AI slop' and the future of academic publishing With models now capable of turning out a physics paper in 30 minutes when properly steered, the arXiv preprint server is being flooded with submissions. Lupsasca distinguishes legitimate use (expert steering + careful verification) from "AI slop" — poorly prompted outputs submitted without adequate checking. His proposed response: raise the bar rather than increase volume. The single-minus amplitude papers open a clear line of attack toward genuine quantum gravity questions; the goal should be to pursue harder problems, not to publish incrementally. > *"Instead, I think now that we have this new tool that gives us AI superpowers, I think we should just raise the bar for what it means to write a good paper."* ## [83:13] The bottleneck of writing academic papers Asked what single bottleneck he would remove, Lupsasca nominates the paper-writing process itself — finding it increasingly strange that researchers use AI to do calculations, compress results into a static paper, and then readers feed that paper back into AI to understand it. He envisions interactive, LLM-embedded papers as a plausible future. He also identifies two missing capabilities in current models: (1) the spark of creativity to identify the next important question, and (2) reliable self-verification, so that the onus of checking long AI-generated proofs does not fall entirely on humans. > *"Maybe some kind of interactive paper which lives in some LLM. Maybe your whole paper is some ChatGPT page... I think we're going to head in that direction."* ## [90:19] Final takeaways and looking ahead to the next year Lupsasca's closing message: pay attention. The trajectory from "useful for email" to "solves open problems in quantum gravity" has taken roughly 18 months. Models are solving open problems that expert communities spent years on. Extrapolating forward, with more scaling already in the pipeline, the next 6 to 12 months should bring further surprises. The right posture is excitement, careful verification, and a commitment to pursuing harder problems. > *"If you just extrapolate that into the future, imagine where we're going to be in 6 months or a year — I think it's kind of surreal to live through this time, but it's really happening."* ## Entities - **Alex Lupsasca** (Person): Theoretical physicist, Vanderbilt University professor and OpenAI resident scientist; 2024 New Horizons Breakthrough Prize and IUPAP Young Scientist Award winner; expert in black hole physics and scattering amplitudes. - **Andrew Strominger** (Person): Harvard professor and Lupsasca's former PhD advisor; pioneer of celestial holography; co-author of both single-minus amplitude papers. - **Alfredo Guevara** (Person): Postdoctoral researcher at the Institute for Advanced Study (IAS); performed the foundational hand calculations underpinning the AI-assisted breakthrough. - **David Skinner** (Person): Professor at Cambridge University; co-author of the single-minus gluon amplitude paper. - **Terry Tao** (Person): Fields Medal-winning mathematician at UCLA; referenced regarding the question of whether AI proofs involve genuine creativity. - **Scattering Amplitudes** (Concept): Complex-valued functions in quantum field theory encoding probabilities for particles to scatter; the central mathematical objects of both papers discussed. - **Single-Minus Gluon/Graviton Amplitudes** (Concept): Tree-level scattering amplitudes where all but one particle have positive helicity; previously assumed zero in textbooks but shown non-zero in a collinear phase-space region. - **Parke-Taylor Formula** (Concept): Compact closed-form result for maximally helicity violating (MHV, double-minus) gluon amplitudes derived in the 1980s; the template whose analog was sought for single-minus amplitudes. - **Feynman Diagrams** (Concept): Diagrammatic technique to organize perturbative QFT calculations; individual diagrams represent distinct intermediate-particle histories whose amplitudes are summed. - **Love Numbers** (Concept): Coefficients encoding tidal deformability; famously vanish for black holes, a fact connected to hidden symmetries studied in Lupsasca's "Why Is There No Love in Black Holes?" paper. - **Celestial Holography** (Concept): Research program exploring symmetries of quantum gravity via scattering amplitude structure; motivates studying graviton amplitudes. - **OpenAI** (Organization): AI research company where Lupsasca serves as resident scientist; developer of GPT-5 and the internal extended-reasoning model used for the amplitude proof. - **arXiv** (Organization): Open-access physics and mathematics preprint server; mentioned in the context of AI-generated "slop" flooding submissions. - **GPT-5 / ChatGPT Pro** (Software): OpenAI's frontier language model used as the primary AI tool in both amplitude papers; capable of extended reasoning steps of 20-34 minutes per prompt.

NYU Stern professor and serial entrepreneur Scott Galloway delivers a two-hour reality check on artificial intelligence: the doom-and-gloom predictions from AI CEOs are largely fundraising theatre, yet the technology poses a genuinely insidious risk that almost nobody is discussing — an epidemic of loneliness. Galloway argues that AI primarily benefits the already-wealthy, that tech leaders should not be trusted to self-regulate, and that the most valuable human skill in the AI era is not coding or Mandarin — it is the ability to endure rejection. The conversation weaves through geopolitics, investing, the masculinity crisis, and what it means to find purpose, closing with a raw reflection on grief and fatherhood. ## [00:00] Intro Host Stephen introduces Scott Galloway against a backdrop of rapid AI development and unsettling quotes from tech CEOs predicting total job replacement. Galloway opens with his central thesis: the two greatest brand collapses of the past 18 months are the United States' global reputation and artificial intelligence itself — both victims of overpromising and poor trust management. He signals that he is an AI optimist at the macro level, but insists the people building it do not have the public's best interests at heart. > *"These techs, they do not have our best interests at heart."* ## [02:45] What's Actually True About AI Galloway reveals a striking data point: approval of AI is directly correlated with income. Only households earning over $200,000 per year hold a net-positive view of the technology, because they benefit through rising portfolios and are the heaviest users. Everyone else sees higher electricity bills, no equity stake in the companies, and dismissive comments from leaders like Sam Altman telling people to stop complaining about energy costs. The AI brand, he argues, has shifted in 18 months from "scary but optimistic" to "scary and only good for the already rich." > *"Your view of AI is directly correlated to your wealth. The only cohort that has a positive rating of AI is people making over $200,000."* ## [05:00] Are AI CEOs Exaggerating The Future To Raise Billions? Galloway lays out the economic logic behind AI catastrophizing. These companies sit on astronomical valuations that can only be justified if either (a) a trillion dollars in incremental revenue materialises from AI-powered products, or (b) there is a massive wave of labour cost savings. Because option (a) is not yet visible — he sees no AI-driven products at meaningful scale — the CEOs amplify option (b), painting vivid pictures of job destruction to justify the efficiency gains enterprises need to believe in. He calls some of the doom talk "thinly veiled fundraising," noting that founders catastrophize and then take secondaries and leave for Santorini. > *"The catastrophizing is nothing more than a thinly veiled attempt to say my technology is so devastating that it's going to shift society and you should invest at this crazy valuation."* ## [09:00] What Would Prove The AI Skeptics Wrong? Asked where he could be wrong, Galloway is specific: if unemployment rises to 20% even temporarily, history shows civil unrest follows regardless of eventual job recovery. He points to radiologists and coders as cases where AI has augmented rather than eliminated roles — new coder job listings are up 11% year-on-year. His benchmark for being wrong is sustained destruction outpacing creation fast enough that the recovery "V" triggers social breakdown before the other side is reached. > *"At 20% unemployment, especially among youth, especially young men tend to get very angry and take to the streets."* ## [11:05] Could AI Move Too Fast For Society To Handle? The conversation turns to pace of change. Galloway uses the host's own media empire — 220 hires in 24 months — as a live counter-example to the apocalypse narrative. He notes a structural inversion: for the first time in decades, unemployment among non-college graduates is lower than among college graduates because AI data centres are driving a boom in trades. He praises the entrepreneurial wave unlocked by AI tools and flags Denmark's 2% GDP commitment to retraining versus America's inadequate equivalent as the real policy failure. > *"AI is not going to take your job. Someone who understands AI is going to take your job."* ## [16:05] What Happens When AI Combines With Robots? Galloway addresses Elon Musk's Optimus robot predictions and the convergence of physical automation with AI cognition. His 2026 stock pick is Amazon, which already holds more industrialised robots than the rest of the US combined and plans to double its retail operation by 2032 without additional headcount. He is sceptical of domestic humanoid robots but takes seriously the military application of weaponised autonomous systems as a genuinely dark unknown frontier. > *"Amazon is saying they're going to double their largest business, which is their retail business by 2032 without an incremental hire using robotics, industrialised robots."* ## [19:05] Is Elon Musk Selling Vision or Reality? Galloway separates Musk the innovator from Musk the stock promoter. He calls Starlink the best tech product of the past several years and credits Musk with inspiring the EV race. But Tesla should trade at 30x earnings, not 150x, and capital will migrate to SpaceX when it IPOs at a projected 90–110x revenues. The core insight: the modern CEO's job has inverted from underpromise-and-overdeliver to overpromise-and-underdel in order to access cheap capital and pull the future forward. > *"The key attribute of an innovator right now is storytelling — to make sure the promise is way ahead of the performance such you can access cheap capital and pull the future forward."* ## [24:05] Which Jobs Are First To Disappear In The AI Shift? Long-haul trucking is Galloway's clearest near-term casualty: autonomous trucks can run the 10 pm to 4 am window and trucking is the largest single employer of non-high-school-graduate males in America. Legal work at the junior associate level is already being displaced — he now routes contracts through two competing LLMs rather than a $400–$2,000 law firm review, projecting a third reduction in his annual legal spend. The pattern he observes is multiplication: one AI-fluent analyst replaces five, yet the resulting EBITDA funds expansion that creates new jobs elsewhere in the ecosystem. > *"AI is not going to take your job. Someone who understands AI is going to take your job. So have a second screen — always have a second screen open that has nothing but AI on it."* ## [30:05] What Skills Will Actually Matter In The Future? Storytelling tops Galloway's list — the ability to look at data, construct a narrative arc, and communicate it compellingly across every medium. He holds up Jeff Bezos's 1997 shareholder letter, Jensen Huang's stadium keynotes, and Alex Karp's walk-and-talk earnings calls as models. Relationships are the second pillar: as technology converges and products commoditise, the differentiator is whether people want to work with you. He is honest that predicting specific skills is unreliable — private schools doubled down on computer science and Mandarin a decade ago, and neither bet has paid off as expected. > *"The enduring skill is storytelling — your ability to look at data, create a narrative arc and then communicate that story in a compelling way via all the different mediums."* ## [33:45] Are Young People Losing The Ability To Handle Rejection? Galloway identifies the erosion of rejection-tolerance as the most underrated threat facing young people, especially young men. Frictionless online relationships offer a simulacrum of connection without the emotional labour of real-world risk. He mentors young men by assigning deliberate rejection exercises: approach a stranger for friendship, ask someone out for coffee. The goal is not the yes; it is learning that a no is survivable. He argues his own superpower is simply the willingness to mourn failure and try again. > *"The secret to my success is rejection. I ran for sophomore, junior, and senior class president of my high school. I lost all three times."* ## [39:55] Can You Trust The People Building AI? A sharp cultural critique: America has replaced declining religious institutions with tech idolatry, crowning each new CEO as a secular Jesus Christ. Steve Jobs, then Zuckerberg, then Sam Altman, now Dario Amodei — each is briefly positioned as the good guy before completing the villain's journey. Galloway's argument is not that these people are evil but that they are doing exactly what capitalism demands: maximising earnings regardless of wider harm. The answer is not more trustworthy tech founders; it is competent elected officials who regulate them. > *"Can we trust Sam Altman? No. But we shouldn't need to trust him. We should be able to trust that we have smart elected officials that will regulate these companies."* ## [44:50] Are Tech Leaders Quietly Preparing For The End? Galloway reveals that roughly one in three billionaires maintain a "go bag" — a fully funded escape plan, typically a private jet to Auckland and a fortified New Zealand bunker. He calls this nihilism: the ultra-wealthy have sequestered themselves so completely from ordinary infrastructure — private aviation, concierge medicine, private security, elite schools — that they are no longer invested in the health of society. Their disproportionate political donations are therefore not directed at making the system work for everyone. > *"The problem is the 0.1% are not invested in the health of America. They don't have to put up with TSA lines. They fly private."* ## [52:00] Do Some AI Leaders Believe The Risk Is Worth It? A secondhand but chilling account: a source with direct access to an AI CEO described someone who genuinely believes there is a roughly 7–10% chance their work ends in catastrophe, but considers being the person who summoned this new intelligence consequential enough to proceed regardless. Galloway connects this to widening inequality — the delta between middle-class and ultra-wealthy life has expanded so dramatically across healthcare, travel, and security that the incentives of the 0.1% are structurally misaligned with the rest of society. > *"The bottom 99% of Western societies are essentially being optimised and monetised to make the life of the 1% just unbelievable."* ## [58:04] Ads Sponsored segments for LinkedIn Hiring Pro and Function Health. ## [60:05] Could AI Make Us More Human? Galloway offers a surprising positive: unlike social media algorithms that push users toward political extremes, AI models appear to moderate views by seeking statistical medians. He sees genuine value in AI companionship for isolated elderly users. But he returns to his central fear: the biggest downside of AI is not weapons, not election contamination, not even income inequality — it is loneliness. Men aged 20 to 30 are spending less time outdoors than prison inmates, and 42% of men aged 18 to 24 have never asked a woman out in person. > *"The biggest downside of AI in my view is loneliness. AI is convincing people they can have a reasonable facsimile of life on a screen with an algorithm."* ## [65:00] What Happens When AI Becomes Your Closest Companion The conversation shifts to the Iran conflict as a case study in what happens when strategic incompetence meets operational excellence. Galloway credits the initial military strike as tactically credible but argues the absence of Congressional briefing, Gulf ally coordination, and clear exit objectives has produced a quagmire — and notes Iran's IRGC-produced propaganda is outperforming US information operations in the global war of memes. > *"The problem with wars is that the enemy has a say. And all the enemy needs to do — whether it's the Viet Cong or the Taliban or the IRGC — is survive, and they win."* ## [70:00] The Hidden Trade-Off Between Convenience And Real Relationships Galloway diagnoses America's Iran strategy as a product of a gutted diplomatic corps. When senior officials fly to Islamabad expecting a deal, 97% of the preparatory work that career diplomats would normally complete simply has not happened. The IRGC understands the game better: all they need to do is survive, and every day the conflict continues they look like the underdog who stood up to the superpower. His most optimistic scenario is a multinational force enforcing freedom of navigation through the Strait of Hormuz. > *"Do you know what we have done in the US to our diplomatic corps? We've absolutely gutted it."* ## [75:00] Why Loneliness Could Explode US stock markets hit an all-time high during active Middle East conflict — a sign that the wealthy are so insulated from geopolitical risk that war no longer registers in asset prices. The top 10% account for 50% of consumer spending, and that cohort does not care if gasoline hits six dollars a gallon. The pain is outsourced to lower-income households and oil-dependent nations. Galloway frames this dissociation from shared risk as one of the most dangerous structural features of contemporary inequality. > *"We've outsourced the downside of war to less wealthy nations who are very oil dependent, to the Gulf, which is incurring damage here."* ## [79:26] The Real Reason Human Connection Might Become More Valuable Extended discussion of AI market valuations and the historical pattern of infrastructure overbuild. Every great infrastructure boom — railroads, electrification, the internet — ended in a crash, and AI capex now constitutes a significant share of US GDP growth. Galloway argues there is a one-in-three chance AI ends up like jet aviation or vaccines: transformative for humanity but impossible to monetise exclusively for a small group of companies, because open-weight Chinese models could commoditise the entire stack through "AI dumping." > *"AI puts AI out of business. And that is if you look at the convergence of the technologies, all the models are converging."* ## [85:00] What This Means For The Next Generation Galloway argues that a market correction might actually benefit younger generations by making assets affordable again. He flags GLP-1 drugs as his technology pick over AI in terms of real-world human impact. His personal investment philosophy at age 61: aggressive diversification, no single position above 3% of net worth, rotation out of overheated US markets into Europe and Latin America. For young people, the only wealth-building path he trusts is compound interest through low-cost index funds, with money automatically invested before it can be spent. > *"The only answer I have is slowly — find out a way to start saving when you're a teenager, 25 bucks a month, then in your 20s 100, then 500."* ## [90:00] How Power, Politics, And AI Are Becoming Intertwined Drawing on his experience losing 70% of New York Times ad revenue in 60 days during 2008, Galloway warns that younger entrepreneurs have never experienced a true recession. He argues that the political class has systematically bailed out asset-owning baby boomers — COVID relief, corporate bailouts, perpetual market support — while denying younger generations the chance to buy assets at distressed prices. Recessions historically created entry points; that mechanism is now deliberately suppressed. > *"Your generation really doesn't know what a recession looks like. Like, everything stops."* ## [95:00] The Dangerous Gap Between Technology And Regulation Personal finance advice combined with a reflection on the limits of prediction. Galloway's investment rule for young people: put money in yourself first, then in relationships, then in diversified index funds. He is honest that picking winning sectors is largely futile, and that anyone claiming certainty does not know. His own investment in Pokemon cards with his son illustrates that the best investments compound in non-financial ways — relationships and shared experience accrue value that conventional ROI cannot measure. > *"The only answer I have is slowly and it requires some discipline. Save money, diversify, compound interest, invest in relationships early."* ## [100:00] What Happens If Governments Can't Keep Up With AI Asked what a 33-year-old should know that a 61-year-old has learned, Galloway offers three lessons: be humble in success because much of it is luck; forgive yourself in failure because much of it is also circumstance; and invest aggressively in relationships in your 30s, because he spent his prime years professionally focused and nearly ended up isolated. He frames every major disappointment as something people later regret not the thing itself but how upset they allowed themselves to be. > *"Nothing's ever as good or as bad as it seems. Be humble when you're successful. And forgive yourself and realise this will pass."* ## [105:00] The Future Of Work, Power, And Who Really Wins Fatherhood as purpose. Galloway confesses he did not want children and did not fall in love with his sons immediately after birth. What changed his view was discovering that fatherhood is the one investment where a positive financial return is structurally impossible — and that is precisely what makes it purposeful. The same logic applies to any cause large enough to demand more than you can ever get back: veterans, activism, caregiving. He closes with frank advice on partnership, timing, and the liberation of having no choice but to lean into your children's interests. > *"Finding your purpose is finding that thing that you can never get a real positive return on. I will never get a positive return for my children."* ## [110:00] Why The Biggest AI Risks Aren't What You've Been Told The final chapter opens with Galloway's emotional description of his sons' contrasting personalities — one a mirror of himself, one a "different species" he observes with fascination. He discusses his book *Notes on Being a Man*, framing it as letters he hopes his boys will read in 30 years. The closing question — the biggest setback and its lesson — draws the most emotionally raw answer of the episode: his mother's death. He says he has not gotten over it and does not want to, because grief is the receipt for love, and he hopes his sons will one day feel the same about losing him. > *"My mother dying. And you can never tell your parents how much you love them too much. The reverse of love is grief."* ## Entities - **Scott Galloway** (Person): NYU Stern Professor of Marketing, serial entrepreneur, author of *The Four*, *The Algebra of Happiness*, and *Notes on Being a Man*; host of the Prof G Pod and Pivot podcast - **Sam Altman** (Person): CEO of OpenAI; used as the primary case study in the recurring tech-leader idolisation and disillusionment cycle - **Elon Musk** (Person): CEO of Tesla, SpaceX, and xAI; discussed as visionary storyteller whose real products (Starlink, SpaceX) are transformative but whose timelines consistently overshoot - **Dario Amodei** (Person): CEO of Anthropic; cited as the current tech industry "good guy" before the inevitable villain turn - **Jensen Huang** (Person): CEO of Nvidia; held up as a model of storytelling-driven CEO performance via stadium keynotes - **OpenAI** (Organization): Developer of ChatGPT; primary subject of fundraising-hype and overvaluation critique - **Anthropic** (Organization): AI safety company; referenced as beneficiary of the "latest hero" investor narrative - **SpaceX** (Organization): Musk's rocket company; flagged as likely destination for capital migrating away from Tesla at IPO - **Amazon** (Organization): Galloway's top large-cap stock pick for 2026 due to robotics leadership and warehouse automation scale - **Tesla** (Organization): Great car company trading at an unjustifiable multiple that will correct when SpaceX IPOs - **GLP-1 drugs** (Concept): Weight-loss and metabolic medications (Ozempic/Wegovy class) that Galloway argues will create more real-world human impact and shareholder value than AI - **AI dumping** (Concept): Galloway's term for China flooding the US with cheap open-weight AI models to undermine American AI valuations and destabilise the economy - **Go bag / billionaire nihilism** (Concept): The practice among roughly one-in-three billionaires of maintaining funded escape plans as a symptom of disengagement from shared societal wellbeing - **Rejection tolerance** (Concept): Galloway's candidate for the most underrated skill of the AI era — the willingness to hear no, mourn briefly, and try again

