Environnement de développement et infrastructure IA

Il existe deux façons d’utiliser Claude tout en restant sur votre facture Google Cloud : la version gérée par Google, que Google exploite au sein d’Agent Platform (anciennement Vertex AI), et la version gérée par Anthropic, disponible en version générale depuis le 22 octobre 2026. Claude Code fonctionne avec la version gérée par Google, configurée avec CLAUDE_CODE_USE_VERTEX et les paramètres associés (épingler les modèles est recommandé si vous le déployez auprès de plusieurs personnes). Si vous avez besoin de la Files API, des Agent Skills, de Managed Agents, du mode rapide et de fonctionnalités similaires, choisissez la version gérée par Anthropic. Sur le point de terminaison global de la version gérée par Google, Opus 5.5, Sonnet 5.5 et Haiku 5.5 coûtent le même prix que sur l’API Claude, tandis que les multirégions us et eu coûtent 1,1x. La version gérée par Anthropic est mesurée en CCU, et aucune grille tarifaire par token ne figure dans la documentation officielle. En s’appuyant sur la documentation officielle (vérifiée le 26 octobre 2026), cet article couvre les différences et la façon de choisir, les tarifs, les régions, la mise en route, les SDK, la configuration de Claude Code et la gestion des quotas et des erreurs 429.

Si l'API Claude affiche « `temperature` is deprecated for this model. », c'est que vous envoyez à un modèle Claude 4.7 ou plus récent une valeur autre que la valeur par défaut pour temperature, top_p ou top_k. Retirez ces 3 paramètres de la requête pour corriger le problème. Avec la version d'API 2026-10-21, tous les modèles renvoient une erreur 400 dès qu'ils reçoivent ces paramètres, même avec leur valeur par défaut, et les nouveaux SDK comme anthropic 2.0.0 ne déclarent plus ces 3 arguments. L'article explique les deux cas d'erreur, comment trouver le code concerné, les versions de SDK, la correction de l'erreur « anthropic-version: header is required » et les autres changements à faire, d'après la documentation officielle d'Anthropic consultée le 26 octobre 2026.

Cet article décrit les causes et les solutions du ralentissement de Codex, selon le symptôme. Si la réponse de l'IA est lente, réduisez l'effort de raisonnement, utilisez un modèle plus léger ou le mode Fast (qui consomme 2,5 fois plus de quota), et ouvrez un nouveau fil pour chaque tâche, comme le recommande l'équipe d'OpenAI. Si le démarrage est lent, arrêtez les serveurs MCP inutilisés avec enabled = false et mettez la CLI à jour ; si l'application est lourde ou se bloque, mettez-la à jour et redémarrez-la (l'un des problèmes sous Windows est corrigé dans la version v26.825.32147) et archivez les tâches récurrentes devenues inutiles, car elles accumulent des worktree. Si les commandes sont lentes sous WSL, placez les fichiers côté Linux. Sources : documentation officielle d'OpenAI et réponses de son équipe sur GitHub, vérifiées le 25 octobre 2026.

Windows a démonté tout le lecteur pendant la préparation du stockage, affectant Docker et Unity. Chronologie et récupération du moteur sans effacer les données.

Nous avons placé l’application et ses données principales sur D, en gardant les environnements actifs sur C. Voici les copies et contrôles effectués.

Cet article montre comment passer Codex et Claude Code en mode analyse seule dans l'application, les IDE, Claude Desktop, VS Code, le Web, le mobile et la CLI. Vous y trouverez les différences entre lecture seule et Plan, la portée des réglages et de leur sauvegarde, la restriction des outils, une consigne prête à l'emploi et la vérification des différences.

Distinguez refus de lecture, séparation de l'environnement, approbations et restrictions réseau dans Codex. Vous y trouverez un exemple de profil de permissions, les règles concernant les fichiers .env et les variables d'environnement, les contraintes propres à Windows et au cloud, ainsi qu'une méthode pour vérifier le refus avec des fichiers fictifs.

Vous pouvez confier du développement aux sessions cloud de Claude Code sans ouvrir une nouvelle porte vers la production : gardez le code dans un dépôt GitHub privé, installez la Claude GitHub App sur ce seul dépôt, et laissez le serveur de production se contenter d’en faire des pulls avec une deploy key en lecture seule. Cet article est mon compte rendu de mes débuts avec les sessions cloud sur un projet de développement distinct, le 4 octobre 2026, vérifié par rapport au texte original de la documentation officielle à cette date. Il explique que claude --cloud sans GitHub envoie l’historique de toutes les branches ainsi que les modifications non commitées des fichiers suivis (sous Windows, quel que soit le nom des fichiers), comment corriger le problème quand un autre compte GitHub est connecté, « Only select repositories » et pourquoi des dépôts publics apparaissent dans la liste, pourquoi créer un nouvel environnement par projet puisque toute personne qui utilise un environnement peut lire ses variables d’environnement, que les fichiers locaux sont invisibles, et que dans le cloud Accept edits s’arrête à chaque commande alors qu’Auto continue, le tout réuni dans une liste de vérification avant de commencer. Il partage aussi un cas réel où une seule consigne exécutée en autonomie a consommé 226 $ de crédit à durée limitée avant que je lui dise de s’arrêter en cours de route, pourquoi le crédit fond si vite, et comment réduire les coûts.