Jim Fan, lead of Nvidia's embodied AI research, outlines the transition from language-centric models to World Action Models (WAM) that simulate physical reality. He details a roadmap toward the 'Physical Turing Test' and autonomous factories by 2040, driven by video pre-training and human egocentric data scaling. ## [00:00] Introduction Host Sonya Huang introduces Jim Fan, who leads Nvidia's embodied autonomous research group. Fan reflects on his early days as an intern and the excitement surrounding the future of robotics. > *robots are just one of the most thrilling things that's going to happen.* > *[0, 12]* ## [00:30] DGX One Origin Story Jim Fan recounts the 2016 delivery of the first DGX-1 by Jensen Huang to Elon Musk and the OpenAI team. He highlights how this moment catalyzed the deep learning revolution that led to current AI breakthroughs. > *If you believe in deep learning, deep learning will believe in you.* > *[1, 26]* ## [01:42] The Great Parallel Fan proposes 'The Great Parallel,' applying the successful LLM scaling playbook to robotics. Instead of predicting the next token in a string, the goal is to predict the next physical world state through simulation and alignment. > *instead of simulating strings can we simulate next physical world state?* > *[2, 56]* ## [03:31] Robotics Endgame Setup The strategy for achieving the robotics end game is divided into two primary pillars: model strategy and data strategy. Fan notes that while LLMs are in their final 'boss fight,' robotics is just beginning its scaling journey. > *It boils down to two things, model strategy and data strategy.* > *[3, 32]* ## [03:39] Why VLA Falls Short Visual Language Action (VLA) models are criticized for being 'head-heavy' on language while lacking a fundamental grasp of physics and verbs. Fan argues they are better at encoding static knowledge than dynamic physical interaction. > *VLAs are great at encoding knowledge and nouns, but not so much at physics and verbs.* > *[4, 8]* ## [04:32] Video World Models Fan explains how video models like VEO3 learn internal physics—such as gravity and buoyancy—simply by predicting pixels at scale. These models act as simulators that can solve mazes and plan visual sequences internally. > *Physics emerge by predicting the next blob of pixels at scale.* > *[5, 15]* ## [06:09] DreamZero World Action Nvidia introduces 'Dreamer' and World Action Models (WAM), which jointly decode future world states and motor actions. This allows robots to perform zero-shot tasks by 'dreaming' the correct motion sequence before executing it. > *Dreamer jointly decodes the next world states and next actions.* > *[6, 29]* ## [07:46] Scaling Data Collection To overcome the physical limits of teleoperation, Fan discusses Universal Manipulation Interfaces (UMI) and exoskeletons like Dex-UMI. These tools allow humans to collect high-dexterity data directly without the robot being in the loop. > *we're able to break the curse of 24 hours per robot per day* > *[10, 6]* ## [11:06] EgoScale And Scaling Laws Fan introduces Ego-Exo, a policy trained on 21,000 hours of human egocentric video. This research uncovered a neural scaling law for dexterity, showing a mathematical relationship between pre-training volume and robot performance. > *we discovered this neural scaling law for dexterity.* > *[12, 39]* ## [15:39] DreamDojo And The Roadmap Fan outlines the roadmap to 2040, including the Physical Turing Test and 'lights-out' factories. He introduces Dream Dojo, a neural simulator that replaces classical physics engines with data-driven world models. > *I can say with 95% certainty that we'll get to the end of the end game... by 2040.* > *[19, 19]* ## Entities - **Jim Fan** (person): Lead of the embodied autonomous research group at Nvidia. - **Nvidia** (organization): The technology company developing the hardware and software for the robotics end game. - **Jensen Huang** (person): CEO of Nvidia, mentioned for delivering the first DGX-1 to OpenAI. - **OpenAI** (organization): The research lab that received the first DGX-1 for deep learning development. - **DGX-1** (product): The world's first deep learning supercomputer delivered in 2016. - **VEO3** (model): A video world model capable of simulating physics and visual planning. - **Dreamer** (model): A policy model that predicts future world states and actions simultaneously. - **Ego-Exo** (project): A robotics pre-training framework using large-scale human egocentric video data.

Andrej Karpathy explores the paradigm shift from traditional programming to Software 3.0, where LLMs act as programmable computers driven by context. He details the transition from 'vibe coding' to 'agentic engineering,' emphasizing that while AI handles execution, human taste and understanding remain the ultimate bottlenecks. ## [00:00] Introduction Stephanie Zhan introduces Andrej Karpathy, highlighting his foundational work at OpenAI and Tesla. She notes his unique ability to simplify complex AI shifts and introduces the concept of vibe coding. > *He has a rare gift of making the most complex technical shifts feel both accessible and inevitable. [00:22]* ## [00:44] Feeling Behind as a Coder Karpathy describes a turning point in December 2023 when agentic tools began producing perfect code without manual intervention. This shift led him to adopt vibe coding, trusting the AI to handle complex workflows autonomously. > *I just start to notice that with the latest models the chunks just came out fine. [01:29]* ## [02:28] Software 3.0 Explained Karpathy defines Software 3.0 as a paradigm where the LLM acts as a programmable computer and the context window serves as the primary programming lever. This follows Software 1.0's manual rules and Software 2.0's data-driven weight training. > *Software 3.0 is kind of about your programming now turns to prompting and what's in the context window is your lever. [03:20]* ## [03:44] Agents as the Installer Using the installation of OpenClaw as an example, Karpathy explains how agents replace rigid bash scripts with intelligent, environment-aware execution. This approach allows the AI to debug and adapt to specific system requirements autonomously. > *The agent has its own intelligence that it packages up and then it kind of like follows the instructions. [04:29]* ## [04:49] Menu Gen vs Raw Prompts Karpathy contrasts his custom-coded MenuGen app with raw prompts to models like Gemini, concluding that many traditional software layers are now redundant. He emphasizes that AI can now perform general information processing that was previously impossible with structured code. > *The software 3.0 paradigm is a lot more kind of raw. It just your neural network is doing more and more of the work. [06:11]* ## [07:37] What’s Obvious by 2026 Looking toward 2026, Karpathy envisions neural computers that process raw video and audio directly. These systems would use diffusion models to generate dynamic user interfaces, potentially making traditional UI code obsolete. > *You could imagine completely neural computers... a device that takes raw videos or audio into basically what's a neural net. [08:22]* ## [09:41] Verifiability and Jagged Skills AI models develop 'jagged' capabilities, peaking in verifiable domains like math and code due to reinforcement learning rewards. Karpathy notes the paradox where a model can refactor a massive codebase yet fail simple logic. > *state-of-the-art models today will tell you to walk [to a car wash] because it's so close... This is insane. [11:36]* ## [13:39] Founder Advice and Automation Model performance is heavily dictated by the specific data distributions chosen by frontier labs. Karpathy advises founders to explore the 'circuits' of these models to understand their strengths or use fine-tuning to fill gaps. > *we are slightly at the mercy of whatever the labs are doing, whatever they happen to put into the mix. [12:57]* ## [15:46] From Vibe Coding to Agent Engineering While 'vibe coding' raises the accessibility floor, 'agentic engineering' focuses on maintaining professional quality. This discipline involves coordinating powerful but stochastic agents to accelerate development without sacrificing the engineering bar. > *agentic engineering is about preserving the quality bar of what existed before in professional software. [16:07]* ## [25:17] Agents Everywhere and Learning Karpathy advocates for agent-native infrastructure, expressing frustration with human-centric documentation. He argues that while thinking can be outsourced to AI, human understanding remains a critical bottleneck for directing agents. > *You can outsource your thinking, but you can't outsource your understanding. [28:10]* ## Entities - **Andrej Karpathy** (person): AI researcher and former Director of AI at Tesla and founding member of OpenAI. - **Stephanie Zhan** (person): Partner at Sequoia Capital and host of the discussion. - **Software 3.0** (concept): A paradigm where LLMs act as programmable computers via prompting and context. - **Agentic Engineering** (concept): The professional discipline of coordinating AI agents to maintain software quality. - **MenuGen** (project): An app Karpathy built to OCR and visualize restaurant menus, used as a case study. - **OpenAI** (organization): AI research company co-founded by Karpathy. - **Gemini** (ai-model): Google's LLM used in Karpathy's software comparison. - **Vercel** (organization): A cloud platform used by Karpathy to deploy projects.

Ivanka Trump offre un regard sincère sur sa vie, depuis une enfance unique façonnée par des parents célèbres et une attention médiatique intense, jusqu'à sa carrière marquante dans les affaires et le service public. Elle partage les leçons apprises de sa mère, les défis liés à la construction de la confiance, et comment des expériences déterminantes comme le divorce de ses parents et la tentative d'assassinat contre son père ont forgé sa résilience. Trump aborde également sa philosophie de l'intentionnalité, la force d'être sous-estimée, et son parcours de développement personnel à travers la maternité et la thérapie, jusqu'à son engagement avec Planet Harvest. ## [00:00] Pourquoi la confiance ne vient pas facilement et ce que cela révèle Ivanka Trump a appris très tôt, notamment lors du divorce très médiatisé de ses parents quand elle avait neuf ans, à se méfier des relations hypocrites en raison de l'attention médiatique constante et des paparazzi agressifs. Sa mère lui a enseigné la force d'être sous-estimée et l'importance de filtrer le « bruit » extérieur sous pression. Bien qu'elle ait d'abord développé un puissant mécanisme de défense contre la confiance en autrui, elle a depuis cultivé intentionnellement une approche plus ouverte pour tisser des liens plus profonds, en acceptant les risques inhérents. > *ma mère m'a appris qu'être sous-estimée n'est pas une mauvaise chose. C'est en réalité quelque chose de très puissant [00:22]* > *j'ai vraiment appris à me faire davantage confiance aux autres. [05:48]* ## [03:32] Quand on réalise qu'on est différent, que se passe-t-il ensuite Ivanka Trump a réalisé dès son plus jeune âge que sa vie était atypique en raison de l'attention médiatique et de l'examen public constants, un phénomène qu'elle compare à l'exposition amplifiée des enfants sur les réseaux sociaux aujourd'hui. Elle note que ses parents ont fait des efforts pour la protéger, elle et ses frères et sœurs, de cette attention intense. Elle préfère les conversations approfondies aux interviews fréquentes. > *Je pense qu'il y a toujours eu beaucoup d'attention médiatique et d'examen. On le voit, on en fait l'expérience très tôt. [06:24]* > *tout le monde n'a pas je pense l'expérience que nos enfants ont où partout où ils vont les gens ont un appareil d'enregistrement dans les mains [06:40]* ## [05:44] Comment était vraiment sa mère en privé Ivanka Trump décrit sa mère, Ivana, comme une ancienne skieuse nationale disciplinée qui lui a inculqué la valeur du sport, conduisant Ivanka vers le ballet. Elle se souvient d'un souvenir d'enfance inhabituel : Michael Jackson assistant à sa représentation de Casse-Noisette. Malgré ces expériences extraordinaires, son quotidien était ancré par sa grand-mère maternelle, « Bubby », qui lui offrait un amour inconditionnel et l'exprimait à travers la cuisine. > *ma mère était une skieuse incroyable... elle croyait vraiment en l'importance du sport pour cultiver la discipline [07:07]* > *Ma grand-mère... nous a vraiment élevés... elle m'a enseigné un type d'amour inconditionnel et de tendresse [08:44]* ## [11:47] La différence essentielle qui a façonné celle qu'elle est devenue L'éducation d'Ivanka Trump a été profondément marquée à la fois par sa grand-mère aimante, « Bubby », qui lui prodiguait un amour inconditionnel et des soins quotidiens, et par sa mère, Ivana, qui était un modèle de pionnière. Ivana incarnait la force, l'ambition et la résilience, montrant comment poursuivre des objectifs professionnels tout en étant une mère aimante. Ivanka précise que malgré les carrières prenantes de ses parents, ils étaient présents et lui donnaient le sentiment d'être une priorité, sa grand-mère remplissant le rôle traditionnel de personne de référence. > *Ma mère était une pionnière incroyable... un exemple formidable pour moi de force et de résilience, de glamour, de détermination et d'ambition. [11:57]* > *Je n'ai jamais douté que j'étais sa priorité absolue et qu'il était disponible pour moi. [14:42]* ## [15:43] Ce que le divorce de Donald et Ivana Trump a vraiment signifié pour elle Le divorce très médiatisé de Donald et Ivana Trump, qu'Ivanka a appris par un journal à neuf ans, l'a profondément marquée. Elle se souvient de la peur ressentie face à l'attention médiatique intense et des craintes normales d'un enfant lors d'une séparation parentale. Cette période difficile, qui a généré plus de gros titres que le procès d'O.J. Simpson, a forgé un lien unique entre elle et ses frères et sœurs. Plus tard, après le décès de sa mère, Ivanka a acquis une compréhension plus profonde du caractère complexe d'Ivana, façonné par son éducation en Tchécoslovaquie communiste, regrettant de ne pas lui avoir posé plus de questions de son vivant. > *ce divorce a apparemment généré plus de gros titres que le procès d'OJ Simpson. [20:04]* > *le point positif pour moi et mes frères et sœurs c'est que nous nous sommes vraiment soudés d'une manière différente parce que nous traversions cela ensemble. [23:21]* ## [18:27] La réalité d'être la fille de Trump, ce que les gens comprennent mal Être la fille de Donald Trump signifiait affronter un examen public intense dès le plus jeune âge, en particulier lors du divorce de ses parents, ce qui lui a appris une prudence nécessaire envers la confiance. Elle a depuis appris à « trouver le signal dans le bruit » et à éviter les réseaux sociaux belliqueux, privilégiant la paix intérieure. Ivanka souligne l'authenticité profonde de ses parents, et bien qu'elle aborde la communication avec plus de délicatesse, elle maintient un sens aigu de son identité, guidée par la philosophie stoïcienne, pour vivre authentiquement et résister aux pressions extérieures. > *Si je n'avais pas eu cette leçon, je ne sais pas si je serais aussi forte. Cela m'a appris à ne faire confiance à personne. [18:53]* > *Je ne rends pas les coups parce que je ne... crois pas qu'il faille passer son temps et son énergie à être combatif, à plonger dans cette arène particulière et dans le tourbillon nauséabond des réseaux sociaux. [26:19]* ## [23:36] Comment se construire entourée de pouvoir et de célébrité Entourée de pouvoir et de célébrité, Ivanka Trump a trouvé son identité grâce à un développement personnel intentionnel et à l'expérience transformatrice de la maternité, qui l'a « ouverte » et a approfondi sa capacité d'amour. Elle souligne l'importance cruciale de la conscience de soi pour résister aux pressions extérieures et se définir soi-même, plutôt que de « laisser la foule gagner ». Elle applique cette philosophie à l'éducation de ses enfants en favorisant leur individualité, et attribue à ses propres parents le mérite d'avoir autorisé le désaccord respectueux, lui permettant de rester fidèle à elle-même. > *Si vous ne savez pas qui vous êtes, la foule gagne. [29:55]* > *Ils ont créé un environnement où le désaccord était acceptable. [32:44]* ## [30:57] Pourquoi être sous-estimée est devenu son plus grand atout Ivanka Trump a appris de sa mère que le fait d'être sous-estimée peut être un atout considérable. Au début de sa carrière dans l'immobilier, on la jugeait souvent mal, à la fois comme enfant de parents célèbres et comme jeune femme dans un secteur dominé par les hommes. Elle a exploité cette perception, l'utilisant comme motivation pour travailler plus dur et être ultra-préparée, en tirant finalement profit de ceux qui la sous-estimaient. > *ma mère m'a appris qu'être sous-estimée n'est pas une mauvaise chose. C'est en réalité quelque chose de très puissant [00:22]* > *J'ai canalisé cette peur, ce sentiment, et je l'ai utilisé pour me propulser. [35:06]* ## [32:59] Ce qu'elle recherche vraiment lors d'un recrutement et pourquoi c'est important Lors d'un recrutement, Ivanka Trump privilégie les personnes ayant un sens aigu de leur identité, de l'initiative, un bon jugement et une intelligence pratique, car ces qualités innées sont difficiles à enseigner. Elle insiste sur l'importance de travailler avec des « personnes de qualité » en qui elle a confiance et qu'elle respecte, considérant ces attributs comme fondamentaux pour des relations professionnelles réussies et la dynamique globale de l'équipe. > *C'est très difficile d'enseigner aux gens, vous savez, on peut avoir une personne brillante, mais si elle n'a pas un bon jugement ou si elle n'est pas autonome, c'est très difficile de lui donner ça. [38:15]* > *Je ne veux pas travailler avec des gens que je n'apprécie pas, que je ne considère pas comme de bonnes personnes, parce que je ne veux pas passer mon temps avec quelqu'un en qui je n'ai pas confiance ou que je ne respecte pas. [39:00]* ## [37:49] Pourquoi elle a quitté la mode pour le gouvernement Malgré une offre d'emploi prestigieuse d'Anna Wintour chez Vogue à sa sortie de Wharton, Ivanka Trump a poursuivi sa passion de toujours pour l'immobilier. Elle a ensuite bâti une marque de mode prospère, Ivanka Trump.com, qui a atteint près de 800 millions de dollars de ventes annuelles. Toutefois, elle a pris la décision délibérée de fermer cette entreprise florissante pour se conformer aux règles d'éthique gouvernementale lorsqu'elle a accepté la demande de son père de servir dans son administration. Elle considérait cette opportunité comme un privilège et un devoir indéniables envers son pays, malgré les sacrifices personnels et professionnels considérables. > *Nous réalisions près de 800 millions de dollars de ventes annuelles quand j'ai tout arrêté en entrant au gouvernement. [42:30]* > *Je me sens incroyablement privilégiée qu'il nous ait donné l'opportunité de servir un pays que nous aimons tant. [43:30]* ## [41:06] Ce qui s'est vraiment passé quand Trump a décidé de se présenter La décision de Donald Trump de se présenter à la présidence en 2015 a été annoncée lors d'une réunion familiale à Bedminster, surprenant Ivanka par sa rapidité, malgré ses ambitions politiques de longue date, bien que non exprimées, depuis les années 1980. Elle se souvient d'un moment de panique à 16 ans, craignant qu'il ne se présente, avant d'être rassurée. Son entrée dans la politique présidentielle a été un « ajustement radical » pour la famille, élargissant profondément la vision du monde d'Ivanka au-delà de sa « bulle » new-yorkaise et initiant une « aventure extraordinaire » dans le service public. > *Je me souviens d'un moment où j'ai cru que c'était réel. J'avais 16 ans et j'étais en pension et je l'ai appelé... « Ça va ruiner ma vie. » [51:48]* > *sa campagne m'a ouvert les yeux et j'ai réalisé la bulle dans laquelle je vivais [48:02]* ## [46:23] Trump candidat à la présidence, ce qui a tout changé La décision de Donald Trump de se présenter à la présidence a tout changé fondamentalement pour Ivanka, marquant un « ajustement radical » pour toute la famille. Son entrée non conventionnelle en politique, contournant les parcours traditionnels, était comme « boire de l'eau à la lance à incendie ». La campagne a brisé la « bulle » perçue d'Ivanka à New York, élargissant profondément sa vision du monde et la conduisant à embrasser le privilège de servir son pays. > *C'était comme boire de l'eau à la lance à incendie pour nous tous. [47:08]* > *sa campagne m'a ouvert les yeux et j'ai réalisé la bulle dans laquelle je vivais [48:02]* ## [48:52] Publicités Ce segment présente une publicité pour Shopify, une plateforme de commerce en ligne qui simplifie la création de boutiques, la vente sur les réseaux sociaux et la gestion des opérations avec des outils d'IA. Il fait également la promotion de Pipe Drive, un CRM intelligent utilisé par l'animateur, mettant en avant son tableau de bord visuel pour une visibilité claire du processus de vente. > *Shopify, facilite le démarrage car vous pouvez créer votre boutique, vendre sur les réseaux sociaux, accepter les paiements, utiliser des outils d'IA et tout gérer en un seul endroit. [49:22]* > *Pipe Drive est un CRM intelligent et facile à utiliser... il rend votre processus de vente visible grâce à un seul tableau de bord. [50:17]* ## [51:04] A-t-elle jamais pensé que son père irait vraiment jusqu'au bout Bien que Donald Trump ait envisagé de se présenter à la présidence depuis les années 1980, Ivanka affirme que cette ambition n'a pas été explicitement discutée pendant son enfance. Elle se souvient vivement d'un moment à 16 ans où elle a paniqué, croyant que son père se présentait, avant d'être rassurée que ce n'était pas le cas. Elle note que ses positions sur des sujets comme la politique commerciale sont restées constantes au fil des décennies. > *Je me souviens d'un moment où j'ai cru que c'était réel. J'avais 16 ans et j'étais en pension et je l'ai appelé... « Ça va ruiner ma vie. » [51:48]* > *son point de vue est resté constant dans le temps et reste constant à ce jour exactement sur cette question de politique commerciale [52:35]* ## [54:26] Quitter la Maison-Blanche, un soulagement ou autre chose Quitter la Maison-Blanche n'a pas été un soulagement au sens d'un regret, car Ivanka Trump estime avoir « tout donné sur le terrain » et est fière de ses accomplissements durant ses quatre années de service public. Elle considère cette opportunité de servir comme un « privilège extraordinaire » mais n'a aucun désir de retourner en politique, donnant la priorité à ses enfants et refusant de leur faire payer le prix d'une vie publique prolongée. Elle est satisfaite de ses contributions et estime que son père dispose désormais d'une équipe solide pour le soutenir. > *J'ai tout donné sur le terrain, vous savez ? Je ne regarde pas en arrière en disant... je n'ai pas de regrets. [53:33]* > *Ma première responsabilité est d'être leur mère. [56:49]* ## [58:08] Quelqu'un était-il vraiment préparé à la vie à la Maison-Blanche Ivanka Trump admet que rien ne prépare véritablement un individu à l'expérience intense de la politique de haut niveau et de la vie à la Maison-Blanche. Elle a observé que le pouvoir, tout comme la richesse, tend à amplifier les traits inhérents des personnes. Ses interactions avec des dirigeants mondiaux, des monarques aux élus, les ont démystifiés, révélant qu'au fond, ce ne sont « que des gens » avec des difficultés ordinaires, ce qui a finalement dissipé toute intimidation qu'elle aurait pu ressentir. > *Rien ne vous prépare à cette expérience. [58:26]* > *On réalise qu'au bout du compte, les gens sont des gens. [59:03]* ## [59:44] Ce que la tentative d'assassinat a changé à jamais La tentative d'assassinat contre son père en juillet 2024 a radicalement changé la vie d'Ivanka Trump, intensifiant les préoccupations sécuritaires et nécessitant la protection du Secret Service américain. Témoin de l'événement en temps réel avec ses enfants, sa première réaction a été de les protéger, bien qu'elle ait eu l'intuition que son père s'en sortirait. Cette expérience terrifiante, combinée à d'autres alertes de santé familiales, a renforcé sa conviction en la préciosité de la vie et son engagement à choisir la positivité et à valoriser chaque instant, malgré la corrélation troublante entre service public et violence. > *Ma première réaction a été de les détourner. [62:02]* > *Dans la vie, on n'a le choix que dans sa façon de réagir. Et je choisis de voir l'issue positive. [66:05]* ## [1:07:20] À quoi ressemble la vie après s'être retirée de la politique Après s'être retirée de la politique en 2022, la vie d'Ivanka Trump est désormais centrée sur ses jeunes enfants et sa vie de famille privée, car elle trouvait le « monde obscur » de la politique en contradiction avec sa nature. Elle gère les critiques publiques avec la métaphore de « l'aigle et du corbeau », choisissant de s'élever au-dessus de la négativité plutôt que de s'y confronter. Cette période d'examen public intense, incluant l'expérience de mort imminente de son père, a été un « remède » pour sa croissance personnelle, lui enseignant à rechercher la paix intérieure et l'harmonie dans ce qui est sous son contrôle, et à se concentrer sur la gratitude pour les bienfaits de la vie. > *La politique est un monde assez sombre. Il y a beaucoup d'obscurité, beaucoup de négativité, et c'est vraiment en contradiction avec ce qui me fait du bien en tant qu'être humain. [67:45]* > *La réaction de l'aigle face à cela... n'est pas de se tordre et de se retourner pour faire tomber le corbeau ou de se défendre... C'est simplement de s'envoler plus haut. [69:28]* ## [1:11:04] Publicités Ce chapitre correspond à une courte pause publicitaire au sein du podcast. ## [1:14:24] Comment la thérapie a changé sa façon de voir les choses Ivanka Trump a commencé une thérapie à l'âge adulte, la considérant comme un outil d'« inventaire intérieur », motivée par son « état d'esprit orienté vers la croissance » et un désir de traiter des événements de vie significatifs. Les déclencheurs principaux ont été le second diagnostic de cancer de la thyroïde de son mari Jared, son départ de Washington et le décès inattendu de sa mère. La thérapie l'a aidée à prendre soin d'elle-même et à traiter ses émotions plutôt qu'à les compartimenter, changeant finalement sa perspective sur la compréhension de soi et la façon d'avancer. > *J'ai un état d'esprit très orienté vers la croissance... Je cherche toujours à en apprendre davantage sur moi-même et sur le monde [74:35]* > *Jared a été diagnostiqué d'un cancer de la thyroïde pour la deuxième fois. Et puis ma mère est décédée [75:59]* ## [1:20:28] La perte de sa mère et ce que cela lui a appris Ivanka Trump revient sur la mort soudaine et tragique de sa mère, Ivana Trump, en 2022, soulignant l'impact unique d'une perte parentale inattendue. Elle s'est engagée dans un véritable processus de deuil, affrontant l'inconfort et traitant ses sentiments. En tant que parent, elle cherche désormais à transmettre à ses enfants les qualités positives de sa mère tout en évitant consciemment de leur transmettre ses difficultés, ayant acquis une perspective adulte plus claire sur la vie de sa mère. > *Elle a eu une belle vie quand même. [81:07]* > *J'ai vraiment pris le temps de penser à elle non pas à travers les yeux de l'enfant qui l'idolâtrait pleinement mais à travers les yeux d'une adulte qui la voyait clairement. [83:15]* ## [1:26:28] Les 3 règles qui, selon elle, définissent le succès et le bonheur Ivanka Trump croit que le véritable succès et le bonheur sont définis par trois principes clés, particulièrement pour l'entrepreneuriat, qu'elle partagerait avec sa fille Arabella. Premièrement, il faut véritablement aimer ce que l'on fait, car la passion est essentielle à l'engagement. Deuxièmement, l'authenticité est primordiale ; être soi-même et tracer sa propre voie est crucial, car l'imitation mène à l'échec. Troisièmement, et c'est le plus fondamental, il faut cultiver la confiance en soi avant que le monde ne croie en vous, car c'est le point de départ de toute réalisation. Elle note également que l'équilibre traditionnel « vie professionnelle-vie personnelle » est illusoire, préférant rechercher l'alignement avec ses priorités. > *Je n'ai jamais vu quelqu'un au sommet de son art qui n'aime pas absolument ce qu'il fait. [92:46]* > *vous allez devoir croire en vous avant que le monde ne croie en vous. [94:48]* ## [1:28:37] Ce qu'est Planet Harvest et pourquoi cela pourrait compter plus qu'on ne le pense Planet Harvest est l'entreprise à mission d'Ivanka Trump visant à réduire le gaspillage alimentaire et à soutenir les agriculteurs américains. L'initiative a été inspirée pendant la pandémie de COVID-19 lorsqu'elle a observé d'énormes quantités de produits périssables jetés en raison de problèmes de chaîne d'approvisionnement. Planet Harvest s'attaque au problème persistant d'aliments parfaitement consommables rejetés par les distributeurs pour ne pas répondre à des critères esthétiques stricts, offrant ainsi des revenus supplémentaires aux agriculteurs et bénéficiant à l'environnement. > *Planet Harvest est née... pour s'assurer que quand les gens avaient besoin de nourriture, la nourriture dans les champs ne soit pas gaspillée en étant labourée comme nous l'avons vu au début de la pandémie. [89:18]* > *400 millions de livres de fraises chaque année restent dans les champs... Non pas parce qu'elles sont imparfaites. Elles ne répondent simplement pas à des spécifications esthétiques très rigides. [90:57]* ## Entités - **Ivanka Trump** (Personne) : Fille de Donald et Ivana Trump, femme d'affaires et ancienne responsable gouvernementale. - **The Diary Of A CEO** (Organisation) : Le podcast hébergeant l'interview. - **Donald Trump** (Personne) : Père d'Ivanka Trump, ancien président des États-Unis. - **Ivana Trump** (Personne) : Mère d'Ivanka Trump, ancienne skieuse pour la Tchécoslovaquie. - **Michael Jackson** (Personne) : Célèbre chanteur, auteur-compositeur et danseur américain. - **O.J. Simpson** (Personne) : Ancien joueur de football américain, présentateur, acteur et criminel condamné. - **Marcus Aurelius** (Personne) : Empereur romain et philosophe stoïcien. - **Shopify** (Organisation) : Plateforme de commerce en ligne pour créer des boutiques. - **Pipe Drive** (Organisation) : Logiciel CRM intelligent (Gestion de la Relation Client). - **Anna Wintour** (Personne) : Rédactrice en chef de Vogue. - **Vogue** (Organisation) : Magazine de mode et de style de vie. - **Wharton School of Business** (Organisation) : École de commerce de l'Université de Pennsylvanie. - **Office of Government Ethics** (Organisation) : Agence gouvernementale américaine chargée de prévenir les conflits d'intérêts. - **Jared Kushner** (Personne) : Mari d'Ivanka Trump, ayant également servi au gouvernement. - **US Secret Service** (Organisation) : Agence gouvernementale chargée de la protection d'Ivanka Trump et de sa famille. - **Planet Harvest** (Organisation) : Entreprise cofondée par Ivanka Trump, axée sur la réduction du gaspillage alimentaire et le soutien aux agriculteurs. - **Arabella** (Personne) : Fille aînée d'Ivanka Trump. - **Stoïcisme** (Philosophie) : École de philosophie de la Grèce antique. - **Bouddhisme** (Philosophie) : Philosophie orientale. - **Taoïsme** (Philosophie) : Philosophie orientale. - **Tchécoslovaquie** (Lieu) : Ancien pays d'Europe centrale. - **New York** (Lieu) : Grande ville des États-Unis. - **Bedminster, New Jersey** (Lieu) : Endroit où se trouvait Ivanka Trump lorsqu'elle a appris la tentative d'assassinat contre son père. - **Child Tax Credit** (Politique) : Crédit d'impôt américain pour les familles avec enfants. - **Great American Outdoors Act** (Politique) : Législation soutenue par Ivanka Trump. - **Législation contre la traite des êtres humains** (Politique) : Législation sur laquelle Ivanka Trump a travaillé pendant son service public. - **Formation professionnelle et technique** (Initiative) : Programmes promus par Ivanka Trump pour former et requalifier les travailleurs américains. - **Méditations** (Livre) : Recueil d'écrits personnels de Marc Aurèle.