Vos conversations Claude Code servent-elles à entraîner des modèles d'IA ? Cela dépend de votre offre et du réglage de votre compte. Sur les offres grand public Free, Pro et Max, vos données ne servent à l'entraînement que tant que le réglage d'amélioration des modèles des paramètres de confidentialité de claude.ai est activé (conservation de 5 ans), et le désactiver arrête l'entraînement (conservation de 30 jours). Le réglage appartient à votre compte : inutile de modifier les fichiers de configuration de l'ordinateur qui exécute Claude Code. En s'appuyant sur le texte original de la page « Data usage » de la documentation de Claude Code, du Privacy Center d'Anthropic et de la page « API and data retention » de Claude Platform au 4 octobre 2026, cet article explique où se trouve le réglage et comment le désactiver, le fait que le refus ne retire pas vos données des entraînements passés, le traitement des notes 👍👎, de /feedback et des conversations signalées pour violation des règles, ainsi que l'entraînement et la conservation offre par offre, Team, Enterprise, API et Bedrock compris. Il montre aussi que les entrées et sorties de l'API ne servent pas à l'entraînement par défaut et sont supprimées sous 30 jours, ce que couvre le ZDR et pourquoi les Covered Models comme Fable exigent 30 jours de conservation, les variables d'environnement qui coupent les métriques d'utilisation et les rapports d'erreur envoyés à part de l'entraînement, les transcriptions stockées en clair sur votre propre ordinateur et la configuration à choisir pour un travail confidentiel.

Le /doctor prompt-audit de Claude Code (/checkup prompt-audit est identique) fait lire à Claude CLAUDE.md, CLAUDE.local.md, AGENTS.md ainsi que les règles, skills, commandes et sous-agents sous .claude/, y cherche les façons de rédiger pensées pour d'anciens modèles, les références à des fichiers ou commandes inexistants et les consignes qui se contredisent, puis renvoie un rapport avec des propositions de diffs. Rien ne change tant que vous ne le demandez pas, et il nécessite la v2.1.283 ou ultérieure. À partir de la documentation officielle et du CHANGELOG au 3 octobre 2026 et du guide d'audit livré avec Claude Code, cet article explique comment le lancer et réduire le périmètre avec un chemin, ce qu'il considère comme obsolète (formulations trop fortes, chemins manquants, conflits entre fichiers, etc.), sa règle de ne pas supprimer le contexte ni les interdictions qui ont une raison d'être, les six champs du rapport et la lecture des niveaux de confiance, ainsi que ses différences avec /doctor, /claude-api prompt-audit et la commande claude doctor du terminal. Il présente aussi le résultat obtenu sur les fichiers d'instructions de ce site (7 constats appliqués sur 9, dont une vraie dérive : une explication oubliée après l'ajout d'une règle) et les points de vigilance comme le quota d'utilisation, la variation d'une exécution à l'autre et le temps nécessaire pour vérifier les constats avant de les appliquer.

Le /code-review de Claude Code est une skill intégrée qui lit vos commits en avance sur l'upstream et vos modifications non commitées (ou la PR, la branche ou le chemin que vous lui passez), y cherche des bugs de correction et vous les signale. /review en est un alias, la revue tourne comme un sous-agent en arrière-plan et son coût est décompté de votre usage normal. Cet article explique comment passer une cible, comment choisir entre low (seulement les signalements les plus sûrs) et de medium à max (couverture plus large, mais il faut trier les résultats), la règle selon laquelle omettre le niveau reprend le dernier que vous avez tapé, la réserve selon laquelle les modifications faites par --fix en arrière-plan ne s'annulent pas avec /rewind, et où --comment publie sur GitHub et GitLab. Il présente aussi ultra, où plusieurs agents dans le cloud ne renvoient que des signalements vérifiés (environ 15 à 25 minutes ; 3 exécutions gratuites uniques sur Pro et Max, puis en général 5 à 25 $ par exécution en crédits d'usage), et en quoi /code-review diffère de /simplify, /security-review, de Code Review de l'application GitHub et de claude-code-action, d'après le texte original de la documentation officielle et du CHANGELOG au 2 octobre 2026 (la description des niveaux, au 14 octobre). Enfin, il livre les résultats d'une exécution unique de /code-review high sur le code de l'outil de détection d'images IA de ce site (9 signalements sur 10 étaient de vrais bugs, tous corrigés) et les inconvénients, dont l'usage consommé, le travail de vérification des signalements et la façon d'annuler --fix.

J'ai fait construire à Claude Code Projects (bêta publique) un site web entier pour savoir de combien de mémoire ont besoin les LLM locaux. De la création à la dernière fusion, il a fallu environ 20 heures : 10 threads, 11 PR, environ 23 000 lignes et environ 190 millions de tokens (dont 97,7 % de lectures de cache). Trois tâches ont avancé en parallèle pendant la nuit, les threads se sont coordonnés entre eux par l'intermédiaire du coordinateur, et une fois passé à des instructions qui lui déléguaient la main, il a décidé seul des tâches suivantes. En revanche, personne n'avait construit, à la frontière entre le thread de collecte de données et celui des pages, la logique qui décide « peut-on publier ceci ? », si bien que la production n'affichait aucun modèle. Les vraies données ont aussi révélé des bugs que les tests sur données d'exemple ne montraient pas, et la mise en ligne sur un serveur accessible uniquement en SSH a buté sur un mur. Je consigne tout à partir de mesures : où j'ai trébuché pour démarrer, la différence entre tout faire approuver et tout déléguer, la façon dont le crédit de configuration s'est épuisé, et les travaux qui s'y prêtent ou non.