Présentation en trois minutes par Anthropic de la boucle qu'ils considèrent comme l'habitude la plus importante lors du travail avec Claude Code : d'abord rechercher en mode plan, définir ce que "terminé" signifie avant de toucher un seul fichier, puis faire réviser le diff par un sous-agent avant de pousser. ## [00:03] Pourquoi explorer-planifier-coder-committer surpasse le démarrage immédiat L'introduction est directe : si vous n'adoptez qu'une seule habitude du cours, que ce soit ce workflow. Le mode d'échec combattu est le réflexe de coller une tâche dans Claude et de le regarder générer du code immédiatement, ce qui accélère le démarrage mais repousse le coût de correction. > *Without this, most people jump straight to pasting in Claude to write code, which means more course correcting later on.* ## [00:21] Le mode plan : recherche en lecture seule avant toute édition Le mode plan compresse exploration et planification en un seul geste. Claude peut lire des fichiers et effectuer des recherches web mais ne peut pas écrire — Shift+Tab permet de basculer depuis l'invite. Le narrateur fait la démonstration avec une vraie demande (ajouter la conversion WebP à un pipeline d'upload d'images, identifier l'endroit approprié, les dépendances nécessaires et l'approche). Claude retourne un plan ; vous le lisez et demandez des révisions si quelque chose manque. C'est l'endroit le moins coûteux de tout le cycle pour changer de direction, car rien n'a encore été écrit. > *With plan mode, Claude can't edit files. It just reads files to gather research on how to tackle this implementation.* ## [01:11] Approuver le plan puis corriger la trajectoire pendant que Claude code Une fois le plan satisfaisant, Approuver rend l'exécution à Claude pour qu'il coche les éléments de la liste. Vous choisissez si les éditions de fichiers s'auto-acceptent ou demandent une confirmation à chaque fois. Claude résoudra les problèmes seul, mais prévoyez d'intervenir — et le bénéfice du mode plan ici est que l'agent conserve le contexte de recherche qui a produit le plan, donc les corrections en cours d'exécution atterrissent au bon endroit plutôt que de repartir de zéro. > *This is the benefit of working with plan mode because after the plan is finished, we also have the context of how it got to the results to help it guide its next decision.* ## [01:39] Expliciter les critères de succès et donner de vrais outils à Claude Un plan sans définition du "correct" laisse Claude deviner. Précisez à quoi ressemble le succès, puis équipez l'agent pour le vérifier réellement : l'extension Claude+Chrome lui permet de piloter un onglet de navigateur pour tester une interface qu'il vient de construire ; une suite de tests lui fournit quelque chose à valider à chaque boucle, et Claude peut aussi écrire les tests — mais seulement si vous les avez déjà validés comme vérité terrain. Conseil de durabilité : quand Claude bute sans cesse sur le même problème, demandez-lui de persister la solution dans le fichier CLAUDE.md pour arrêter de le réapprendre. > *In order for Claude to be confident in its results, it has to be clear on what it deems correct.* ## [02:24] Revue par sous-agent, commit et récapitulatif Avant de pousser, lancez un reviewer de code sous-agent sur le diff — une seconde passe sans attachement à l'implémentation. Ensuite, demandez à Claude de rédiger le message de commit dans votre style et d'expédier. Le récapitulatif recadre chaque étape : Explorer fournit le contexte, Planifier définit le succès, Coder est l'aller-retour qui converge vers le plan, Committer révise et pousse pour passer à la suite. > *A tip before you commit, run a sub agent code reviewer to look at your code.* ## Entities - **Anthropic Tutorial Narrator** (Person): La voix officielle d'Anthropic pour le cours Claude Code 101. - **Claude Code** (Software): Outil de codage agentique en terminal dont la boucle quotidienne recommandée est le sujet de cet épisode. - **Plan mode** (Feature): Mode lecture seule activé par Shift+Tab — Claude recherche et propose un plan mais ne peut pas éditer de fichiers. - **Claude + Chrome extension** (Software): Permet à Claude Code de piloter un onglet Chrome pour vérifier les modifications d'interface avant de déclarer une tâche terminée. - **CLAUDE.md** (File): Fichier de mémoire du projet utilisé ici comme cible de persistance pour les corrections que Claude réapprend sans cesse. - **Subagent code reviewer** (Pattern): Sous-agent Claude pré-commit qui révise le diff avant que l'humain pousse.

Le tutoriel Claude Code 101 d'Anthropic sur le contexte — ce qui remplit la fenêtre, quand la compaction automatique se déclenche, et les leviers pratiques (/compact, /clear, /context, claude.md, toggles MCP, skills, sous-agents) pour garder une session suffisamment légère. ## [00:03] Pourquoi le contexte est fini et pourquoi cela compte Le contexte est la mémoire de travail de Claude : chaque prompt, chaque lecture de fichier, chaque résultat d'appel d'outil atterrit dans la même fenêtre. La fenêtre est grande mais finie, donc optimiser ce qui y entre devient incontournable dès que l'on commence des sessions multi-étapes. > *Every file it reads, every command it runs, every message you send, it all takes up space in the context window.* ## [00:39] La compaction automatique et la commande /compact En approchant de la limite, Claude Code compacte automatiquement : il résume les éléments importants et supprime les résultats d'appels d'outils bruyants pour libérer de l'espace. Vous pouvez aussi déclencher `/compact` manuellement — utile quand vous voulez de la marge tout en conservant le fil de votre travail. Compromis : la compaction peut faire perdre les détails des tours précédents. > *Compaction will summarize important details and remove the unnecessary tool call results and free up a lot of space in your context window.* ## [01:11] /clear et /context : repartir de zéro et voir ce qui est utilisé Si vous voulez une réinitialisation totale sans mémoire de la session précédente, `/clear` efface tout. Pour voir où va réellement votre espace, `/context` affiche la taille totale, les catégories les plus gourmandes et un graphique de répartition — le diagnostic avant de choisir entre compact et clear. > *To check the state of your context, run the /context command.* ## [01:35] La règle empirique : compact en cours de tâche, clear entre les tâches Le narrateur donne une heuristique claire : vous travaillez encore sur une fonctionnalité et approchez du plafond ? Compactez — vous voulez que l'historique pertinent persiste. Vous avez terminé le plan et passez à autre chose ? Effacez — l'ancienne conversation risque de biaiser le nouveau travail. > *If you have finished the plan and want to start on a new feature, then clear. You don't want the previous conversation to present bias in anything new that you want to create.* ## [01:57] claude.md, précision des prompts et écrire moins en écrivant plus Tout ce que Claude doit retenir d'une session à l'autre appartient à `claude.md` pour éviter qu'il redécouvre les mêmes faits à chaque fois. Et paradoxalement, les prompts courts coûtent plus de contexte : face à une demande vague, Claude parcourt le codebase avec grep et raisonne davantage, ce qui remplit la fenêtre. Une ou deux phrases de précision supplémentaires économisent beaucoup d'espace par la suite. > *The irony behind writing a smaller prompt is that it in the long run, it will take up more context.* ## [02:26] Serveurs MCP, skills et sous-agents comme outils de gestion du contexte Les serveurs MCP chargent par défaut tous les outils qu'ils exposent dans le contexte — pratique s'ils sont pertinents, coûteux sinon, donc désactivez ceux sans rapport avec le projet. Les skills se comportent comme des serveurs MCP mais n'injectent pas toute leur surface dans le contexte. Les sous-agents fonctionnent en parallèle avec leur propre fenêtre séparée ; pour les tâches de recherche d'informations ("où sont les endpoints d'authentification ?"), vous pouvez déléguer à un sous-agent et ne récupérer que la réponse, sans tout le cheminement. > *Sub agents run in parallel with your main agent but has a complete separate context window.* ## [03:06] Récapitulatif Gérer le contexte dans Claude Code est la différence entre une session longue et productive et une session bloquée. Utilisez `/compact` pour résumer les longues sessions, `/clear` pour repartir à zéro, soyez précis dans vos prompts, vérifiez `/context` pour voir ce qui consomme la fenêtre, et déléguez les tâches de recherche d'information aux sous-agents. > *Managing context within cloud code is crucial. Use slash compact to summarize long sessions and slashclear to start fresh.* ## Entités - **Anthropic Tutorial Narrator** (Person): La voix officielle d'Anthropic pour la série de tutoriels Claude Code 101. - **Claude Code** (Software): L'assistant de codage agentic en terminal d'Anthropic dont la fenêtre de contexte est le sujet de cet épisode. - **Context window** (Concept): La mémoire de travail de Claude — finie, remplie par les prompts, lectures de fichiers et résultats d'appels d'outils. - **/compact** (Command): Commande slash (et déclencheur automatique) qui résume l'historique et supprime le bruit des appels d'outils pour libérer de l'espace. - **/clear** (Command): Commande slash qui efface intégralement la session pour un départ propre sur un nouveau travail. - **/context** (Command): Commande slash qui indique la taille totale du contexte et les catégories qui le consomment. - **claude.md** (File): Fichier mémoire au niveau du projet que Claude lit entre les sessions pour ne pas redécouvrir les mêmes faits. - **MCP servers** (Software): Fournisseurs d'outils qui chargent par défaut tous les outils exposés dans le contexte — à désactiver quand ils sont sans rapport. - **Skills** (Feature): Alternative allégée aux serveurs MCP qui évite de charger toute la surface d'outils dans le contexte. - **Sub agents** (Feature): Agents parallèles avec leur propre fenêtre de contexte, utilisés pour répondre à des questions ciblées sans polluer la fenêtre principale.

Terence Tao évoque le rôle changeant de l'IA en mathématiques et soutient qu'elle automatisera de nombreuses tâches routinières sans remplacer complètement les mathématiciens humains : elle déplacera plutôt leur attention vers de nouvelles frontières. Il insiste sur l'avenir de la collaboration humain-IA et sur la nature imprévisible de l'impact à long terme de l'IA sur la découverte scientifique. ## [00:10] Le rôle actuel de l'IA dans les mathématiques de pointe Terence Tao explique que l'IA effectue déjà des « mathématiques de pointe » que les humains ne peuvent pas faire, même si c'est un autre type de pointe. Il compare cela à la façon dont les calculatrices ont, par le passé, élargi le champ des mathématiques — en prenant en charge, sur un mode spécialisé, des tâches hors de portée humaine. > *D'une certaine manière, elles font déjà des mathématiques de pointe super-intelligentes que les humains ne peuvent pas faire, mais c'est une frontière différente de celle à laquelle nous sommes habitués.* ## [00:52] L'IA comme outil d'automatisation, pas comme substitut Tao prédit que, d'ici une décennie, l'IA gèrera de nombreuses tâches routinières aujourd'hui assurées par les mathématiciens, permettant aux humains de se concentrer sur des problèmes plus complexes et plus importants. Il trace un parallèle avec les bouleversements historiques : les ordinateurs ont automatisé des tâches autrefois confiées à des « calculateurs humains », et le séquençage du génome est devenu automatique sans que la génétique cesse d'évoluer à de nouvelles échelles. > *D'ici une décennie, beaucoup de choses que les mathématiciens font actuellement… pourront être faites par l'IA. Mais nous découvrirons que ce n'était pas la partie la plus importante de ce que nous faisons.* ## [02:46] L'avenir de la collaboration humain-IA en mathématiques Dwarkesh Patel interroge Tao sur la capacité de l'IA à résoudre seule les Problèmes du Prix du Millénaire. Terence Tao estime que « l'hybride humain + IA » dominera les mathématiques bien plus longtemps, car l'IA actuelle ne possède pas encore tous les ingrédients pour remplacer totalement les tâches intellectuelles : elle fonctionne davantage comme un outil complémentaire. > *Je crois vraiment que cet hybride humain + IA dominera les mathématiques pendant beaucoup plus longtemps.* ## [03:43] Un impact imprévisible sur la découverte scientifique Tao reconnaît que, même si l'IA accélérera la science et les découvertes, il est aussi possible qu'elle freine certains types de progrès en « détruisant la sérendipité ». Il conclut que l'impact futur de l'IA sur la découverte scientifique est hautement imprévisible. > *Il est possible que, en détruisant d'une manière ou d'une autre la sérendipité, nous finissions par inhiber certains types de progrès.* ## Entités - **Terence Tao** (Personne) : invité, mathématicien de premier plan de notre époque. - **Dwarkesh Patel** (Personne) : animateur du podcast. - **IA (AI)** (Concept) : intelligence artificielle, abordée dans son rôle en mathématiques et dans la découverte scientifique. - **Mathematica / Wolfram Alpha** (Logiciel) : outils de calcul cités comme exemples d'automatisation en mathématiques. - **Problèmes du Prix du Millénaire (Millennium Prize Problems)** (Concept) : sept problèmes mathématiques non résolus, chacun assorti d'un prix d'un million de dollars.

Les sous-agents sont puissants quand le travail intermédiaire n'a pas sa place dans le thread principal — mais déléguer sans discernement aggrave les choses. Ce tutoriel trace la ligne entre délégation utile (recherche, revue de code, prompts système spécialisés) et anti-patterns courants (revendications d'expertise, pipelines séquentiels, test runners) qui gaspillent le contexte et font perdre les informations dont on a réellement besoin. ## [00:03] Introduction : quand les sous-agents aident ou nuisent La série a jusqu'ici couvert la création et la conception des sous-agents. Ce dernier épisode se concentre sur la question du déploiement : quelles tâches bénéficient vraiment de l'instanciation d'un agent distinct, et lesquelles en souffrent ? La réponse tient à un seul test : le travail intermédiaire compte-t-il pour le thread principal ? Quand l'exploration est séparée de l'exécution, les sous-agents sont rentables. Quand chaque étape dépend de ce que la précédente a découvert, le coût du transfert fait perdre précisément les détails nécessaires. > *"Simply put, the difference comes down to whether the intermediate work matters to your main thread."* ## [00:32] Tâches de recherche : garder l'exploration isolée La traçabilité de l'authentification est un exemple concret. Le thread principal a besoin de savoir où se produit la validation JWT, pas de connaître la douzaine de fichiers parcourus en chemin. Un sous-agent de recherche peut scanner l'ensemble du dépôt, suivre les appels de fonction entre fichiers et renvoyer une réponse unique et précise : la validation JWT se trouve dans middleware/auth.js à la ligne 42, appelée depuis route/api.js. Toute cette exploration reste enfermée dans le contexte du sous-agent. Le thread principal reçoit la conclusion et avance sans que l'historique de recherche n'encombre sa fenêtre. > *"Your main thread receives JWT validation happens in middleware/auth.js at line 42, called from the Express router and route/api.js, or something like that."* ## [01:15] Sous-agents de revue de code : un regard neuf Claude relire du code qu'il a contribué à écrire pose un problème de biais — il a assisté à chaque décision et ne peut pas facilement repérer ce qui paraît suspect de l'extérieur. Un sous-agent reviewer contourne entièrement cela : il ne voit que le diff et les fichiers modifiés, sans aucun historique sur la façon dont le code a évolué. Cette ardoise vierge crée un second avantage. Les critères de revue propres au projet — conventions de nommage, patterns de sécurité, règles architecturales — peuvent être encodés une fois dans le prompt système du sous-agent et appliqués de manière cohérente, sans que le thread principal ait à s'en souvenir tour après tour. > *"A reviewer sub agent sees the changes in a separate context. It runs get diff, reads the modified files, and applies its specialized review criteria without the history of how the code was written."* ## [01:59] Prompts système personnalisés : rédaction et style Le prompt par défaut de Claude Code est optimisé pour une sortie concise et technique — exactement ce qu'il ne faut pas pour une landing page ou un email marketing. Un sous-agent de rédaction reçoit des instructions complètement différentes sur le ton, le public et la structure, produisant un résultat que les réglages par défaut du thread principal ne génèreraient jamais. La même logique s'applique au CSS. Un sous-agent de style qui mentionne les fichiers de votre design system charge automatiquement variables de couleur, conventions d'espacement et patterns de composants dans son contexte avant d'écrire la moindre ligne, garantissant que chaque décision de style reflète le système réel plutôt que des suppositions raisonnables. > *"Claude Code's default prompt tends towards concise, technical writing, which really isn't what you want for a landing page or email campaign, unless you want to put your customers to sleep."* ## [02:57] Anti-patterns : expert claims, pipelines, test runners Trois patterns dégradent systématiquement les résultats. D'abord, les prompts de persona — « Tu es un expert Python » ou « Tu es un spécialiste Kubernetes » — n'apportent rien, car Claude dispose déjà de ces connaissances. Lancer un sous-agent simplement pour lui coller une étiquette d'expert gaspille le surcoût de l'isolation sans rien apporter que le thread principal ne puisse faire. Ensuite, les pipelines séquentiels s'effondrent dès que les étapes ne sont pas vraiment indépendantes. Un flux en trois agents — reproduire un bug, le déboguer, le corriger — paraît propre mais échoue en pratique : l'agent de débogage a besoin du contexte en direct de l'agent de reproduction, pas d'un résumé compressé. Enfin, les sous-agents test runner masquent activement de l'information. Quand les tests échouent, il faut la sortie brute pour diagnostiquer ce qui s'est passé. Un sous-agent qui renvoie seulement « test failed » oblige à écrire des scripts de débogage supplémentaires pour récupérer des détails que la sortie directe aurait montrés immédiatement. > *"A sub-agent that returns a test failed forces you to create additional debug scripts to get details that would have been visible in direct output."* ## [04:10] Récapitulatif et heuristique de décision clé En synthèse : les sous-agents sont des threads isolés créés avec /agents, conçus avec des sorties structurées et des descriptions précises. À utiliser pour la recherche, la revue de code et les tâches nécessitant un prompt système personnalisé. À éviter pour les revendications d'expertise, les pipelines multi-étapes dépendants et l'exécution de tests. Tout le framework se résume à une question : le travail intermédiaire compte-t-il ? Si la réponse est non, déléguez-le. > *"The key question, does the intermediate work matter? If not, then delegate it."* ## Entités - **Anthropic Tutorial Narrator** (Personne) : présentateur de la série de tutoriels Claude Code sur les sous-agents, Anthropic - **Claude Code** (Logiciel) : assistant de codage IA d'Anthropic ; l'environnement dans lequel les sous-agents sont créés et orchestrés - **Subagent** (Concept) : thread Claude isolé lancé depuis le contexte principal, renvoyant un résumé compressé plutôt qu'exposant son contexte de travail complet - **JWT (JSON Web Token)** (Concept) : utilisé comme exemple concret pour un sous-agent de recherche traçant la logique d'authentification dans un dépôt - **System prompt** (Concept) : jeu d'instructions par sous-agent permettant un comportement spécialisé différent du prompt par défaut de Claude Code - **Anthropic** (Organisation) : développeur de Claude et de la série de tutoriels Claude Code sur les sous-agents

Claude Code embarque des sous-agents natifs, mais les sous-agents personnalisés permettent de connecter un comportement spécialisé à des tâches précises. Ce tutoriel crée un sous-agent de révision de code de zéro — en parcourant la commande `/agents`, le choix des outils, le choix du modèle et les champs de configuration qui contrôlent quand et comment Claude délègue. ## [00:03] Ce que sont les sous-agents personnalisés Claude Code inclut des sous-agents natifs, mais vous pouvez aussi créer les vôtres, spécialisés dans des tâches particulières. Un sous-agent personnalisé est un fichier Markdown avec un front matter YAML : le front matter indique à Claude quand router vers cet agent et quelles capacités il possède, tandis que le corps Markdown constitue le prompt système sous lequel le sous-agent s'exécute. > *"Custom sub aents are markdown files with YAML front matter. These markdown files contain configuration that helps claude understand when to use the sub aent and provides directions to the sub aent itself."* ## [00:28] Créer un sous-agent avec /agents La commande `/agents` ouvre le panneau de gestion des agents. En sélectionnant « Créer un nouvel agent », deux questions sont posées : la portée (projet courant ou partagé sur tous les projets de la machine) et la méthode de génération. La voie recommandée est de laisser Claude générer automatiquement l'agent — dans le tutoriel, le narrateur saisit en langage naturel une demande de sous-agent chargé de réviser la qualité du code et les problèmes de sécurité, et Claude s'occupe du reste. > *"Now, the easiest way to create a sub agent is with the / agents command. Next, you can create a sub agent manually, but we recommend using claw code to automatically generate it for you."* ## [00:56] Configurer outils, modèle et couleur Avant que Claude génère le fichier, vous choisissez les outils auxquels le sous-agent peut accéder. Un agent de révision de code n'a pas strictement besoin des outils d'édition, mais laisser l'exécution activée lui permet d'inspecter plus facilement les modifications en attente. Après les outils, on choisit le modèle : haiku pour la vitesse, opus pour la profondeur d'analyse, sonnet pour un équilibre entre les deux. Dernier choix, une couleur qui apparaît dans l'interface pour repérer le sous-agent en un coup d'œil. > *"Now, given that our sub agent is only responsible for reviewing code, you might decide to disallow tools for editing, but I'll leave an execution to allow the sub agent to more easily identify pending changes."* ## [01:43] Comprendre le fichier de configuration Le fichier généré est enregistré dans le projet à l'emplacement affiché dans la fenêtre de résumé. Quatre champs sont essentiels. `name` est l'identifiant unique — vous pouvez l'invoquer en tapant `@agent-code-quality-reviewer` dans un message. `description` est ce que Claude lit pour décider de déléguer ; elle doit tenir sur une seule ligne (les caractères `\n` échappés sont littéraux). Ajouter « proactively » dans la description incite Claude à recourir plus souvent à l'agent ; des exemples de conversations rendent le routage plus précis. `tools` reflète les accès accordés lors de la génération, mais peut être édité directement dans le fichier. > *"If you want Claude to use the sub agent automatically more often, add in the word proactively to the description."* ## [02:41] Le prompt système et son utilisation par Claude Le champ `model` accepte `haiku`, `sonnet`, `opus` ou `inherit` — `inherit` fait tourner le sous-agent sur le même modèle que la conversation parente. Tout ce qui suit le front matter constitue le prompt système : il guide le sous-agent dans sa tâche et lui indique comment rendre les résultats à l'agent principal. > *"The system prompt will provide guidance to the sub agent, helping it understand how to complete its task and how it should return information back to the main agent."* ## [03:15] Tester votre sous-agent Une fois la configuration enregistrée, effectuez quelques modifications de code et demandez à Claude de les réviser. Si le sous-agent ne se déclenche pas au moment attendu, le champ `description` est le premier endroit à ajuster — des exemples plus précis affinent la compréhension de Claude quant au moment de déléguer. > *"If the sub agent isn't being used when you expect, check your description. Adding more specific examples helps Claude understand when to delegate."* ## Entités - **Anthropic Tutorial Narrator** (Personne) : seul présentateur de cet épisode ; anime la série de tutoriels Claude Code subagents sur la chaîne YouTube officielle d'Anthropic - **Claude Code** (Logiciel) : assistant de codage IA d'Anthropic ; prend en charge les sous-agents natifs et les sous-agents personnalisés créés par l'utilisateur - **Custom subagent** (Concept) : fichier Markdown avec front matter YAML qui configure Claude Code pour déléguer des tâches spécifiques à une instance d'agent spécialisé - **/agents command** (Concept) : point d'entrée UI de Claude Code pour créer et gérer les sous-agents ; portée projet ou globale - **System prompt** (Concept) : corps Markdown du fichier de configuration d'un sous-agent ; fournit au sous-agent ses instructions de tâche et de format de sortie à l'exécution - **Anthropic** (Organisation) : créateur de Claude et de la plateforme Claude Code

Ce tutoriel de la série Claude Code d'Anthropic présente quatre patterns concrets qui distinguent les sous-agents fiables de ceux qui dérivent, se bloquent ou modifient des fichiers qu'ils ne devraient pas toucher. Le narrateur passe en revue chaque pattern avec un sous-agent de revue de code et un sous-agent de recherche web comme exemples fil rouge, en montrant précisément quels paramètres ajuster et pourquoi. ## [00:03] Contrôler le comportement du sous-agent via le nom et la description Chaque message envoyé à l'agent principal inclut le nom et la description de chaque sous-agent enregistré dans le prompt système. La description remplit donc deux fonctions : indiquer à l'orchestrateur *quand* lancer le sous-agent, et fournir le modèle qu'il utilise pour rédiger le prompt d'entrée. Le tutoriel illustre cela avec un sous-agent de revue de code. Dans la configuration d'origine, l'orchestrateur rédige un prompt générique qui demande au sous-agent d'appeler lui-même `git diff`. En modifiant la description pour préciser « vous devez indiquer à l'agent exactement quels fichiers vous voulez qu'il examine », la sélection des fichiers devient la responsabilité de l'orchestrateur — la prochaine exécution produit un prompt d'entrée nettement plus spécifique. Le même levier fonctionne avec les sous-agents de recherche web : ajouter « renvoyer des sources citables » à la description amène le fil principal à inclure automatiquement cette instruction lors de chaque délégation. > *"If you want to better control when the main agent launches a sub agent automatically, you should modify the name and description."* ## [01:41] Définir le format de sortie Le narrateur identifie le format de sortie comme l'amélioration la plus impactante disponible. Sans format défini, un sous-agent n'a pas de signal clair pour savoir quand il en a fait assez — il continue à tourner, accumule du contexte et consomme des tokens inutilement. Un format de sortie structuré crée un point d'arrêt naturel : dès que les champs obligatoires sont remplis, le sous-agent sait qu'il a terminé. Concrètement, cela revient à ajouter un schéma explicite — bloc de résumé, liste de résultats, champ de statut — directement dans le prompt système du sous-agent. > *"Without a defined output format, sub agents struggle to decide when enough research has been done and they tend to run much much longer than sub agents that are given an output format."* ## [02:04] Signaler les obstacles dans le résumé Quand un sous-agent résout un problème — un conflit de dépendances, une commande nécessitant des flags inattendus, une particularité d'environnement — le fil principal doit disposer de cette information, sinon il se heurtera au même obstacle à l'étape suivante. La solution consiste à exiger le signalement des obstacles dans le format de sortie lui-même. Le narrateur liste les catégories qui doivent toujours remonter : obstacles rencontrés, problèmes d'installation, contournements trouvés, commandes ayant nécessité des flags ou une configuration particulière, et dépendances ou imports ayant posé problème. Les intégrer dans le schéma de sortie obligatoire permet au fil principal d'hériter des découvertes du sous-agent plutôt que de les retrouver par lui-même. > *"Otherwise, the main thread has to rediscover the same solutions, obstacles encountered, any setup issues, workarounds discovered or environment quirks, commands that needed special flags or configuration, dependencies or imports that cause problems."* ## [02:42] Limiter l'accès aux outils par rôle L'accès aux outils n'est pas seulement un contrôle de sécurité — c'est aussi un outil de clarté. Un sous-agent en lecture seule disposant uniquement de `glob`, `grep` et `read` ne peut pas accidentellement modifier des fichiers, ce qui rend son rôle sans ambiguïté pour quiconque lit la configuration. Le narrateur associe trois niveaux d'accès à trois rôles de sous-agent : un sous-agent de recherche n'a besoin que de l'accès en lecture, car explorer le code ne nécessite pas d'écriture ; un sous-agent de revue obtient `bash` pour `git diff` mais toujours pas d'outils d'édition ; seuls les sous-agents explicitement chargés de modifier le code — comme un sous-agent appliquant des mises à jour CSS — reçoivent `edit` et `write`. Avec plusieurs sous-agents en jeu, la liste d'outils devient un résumé lisible par machine de ce que chacun est censé faire. > *"Only give edit and write to sub agents that should actually change your code, like a styling agent applying CSS updates."* ## [03:27] Les quatre patterns d'un sous-agent efficace Le tutoriel se conclut par un récapitulatif en une phrase des quatre patterns : sortie structurée, signalement des obstacles, descriptions précises et accès aux outils restreint. Chaque pattern renforce les autres — les descriptions précises réduisent l'ambiguïté des prompts d'entrée, les formats de sortie créent des points d'arrêt, le signalement des obstacles préserve le contexte entre les frontières d'agents, et l'accès minimal aux outils prévient les effets de bord qui aggraveraient l'ambiguïté résiduelle. > *"So effective sub agents use structured output report obstacles have specific descriptions and limit tool access."* ## Entités - **Anthropic Tutorial Narrator** (Personne) : animateur de la série de tutoriels Claude Code subagents, intervenant au nom d'Anthropic - **Claude Code** (Logiciel) : outil de codage agentique d'Anthropic qui orchestre des sous-agents pour accomplir des tâches d'ingénierie en plusieurs étapes - **Subagent** (Concept) : instance Claude spécialisée lancée par un agent orchestrateur, dotée de son propre prompt système, de ses accès aux outils et de son prompt d'entrée - **Format de sortie** (Concept) : schéma obligatoire défini dans le prompt système d'un sous-agent, créant une condition d'arrêt et structurant les informations renvoyées au fil principal - **Signalement des obstacles** (Concept) : pattern consistant à exiger des sous-agents qu'ils remontent contournements, problèmes de dépendances et particularités d'environnement dans leur sortie, afin que l'orchestrateur n'ait pas à les redécouvrir - **Restriction de l'accès aux outils** (Concept) : limitation de chaque sous-agent aux seuls outils requis par son rôle — lecture seule pour la recherche, bash pour la revue, edit/write uniquement pour les agents devant modifier des fichiers - **Anthropic** (Organisation) : créateur de Claude et de la plateforme de codage agentique Claude Code

Les sous-agents sont des assistants spécialisés auxquels Claude Code peut déléguer des tâches — chacun s'exécute dans sa propre fenêtre de contexte isolée, accomplit son travail de façon autonome, puis renvoie un résumé ciblé pendant que toute la trace intermédiaire est effacée. Ce tutoriel de deux minutes produit par Anthropic explique pourquoi cet isolement est essentiel pour maintenir la fenêtre de contexte principale utilisable, illustre le compromis via un scénario d'exploration de code, et liste les sous-agents intégrés fournis avec Claude Code. ## [00:03] Ce que sont les sous-agents Un sous-agent s'exécute dans sa propre fenêtre de contexte de conversation, initialisée avec un system prompt personnalisé que vous définissez. L'agent parent (Claude Code dans le fil principal) lui confie une description de tâche basée sur votre demande. Le sous-agent l'exécute de façon autonome, puis renvoie un résumé au fil principal — tout le travail intermédiaire reste isolé. > *"Sub-agents are specialized assistants that Claude can delegate tasks to."* Point de conception essentiel : une fois le sous-agent terminé, l'intégralité de son fil de conversation est définitivement effacée. Seul le résumé renvoyé subsiste dans la conversation principale. ## [00:24] Gérer la fenêtre de contexte Chaque appel d'outil effectué par Claude dans le fil principal — lectures de fichiers, recherches, traces de fonctions — s'accumule dans la fenêtre de contexte principale. Sur une longue session, elle se remplit rapidement. Les sous-agents existent précisément pour délester les tâches de recherche ou d'action discrètes, sans que ce coût ne s'impute sur la fenêtre principale. > *"Each sub-agent runs in its own conversation contacts window with a custom system prompt that you define."* Le compromis est explicite : la fenêtre principale gagne un contexte propre, mais perd toute visibilité sur la façon dont le sous-agent est parvenu à ses conclusions et ce qu'il a découvert en chemin. Vous obtenez la réponse, pas la trace du raisonnement. ## [01:13] Un exemple concret : le système de paiement Imaginez que vous utilisez Claude Code pour identifier quel service gère les remboursements dans une base de code inconnue. Sans sous-agent, Claude pourrait lire 15 fichiers, lancer plusieurs recherches et parcourir de nombreux appels de fonctions — tout cela remplirait la fenêtre de contexte principale alors que vous n'aviez besoin que d'un seul fait. > *"With a sub-agent, you get the answer without the journey."* Le sous-agent explore la base de code, trouve la réponse et renvoie un résumé ciblé — en gardant votre contexte principal propre. La visibilité perdue en est le prix : vous ne verrez pas quels fichiers il a lus ni quelles traces il a suivies pour y parvenir. ## [02:00] Les sous-agents intégrés de Claude Code Claude Code est livré avec trois sous-agents intégrés, prêts à l'emploi : - **Sous-agent général** — pour les tâches en plusieurs étapes nécessitant à la fois exploration et action. - **Sous-agent Explore** — recherche rapide dans les bases de code, sans la surcharge d'une boucle de tâche complète. - **Sous-agent Plan** — s'exécute en mode plan pour analyser la base de code avant de vous présenter un plan. > *"And you can also create your own sub-agents with custom system prompts and tool access."* Au-delà de ces trois sous-agents, vous pouvez définir des sous-agents personnalisés avec leurs propres system prompts et listes d'accès aux outils, adaptés à des workflows spécifiques. ## [02:30] Quand utiliser les sous-agents Les sous-agents sont utiles dès que vous avez une question ou une tâche discrète et autonome qui, autrement, déverserait beaucoup de contexte intermédiaire dans votre fenêtre principale. > *"Sub-agents like Claude Code break work into focused pieces, keep your main context window clean, and bring back just what you need, whether you're using the built-in ones or creating your own."* Ils sont particulièrement précieux lors de longues sessions Claude Code où la pression sur la fenêtre de contexte s'accumule — déléguer une sous-tâche à un sous-agent plutôt que de la laisser se déployer dans le fil principal prolonge directement la durée effective d'une session. ## Entités - **Anthropic Tutorial Narrator** (Personne) : narrateur de la série de tutoriels "Claude Code subagents" produite par Anthropic - **Claude Code** (Logiciel) : assistant de codage agentique d'Anthropic ; l'environnement hôte dans lequel les sous-agents opèrent - **Claude** (Logiciel) : le modèle d'IA sous-jacent qui propulse Claude Code et ses sous-agents - **Sous-agent** (Concept) : assistant spécialisé auquel Claude Code délègue des tâches, s'exécutant dans une fenêtre de contexte isolée avec son propre system prompt - **Fenêtre de contexte** (Concept) : le tampon de tokens fini contenant tout l'historique de conversation, les appels d'outils et leurs résultats ; les sous-agents empêchent qu'il se remplisse de travail intermédiaire - **Sous-agent général** (Logiciel) : sous-agent intégré de Claude Code pour les tâches d'exploration et d'action en plusieurs étapes - **Sous-agent Explore** (Logiciel) : sous-agent intégré de Claude Code optimisé pour la recherche rapide dans les bases de code - **Sous-agent Plan** (Logiciel) : sous-agent intégré de Claude Code qui analyse la base de code en mode plan avant de présenter un plan - **Anthropic** (Organisation) : créateur de Claude et Claude Code ; producteur de cette série de tutoriels

Tao et Dwarkesh prennent la découverte des lois du mouvement planétaire par Kepler comme prisme pour examiner ce que l'IA change réellement en science. Tao soutient que la génération d'hypothèses est désormais quasi gratuite, et que le goulot d'étranglement se déplace vers l'évaluation, la relecture par les pairs et l'épreuve du temps. Les IA actuelles excellent en largeur (tester toutes les techniques standard sur chaque problème) tandis que les humains excellent en profondeur (construire cumulativement sur des avancées partielles) — les configurations hybrides domineront les mathématiques pendant encore au moins une décennie. ## [00:00] Kepler était un LLM à haute température Tao retrace comment Kepler est parvenu aux trois lois du mouvement planétaire. Kepler est parti d'une théorie fausse mais élégante — les solides platoniciens inscrits entre les orbites des planètes — qu'il n'a abandonnée qu'après des années à broyer les observations à l'oeil nu de Tycho Brahe. Les ellipses, la loi des aires et la loi harmonique sont sorties d'une décennie d'analyse de données ; Newton n'a fourni l'explication qu'un siècle plus tard. La lecture de Dwarkesh : Kepler ressemble à un LLM à haute température qui explore des relations aléatoires sur un jeu de données vérifiable. Tao accepte la mécanique mais conteste l'identification du goulot. La génération d'idées était déjà bon marché — Kepler ne manquait pas de théories. Ce dont il avait besoin, c'était des données de Brahe, un ordre de grandeur meilleures, et la patience d'écarter ce que les données invalidaient. > *Mais comme vous le dites, cela doit être équilibré par une quantité égale de vérification, sinon c'est du contenu sans valeur.* ## [11:44] Comment repérer un concept unificateur dans des masses de contenu IA médiocre ? Tao : si l'IA a ramené le coût de génération d'idées à presque zéro, la relecture par les pairs et l'épreuve du temps deviennent la nouvelle contrainte. Les revues sont déjà submergées de soumissions générées par l'IA. La valeur d'une idée dépend de ce que la science ultérieure en fait — Copernic était moins précis que Ptolémée jusqu'à ce que Kepler complète le tableau — et cette évaluation est difficile à automatiser de l'intérieur du moment présent. Dwarkesh demande comment la science identifierait un concept unificateur de type Bell Labs (le bit de Shannon, le transformer) enfoui dans des millions d'articles médiocres. La réponse de Tao pointe vers ce qui restera peut-être humain : les scientifiques ne produisent pas seulement des théories, ils racontent des histoires qui convainquent d'autres scientifiques d'y consacrer des années. La prose de Darwin a fait le travail que les équations latines de Newton n'ont pas fait. > *L'IA a ramené le coût de génération d'idées à presque zéro, de la même façon qu'internet a ramené le coût de la communication à presque zéro.* ## [26:10] L'arriéré déductif Tao sur le signal sous-exploité dans les données existantes. L'astronomie est depuis des siècles la discipline qui extrait le maximum d'informations à partir d'un minimum de données — ce qui explique aussi pourquoi les fonds quantitatifs recrutent préférentiellement des docteurs en astronomie. Il donne un exemple favori : des chercheurs ont mesuré à quelle fréquence les scientifiques lisent réellement les articles qu'ils citent, en suivant quelles coquilles se propageaient dans les chaînes de citation. Il suggère d'appliquer ce même traitement sociologique des sciences aux progrès de l'IA elle-même — en exploitant les schémas de citation, les mentions aux conférences et d'autres traces pour détecter si un résultat a vraiment constitué un progrès, plutôt que d'attendre lentement l'épreuve du temps. > *Un enseignement était que l'arriéré déductif dans de nombreux domaines pourrait être bien plus grand que ce que les gens réalisent.* ## [30:31] Le biais de sélection dans les découvertes rapportées par l'IA L'IA a résolu environ 50 des 1 100 problèmes d'Erdős, puis a plafonné. Tao explique l'effet de sélection : ces 50 problèmes avaient une littérature quasi inexistante — une technique obscure plus un résultat connu suffisait, et les outils IA excellent à "essayer toutes les combinaisons standard". Quand 80 % du travail est déjà accompli par les méthodes existantes, l'IA passe. Quand il faut une technique genuinement nouvelle, les outils calent, et le taux de réussite par problème dans des balayages systématiques est de 1 à 2 %. La métaphore de Tao : les outils IA sont des robots sauteurs lâchés dans une chaîne de montagnes, dans le noir. Ils franchissent des murs courts que les humains ne peuvent pas atteindre, mais ne peuvent pas s'accrocher à une prise, rester là et se hisser à partir d'une progression partielle. La lecture optimiste — une fois qu'une IA atteint un certain niveau, on peut lancer un million de copies en parallèle sur un million de problèmes, ce qu'aucune communauté humaine ne peut faire — est aussi la raison structurelle pour laquelle la science a besoin de nouveaux paradigmes qui exploitent vraiment la largeur. > *Elles excellent en largeur, et les humains excellent en profondeur, les experts humains en tout cas.* ## [46:43] L'IA rend les articles plus riches et plus larges, mais pas plus profonds Tao sur sa propre façon de travailler : les articles portent désormais plus de code, plus de figures, des revues de littérature plus approfondies, parce que les tâches auxiliaires sont devenues environ 5 fois moins coûteuses. Le vrai coeur — résoudre la partie la plus difficile d'un problème — se passe toujours avec un stylo et du papier. Il hésiterait à se dire "2 fois plus productif" parce que la mesure n'est pas unidimensionnelle ; ce qui a changé, c'est le type d'article qu'il écrit, pas la vitesse à laquelle il répond à la question initiale. La distinction entre habileté et intelligence aboutit au même endroit. Quand deux humains collaborent sur un problème de mathématiques, chaque prototype raté devient un point d'appui pour le suivant. Avec les IA actuelles, une nouvelle session oublie ce que la précédente a compris. L'étape cumulative de progression est manquante — il ne reste que l'essai-erreur brut et, au bout du compte, l'absorption dans le prochain cycle d'entraînement. > *Cela a rendu les articles plus riches et plus larges, mais pas nécessairement plus profonds.* ## [53:00] Si l'IA résout un problème, les humains peuvent-ils en tirer une compréhension ? Une IA pourrait-elle prouver l'hypothèse de Riemann en Lean en nous laissant aussi ignorants qu'avant ? Tao n'est pas inquiet. Lean a la propriété que toute preuve peut être décomposée atomiquement — chaque lemme peut être inspecté, testé en ablation et vérifié isolément. Même une preuve générée de 3 000 lignes devient une matière première : d'autres IA peuvent la refactoriser pour l'élégance, d'autres humains peuvent en extraire le contenu conceptuel, et l'artefact reste utile même si la dérivation originale était opaque. Il prédit l'émergence d'une profession entière de mathématiciens dont le travail consiste à démonter de grandes preuves générées par Lean et à en extraire les idées — une sorte d'archéologie des preuves, alliant jugement humain et outils d'ablation IA. > *On tirera bien plus parti de l'interaction entre humains qui collaborent avec ces outils.* ## [59:20] Il nous faut un langage semi-formel pour la façon dont les scientifiques se parlent vraiment Dwarkesh demande à quoi ressemblerait un langage semi-formel pour les stratégies mathématiques (par opposition aux preuves mathématiques). Tao retrace la question à travers le théorème des nombres premiers de Gauss — la première grande conjecture statistique en mathématiques, dérivée de données brutes avant toute preuve — et à travers la conjecture des nombres premiers jumeaux, que les mathématiciens croient parce que le modèle aléatoire des nombres premiers la prédit. Les mathématiques ont à la fois des preuves rigoureuses et des heuristiques rigoureuses ; seul le côté des preuves a été formalisé dans quelque chose que Lean peut vérifier. La raison pour laquelle le côté heuristique n'a pas été formalisé : tout évaluateur vérifiable par RL devient une cible d'exploitation, et la part subjective de "cet argument est convaincant" n'admet pas encore de cadre exploitable. Tao aimerait un moyen d'évaluer la génération de conjectures et la sélection de stratégies à grande échelle, peut-être en faisant tourner de petites IA dans des univers mathématiques jouets et en observant les stratégies qui émergent. > *Il y a une dimension subjective de la science que nous ne savons pas capturer d'une façon qui nous permettrait d'y insérer l'IA utilement.* ## [69:48] Comment Terry organise son temps Tao sur la façon dont il absorbe de nouveaux sous-domaines. Il se situe comme un renard au sens de Berlin — un peu de tout, parfois hérisson quand c'est nécessaire. Le moteur est une obsession perfectionniste : si un autre mathématicien peut prouver un résultat avec une technique qu'il ne connaît pas, il doit comprendre ce qu'était l'astuce. (Il a dû arrêter les jeux vidéo pour la même raison.) La collaboration avec d'autres mathématiciens est le principal vecteur, et écrire sur son blog est l'aide-mémoire qu'il a développé après avoir trop souvent perdu des arguments six mois après les avoir dérivés. Dans son agenda, Tao ménage délibérément de la place pour la sérendipité. Il ne voudrait pas optimiser son temps au point de ne jamais se retrouver dans une réunion hors de sa zone de confort. L'année qu'il a passée à l'Institute for Advanced Study lui a confirmé le piège — deux semaines de recherche pure étaient formidables, puis l'inspiration s'épuisait. La découverte accidentelle au rayon suivant de la bibliothèque, la conversation de couloir, la réunion à laquelle il assistait à contrecoeur faisaient plus de travail qu'elles n'y paraissaient. > *Ces interactions fortuites peuvent ne pas sembler optimales, mais elles sont en réalité vraiment importantes.* ## [77:05] Les hybrides humain-IA domineront les mathématiques encore longtemps Quand l'IA fera-t-elle les mathématiques seule ? Tao recadre la question : l'IA fait déjà des mathématiques que les humains ne peuvent pas faire, depuis les calculatrices, juste sur une frontière différente. D'ici une décennie environ, il s'attend à ce qu'une grande partie de ce que font actuellement les étudiants en doctorat — appliquer des techniques standard, éplucher la littérature — passe à l'IA, mais le domaine montera d'un niveau, comme lorsque les systèmes de calcul formel ont absorbé l'intégration symbolique. La génétique n'a pas pris fin quand le séquençage est devenu bon marché ; elle a mis à l'échelle des écosystèmes entiers. Les mathématiques feront de même. Son conseil aux étudiants qui entrent en mathématiques maintenant : tabler sur le changement, mais obtenir ses diplômes à l'ancienne — pour l'instant, il n'y a toujours pas de substitut au parcours mathématique traditionnel. En même temps, rester assez adaptable pour pouvoir utiliser des modes de recherche entièrement nouveaux à mesure qu'ils apparaissent, y compris ceux qui n'existent pas encore. Le fait inédit est qu'avec les outils IA et Lean, un lycéen peut contribuer à de vraies recherches mathématiques aujourd'hui, ce qui n'était pas vrai il y a cinq ans. > *Je crois effectivement que les hybrides humain plus IA domineront les mathématiques encore longtemps.* ## Entités - **Terence Tao** (Personne) : Médaillé Fields (2006), mathématicien à l'UCLA, écrit régulièrement sur le rôle de l'IA dans la recherche mathématique. - **Dwarkesh Patel** (Personne) : Animateur du Dwarkesh Podcast ; entretiens approfondis sur l'IA, la science et la technologie. - **Johannes Kepler** (Personne) : Astronome (1571-1630) qui a dérivé les trois lois du mouvement planétaire à partir des observations de Tycho Brahe. - **Tycho Brahe** (Personne) : Astronome danois à l'oeil nu dont des décennies d'observations planétaires ont constitué le jeu de données dont Kepler avait besoin. - **Lean** (Logiciel) : Assistant de preuve dans lequel les preuves mathématiques sont formalisées et peuvent être vérifiées, décomposées et testées en ablation atomiquement. - **Problèmes d'Erdős** (Concept) : Les quelque 1 100 problèmes ouverts posés par Paul Erdős ; l'IA en a résolu environ 50, presque tous avec une littérature préalable quasi inexistante. - **L'arriéré déductif** (Concept) : L'idée que les données existantes encodent déjà bien plus de connaissances dérivables que ce qui a été extrait, avec l'astronomie comme modèle. - **Hypothèse de Riemann** (Concept) : Conjecture non résolue sur la distribution des nombres premiers ; le cas test pour savoir si une preuve IA ferait avancer la compréhension mathématique humaine.

Les skills Claude Code sont des fichiers Markdown réutilisables qui encodent une connaissance spécialisée une seule fois — Claude les active ensuite automatiquement dès qu'une requête correspond, sans que l'utilisateur ait besoin de répéter des instructions ou de taper une commande slash. Ce tutoriel de trois minutes explique ce que sont les skills, où ils résident, en quoi ils diffèrent des fichiers CLAUDE.md, et quel signal indique qu'il est temps d'en écrire un. ## [00:03] Le problème de répétition que les skills résolvent Chaque fois que vous expliquez les normes de codage de votre équipe, que vous redécrivez le format souhaité pour les retours de PR, ou que vous rappelez à Claude votre format de commit préféré, vous vous répétez. Le narrateur enchaîne trois exemples pour nommer précisément le point de friction que les skills adressent. > *"Every time you explain your team's coding standards to Claude, you're repeating yourself."* ## [00:20] Ce qu'est un skill et comment Claude en sélectionne un Un skill est un fichier Markdown qui apprend à Claude comment faire quelque chose, une fois pour toutes. Claude retient l'instruction, puis l'applique automatiquement dès que la situation le requiert. Dans Claude Code, ce fichier s'appelle SKILL.md. Le champ description à l'intérieur est le mécanisme clé : quand vous demandez à Claude de revoir une PR, il compare votre requête à toutes les descriptions de skills disponibles et active celle qui correspond. > *"Claude reads your request, compares it to all available skill descriptions, and activates the ones that match."* ## [01:05] Où stocker les skills : personnel ou projet Les skills ont deux emplacements selon qui doit en bénéficier. Les skills personnels vont dans `~/.claude/skills` et vous suivent d'un projet à l'autre : style de commit, format de documentation, manière dont vous aimez qu'on vous explique le code. Les skills de projet vont dans `.claude/skills` à la racine du dépôt ; quiconque clone le dépôt les obtient automatiquement. C'est là que vivent les standards d'équipe : charte graphique, polices et couleurs pour le web design. > *"Anyone who clones the repository gets these skills automatically."* ## [01:42] Skills vs CLAUDE.md : déclenchement automatique et efficacité du contexte Claude Code propose plusieurs couches de personnalisation, et les skills occupent une niche bien distincte. Les fichiers CLAUDE.md se chargent dans chaque conversation sans condition, idéaux pour des règles comme « toujours utiliser le mode strict TypeScript ». Les skills se chargent à la demande, uniquement quand ils correspondent à la requête en cours, et seuls le nom et la description entrent dans le contexte à ce stade. Le corps complet du skill ne se charge qu'une fois déclenché. La checklist de revue de PR n'encombre donc pas le contexte pendant un débogage ; elle n'est tirée que lorsque vous demandez explicitement une revue. Les commandes slash nécessitent une saisie manuelle ; les skills, non. > *"Skills are unique because they're automatic and task-specific."* ## [02:27] Quand écrire un skill Les skills fonctionnent le mieux pour une connaissance spécialisée liée à des tâches précises : les normes de revue de code de l'équipe, les formats de commit, les chartes graphiques. La règle finale est franche et pratique : si vous vous retrouvez à expliquer la même chose à Claude encore et encore, c'est un skill qui attend d'être écrit. > *"If you find yourself explaining the same thing to Claude repeatedly, well, that's a skill waiting to be written."* ## Entités - **Anthropic Tutorial Narrator** (Personne) : narrateur et animateur de la série de tutoriels Claude Code skills - **Claude Code** (Logiciel) : assistant de codage AI d'Anthropic ; l'environnement d'exécution où les skills sont découverts et appliqués - **SKILL.md** (Concept) : le fichier Markdown qui définit un skill — contient un nom, une description et des instructions pour Claude - **CLAUDE.md** (Concept) : fichier d'instructions au niveau du projet ou global qui se charge dans chaque conversation Claude Code sans condition, en contraste avec les skills - **Anthropic** (Organisation) : créateur de Claude et de Claude Code

Un skill de revue de PR utilisé par un seul ingénieur est utile ; le même skill déployé à l'échelle d'une équipe standardise la revue de code et garantit une expérience uniforme dans toute l'organisation. Ce tutoriel présente quatre méthodes de distribution concrètes — commits dans le dépôt, plugins, paramètres d'entreprise gérés et sous-agents personnalisés — en expliquant précisément quand chacune s'applique. La section sur les sous-agents contient un point non évident : les sous-agents n'héritent pas automatiquement des skills, et les agents intégrés n'y ont absolument pas accès. ## [00:01] Pourquoi le partage multiplie la valeur des skills Un skill qui reste chez un seul développeur remplit son rôle. Le même skill poussé à une équipe ancre des standards, élimine les variations individuelles et uniformise l'apparence et le ressenti de chaque revue. Le tutoriel s'ouvre sur un contraste direct entre usage individuel et usage à l'échelle d'une équipe, avant d'introduire les quatre mécanismes de partage. > *"A PR review skill that only you use is helpful. The same skill shared across your team standardizes code review and provides a consistent experience amongst your organization which is much better."* ## [00:18] Ajouter des skills à votre dépôt La méthode la plus simple : placer les skills dans `.claude/skills` au sein du dépôt du projet. Quiconque clone le dépôt les obtient immédiatement — aucune étape d'installation, aucun outil supplémentaire. Les mises à jour transitent par le cycle habituel de `git pull`. Cette approche convient aux standards de code d'équipe, aux workflows propres à un projet et aux skills qui référencent la structure du code. > *"Anyone who clones the repository gets these skills automatically. No extra installation, it's just what you're doing already."* ## [00:45] Distribuer des skills via des plugins Les plugins étendent Claude Code avec des fonctionnalités personnalisées conçues pour voyager au-delà d'un seul projet. Au sein du projet de plugin, un répertoire `skills/` reproduit la structure de `.claude/` — nom du skill, `SKILL.md`. Une fois publié sur un marketplace, n'importe quel utilisateur de Claude Code peut télécharger et activer le plugin. Ce canal est idéal pour les skills assez généraux pour servir la communauté au sens large plutôt que les conventions d'une seule équipe. > *"Think of plugins as ways to extend Claude Code with custom functionality, but designed to be shared across teams and projects."* ## [01:26] Déploiement à l'échelle de l'entreprise via les paramètres gérés Les administrateurs peuvent pousser des skills à chaque développeur de l'organisation via les paramètres gérés. Les skills d'entreprise ont la priorité la plus haute : ils écrasent les skills personnels, de projet et de plugin portant le même nom. L'usage prévu concerne les standards obligatoires — exigences de sécurité, workflows de conformité, pratiques de codage qui doivent être uniformes. Le narrateur insiste sur le mot « must » : ce ne sont pas des suggestions. > *"This is for mandatory standards, security requirements, compliance workflows, or coding practices that must be consistent across the organization."* ## [01:52] Sous-agents personnalisés et chargement explicite des skills Les sous-agents n'héritent pas des skills de la conversation principale. Les agents intégrés (explorer, planner, verify) ne peuvent pas accéder aux skills du tout. Seuls les sous-agents personnalisés — définis par un fichier `agent.md` dans `.claude/agents` — peuvent utiliser des skills, et uniquement ceux listés explicitement dans le champ `skills:` de ce fichier. Les skills se chargent au démarrage du sous-agent, pas à la demande, donc la liste doit rester concise : uniquement les skills toujours pertinents pour la mission de l'agent. Le tutoriel montre comment créer un sous-agent avec l'outil de création de sous-agents Claude Code et comment rattacher des skills à un `agent.md` existant. > *"Built-in agents like the explorer, planner, and verify can't access skills at all. Only custom sub-agents you define can use them, and only when you explicitly list them."* ## [03:18] Récap : choisir la bonne méthode de distribution La conclusion associe chaque méthode à son scénario : répertoires de projet pour l'accès en équipe, plugins pour le partage inter-dépôts, déploiement en entreprise pour les standards obligatoires à l'échelle de l'organisation, et listes de skills dans les sous-agents pour la délégation isolée de tâches. Le rappel sur les sous-agents revient une dernière fois — ne lister que les skills toujours pertinents pour un agent donné, car ils se chargent au démarrage, pas en différé. > *"Share skills through project directories for team access, plugins for cross-repository distribution, or enterprise deployment for organization-wide standards."* ## Entités - **Narrateur du tutoriel Anthropic** (Personne) : présentateur unique de la série de tutoriels Claude Code skills - **Claude Code** (Logiciel) : assistant de programmation IA d'Anthropic ; environnement d'exécution où les skills sont créés et déployés - **Skills** (Concept) : ensembles d'instructions réutilisables placés dans `.claude/skills` qui étendent le comportement de Claude Code - **Plugins** (Concept) : packages distribuables qui regroupent des skills pour les partager entre équipes et utilisateurs du marketplace - **Managed settings** (Concept) : mécanisme administrateur d'entreprise pour déployer des skills à l'échelle de l'organisation avec la priorité maximale - **Sub-agents** (Concept) : agents Claude Code personnalisés définis via `agent.md` dans `.claude/agents` ; seul type d'agent pouvant charger des skills, et uniquement quand ils sont explicitement listés - **Anthropic** (Organisation) : entreprise qui a créé Claude Code et produit la série de tutoriels Claude Code skills

Un tutoriel de quatre minutes issu de la série Claude Code skills, consacré aux champs de configuration avancés qui transforment un skill basique en outil fiable et économe en contexte. Le présentateur passe en revue l'ensemble des champs définis par agentskills.io — `name`, `description`, `allowed_tools`, `model` — puis explique comment structurer les skills de grande taille grâce à la divulgation progressive, afin que les ressources de référence et les scripts ne se chargent que lorsque la requête de l'utilisateur le nécessite réellement. ## [00:02] Panorama des champs avancés d'un skill Le standard ouvert agentskills.io définit plusieurs champs au-delà des obligatoires `name` et `description`. `name` doit être en minuscules avec des tirets, limité à 64 caractères et correspondre exactement au nom du répertoire. `description` peut aller jusqu'à 1 024 caractères et constitue le principal signal utilisé par Claude pour associer un skill à une requête. Deux champs optionnels complètent la configuration : `allowed_tools`, qui restreint les outils que le skill peut invoquer, et `model`, qui épingle le skill à une version précise de Claude. > *"Un skill basique fonctionne avec seulement un name et une description, mais voici quelques conseils avancés pour rendre vos skills vraiment efficaces dans Claude Code."* ## [00:39] Rédiger des descriptions efficaces Une description vague — « help with dogs » — laisse Claude deviner le périmètre et les conditions de déclenchement du skill. Une bonne description répond à exactement deux questions : que fait ce skill, et quand Claude doit-il l'utiliser ? Aligner les mots-clés sur la formulation naturelle des requêtes utilisateurs est le levier pour corriger les skills qui ne se déclenchent pas. > *"Une bonne description répond à deux questions : que fait ce skill ? Et quand Claude doit-il l'utiliser ?"* ## [01:20] Restreindre les outils avec allowed_tools `allowed_tools` est le mécanisme pour confiner un skill à une surface d'opération définie — accès en lecture seule pour les flux de travail sensibles, par exemple. Lorsque ce champ est renseigné, Claude ne peut appeler que ces outils sans demander de permission ; édition, écriture et Bash sont exclus. Omettre le champ laisse intact le modèle de permissions habituel de Claude. > *"Lorsque ce skill est actif, Claude ne peut utiliser que ces outils sans demander de permission. Ni édition, ni écriture, ni commandes bash."* ## [01:49] Divulgation progressive pour les skills multi-fichiers Les skills partagent la fenêtre de contexte de Claude avec la conversation en cours. Concentrer tout le contenu dans un `SKILL.md` de 20 000 lignes gonfle le contexte à chaque invocation et rend le fichier pénible à maintenir. La solution : placer les instructions essentielles dans `SKILL.md` et déplacer les ressources de référence dans des fichiers séparés, que Claude ne lit que lorsque la requête le justifie. Le standard recommande trois répertoires d'appui — `scripts/` pour le code exécutable, `references/` pour la documentation, `assets/` pour les images et les modèles. Un lien dans `SKILL.md` joue le rôle d'une entrée de table des matières ; si le sujet ne surgit pas, le fichier n'est jamais chargé. Les scripts du répertoire d'un skill s'exécutent sans que leur source soit chargée dans le contexte — seule leur sortie consomme des tokens. Le présentateur recommande de maintenir `SKILL.md` sous 500 lignes ; dépasser ce seuil est le signe qu'il faut découper le skill. > *"C'est comme avoir une table des matières dans la fenêtre de contexte plutôt que d'y faire tenir le document entier."* ## [03:18] Récapitulatif : métadonnées et bonnes pratiques Le tutoriel se conclut en rappelant l'ensemble des champs de configuration : `name` et `description` sont obligatoires ; `allowed_tools` restreint la surface d'outils ; `model` épingle la version de Claude. Les descriptions doivent contenir des verbes d'action précis et des formules de déclenchement pour matcher de manière fiable. Pour les skills de grande taille, la divulgation progressive maintient `SKILL.md` sous 500 lignes et reporte le chargement des fichiers d'appui jusqu'au moment où ils sont réellement nécessaires. Les scripts s'exécutent sans charger leur source, ce qui garde le contexte allégé. > *"Les scripts peuvent s'exécuter sans charger leur contenu, ce qui maintient le contexte efficace."* ## Entités - **Présentateur Anthropic** (Personne) : hôte unique de cette série de tutoriels, présentant la configuration des skills Claude Code. - **Claude Code** (Logiciel) : outil CLI d'Anthropic qui charge et exécute les skills conformément au standard agentskills.io. - **agentskills.io** (Organisation) : standard ouvert définissant le schéma du manifeste de skill, incluant `name`, `description`, `allowed_tools`, `model` et les conventions de répertoires. - **SKILL.md** (Concept) : fichier manifeste principal d'un skill Claude Code ; doit rester sous 500 lignes, avec des liens vers les fichiers d'appui. - **allowed_tools** (Concept) : champ optionnel du skill qui liste en liste blanche les outils Claude autorisés, permettant des modes skill en lecture seule ou en bac à sable. - **Divulgation progressive** (Concept) : structuration d'un skill multi-fichiers pour que les fichiers de référence et les scripts ne se chargent dans le contexte que lorsque la requête active le nécessite. - **Fenêtre de contexte** (Concept) : budget de tokens partagé entre la conversation et les fichiers de skill chargés par Claude ; la ressource clé que la divulgation progressive vise à préserver.

Ce tutoriel de 3 minutes explique comment construire une compétence Claude Code personnelle depuis le début : créer un répertoire contenant un fichier SKILL.md, vérifier que la compétence se charge au démarrage, puis observer Claude l'appliquer sur une vraie demande. La deuxième partie décrit précisément le pipeline de chargement des compétences — les quatre emplacements de scan, la passe de démarrage qui ne charge que les noms, la porte de confirmation, et l'ordre de priorité à quatre niveaux qui résout les conflits de noms. ## [00:03] Ce que ce tutoriel construit Le narrateur annonce d'emblée l'objectif concret : une compétence qui apprend à Claude à expliquer du code avec des diagrammes visuels et des analogies. Une fois la compétence construite, le tutoriel retrace ce qui se passe en interne quand Claude la détecte et l'exécute. > *"This skill will teach Claude how we would like it to explain code using visual diagrams and analogies."* ## [00:18] Création du fichier de compétence Les compétences personnelles se trouvent sous le répertoire personnel (pas dans un projet), donc la première étape consiste à créer un nouveau répertoire portant le nom de la compétence dans `~/.claude/skills/`. Ce répertoire contient un unique fichier SKILL.md. Trois sections sont essentielles : `name` (l'identifiant que Claude stocke au démarrage), `description` (le critère que Claude utilise pour décider d'invoquer la compétence) et tout ce qui suit le second délimiteur `---` (les instructions que Claude suit quand la compétence se déclenche). > *"Take into consideration that we're creating a directory with the skill name inside of the skills directory."* ## [00:52] Chargement et test de votre compétence Claude Code scanne les compétences au démarrage, pas à la demande, donc un redémarrage de session est nécessaire après la création du fichier. La commande `/skills` devrait alors lister la compétence nouvellement créée. Pour tester, on passe sur une branche avec des modifications et on envoie la demande en langage naturel « Write a PR description for my changes ». Claude indique qu'il invoque la compétence PR description, lit le diff et produit une description qui respecte le modèle, dans le même format à chaque fois. > *"Claude will then show you that it's using the PR description skill."* ## [01:25] Comment Claude charge les compétences en coulisses Au démarrage, Claude Code scanne quatre emplacements : les paramètres gérés par l'entreprise, le dossier personnel `~/.claude/skills/`, le répertoire `.claude/` du projet et les plugins installés. Il charge uniquement le `name` et la `description`, pas le contenu complet. Quand une demande arrive, Claude la compare aux descriptions stockées ; « explain what this function does » recoupe « explain code with visual diagrams », donc la compétence correspond. Claude demande ensuite une confirmation avant de lire le SKILL.md complet, afin que l'utilisateur sache toujours quel contexte est injecté. > *"It loads only the name and description of each skill, not the full content. This is important later."* ## [02:02] Règles de priorité et conflits de noms Cloner un dépôt qui embarque ses propres compétences peut créer des collisions de noms. Claude les résout avec une échelle de priorité fixe : entreprise (plus haute) → personnel → projet → plugins (plus basse). Une compétence `code-review` d'entreprise supplante toujours une compétence personnelle du même nom. La solution pratique est un nommage descriptif : `security-review` ou `frontend-pr-review` plutôt que le générique `review`, pour éviter les conflits dès le départ. > *"If your company has an enterprise code review skill and you create a personal code review skill, the enterprise version of that takes precedence."* ## [02:52] Mise à jour et suppression des compétences Mettre à jour une compétence revient à éditer directement le fichier SKILL.md et à sauvegarder. La supprimer, c'est supprimer le répertoire. Les deux opérations nécessitent un redémarrage de Claude Code pour prendre effet — la liste des compétences est construite une fois au démarrage de la session, sans surveillance des changements en temps réel. > *"Edit the skill.md file to update a skill and restart Claude Code for changes to take effect."* ## Entités - **Narrateur du tutoriel Anthropic** (Personne): animateur unique du tutoriel de création de compétences dans la série Claude Code skills - **Claude Code** (Logiciel): CLI d'Anthropic pour Claude ; scanne les compétences au démarrage et les applique quand les demandes correspondent aux descriptions - **SKILL.md** (Concept): l'unique fichier qui définit une compétence — contient un frontmatter YAML (name, description) et un texte d'instructions libre après le second délimiteur `---` - **Compétences** (Concept): ensembles d'instructions réutilisables et nommés qui enseignent à Claude un comportement cohérent ; stockés sous forme de répertoires contenant un fichier SKILL.md - **Compétences d'entreprise** (Concept): compétences gérées par l'organisation, au sommet de l'ordre de priorité à quatre niveaux, qui supplantent les compétences personnelles, de projet et de plugin - **Anthropic** (Organisation): créateur de Claude et Claude Code ; publie cette série de tutoriels sur claude.com/resources/courses

Claude Code offre aux développeurs cinq leviers de personnalisation distincts — Skills, CLAUDE.md, sous-agents, hooks et serveurs MCP — chacun conçu pour un usage précis. Ce tutoriel de trois minutes fait correspondre chaque option au bon cas d'usage, pour ne pas recourir aux Skills quand CLAUDE.md suffit, ni configurer un hook quand c'est un sous-agent qu'il faut. ## [00:02] Cinq options de personnalisation, un seul problème de choix Claude Code propose cinq façons de façonner son comportement : Skills, CLAUDE.md, sous-agents, hooks et serveurs MCP. Le narrateur les énumère rapidement, puis déplace aussitôt la question de « qu'est-ce que c'est ? » vers « lequel convient ici ? » > *"Ils résolvent des problèmes différents. Savoir quand utiliser chacun vous évite de construire la mauvaise chose."* Le reste du tutoriel n'est que l'élaboration de cette seule phrase. ## [00:18] CLAUDE.md vs Skills : permanent vs à la demande CLAUDE.md est un fichier que Claude lit au début de chaque conversation, sans activation requise. C'est l'endroit idéal pour les contraintes à l'échelle du projet qui ne doivent jamais être oubliées — choix de framework, style de code, règles de base de données. Les Skills, elles, se chargent à la demande : la checklist de revue de PR n'entre dans le contexte que lorsque vous demandez vraiment une revue, pas pendant que vous écrivez du nouveau code. > *"Use Claude MD for project-wise standards that always apply constraints like never modify the database schema, framework preferences, and coding style."* La ligne de démarcation est la permanence face à la pertinence. Si l'instruction doit s'appliquer à chaque prompt du projet, elle va dans CLAUDE.md. Si elle n'est utile qu'à certains moments, elle va dans une Skill. ## [01:03] Skills vs sous-agents : contexte partagé vs exécution isolée Les Skills injectent de la connaissance dans la conversation en cours — leurs instructions rejoignent le contexte existant. Les sous-agents fonctionnent différemment : ils reçoivent une tâche, démarrent un contexte d'exécution séparé, travaillent indépendamment et renvoient les résultats sans toucher à la conversation principale. > *"Use sub agents when you want to delegate a task to a separate execution context. You need different tool access that the main conversation does. You want isolation between delegated work and your main context."* Utilisez les Skills quand une expertise doit guider le raisonnement de Claude tout au long d'une conversation. Utilisez les sous-agents quand vous voulez une frontière nette entre la session principale et une unité de travail déléguée — accès différents aux outils, pas de contamination du contexte. ## [01:42] Hooks vs Skills : déclenché par événement vs déclenché par requête Les hooks se déclenchent automatiquement sur des événements — exécuter un linter chaque fois que Claude sauvegarde un fichier, valider une entrée avant un appel d'outil particulier. Ce n'est pas ce que vous demandez qui les déclenche, c'est ce que Claude fait. Les Skills sont à l'opposé : déclenchées par requête, elles s'activent quand une requête leur correspond. > *"A hook might run a llinter every time Claude saves a file or validate input before certain tool calls. They're all event driven, while skills, they're request driven. They activate based on what you're asking."* Si le comportement doit se produire sans condition sur un événement système, c'est un hook. S'il doit orienter la réflexion de Claude quand on lui pose une question, c'est une Skill. ## [02:15] Combiner les cinq pour une personnalisation complète Un setup Claude Code bien configuré attribue à chaque outil son rôle naturel : CLAUDE.md pour les standards de projet toujours actifs, Skills pour l'expertise spécifique à une tâche qui ne doit pas encombrer chaque prompt, hooks pour les effets de bord automatisés, sous-agents pour le travail délégué en isolation, serveurs MCP pour l'accès aux outils externes. Ce ne sont pas des alternatives — ils se composent. > *"Don't force everything into skills when another option fits best. You can use multiple at a time."* Les Skills s'activent automatiquement quand un sujet est pertinent ; CLAUDE.md est toujours présent ; les sous-agents tournent en isolation ; les hooks se déclenchent sur événements ; MCP fournit les outils externes. Choisissez le bon niveau pour chaque préoccupation et combinez-les librement. ## Entités - **Narrateur du tutoriel Anthropic** (Personne) : Animateur de cette série de tutoriels Claude Code skills, s'exprimant au nom d'Anthropic. - **Claude Code** (Logiciel) : Assistant de codage IA d'Anthropic ; sujet de la série de tutoriels. - **Skills** (Concept) : Paquets de connaissances à la demande qui s'activent quand Claude fait correspondre une requête utilisateur ; injectent des instructions dans le contexte de la conversation en cours. - **CLAUDE.md** (Concept) : Fichier de configuration chargé automatiquement dans chaque conversation Claude Code ; utilisé pour les standards et contraintes permanents à l'échelle du projet. - **Sous-agents** (Concept) : Contextes d'exécution séparés instanciés pour traiter des tâches déléguées en isolation de la conversation principale. - **Hooks** (Concept) : Automatisations déclenchées par événements qui se déclenchent sur des actions spécifiques de Claude telles que la sauvegarde de fichier ou les appels d'outils, indépendamment des requêtes utilisateur. - **Serveurs MCP** (Logiciel) : Serveurs Model Context Protocol qui fournissent des outils externes aux sessions Claude Code. - **Anthropic** (Organisation) : Créateur de Claude Code et éditeur de la série de tutoriels Claude Code skills.