4 novembre 2026Mis à jour le Fathy Shalaby14 min de lecture
Contexte produit pour les agents de code IA : quoi partager et comment
Les agents de code lisent votre code, pas vos clients. Voici le contexte produit dont ils ont besoin, les outils qui le fournissent, à partir de quand c’est trop, et un task packet à copier.
Le contexte produit pour les agents de code IA, c’est l’ensemble restreint et à jour des faits dont un agent a besoin et que le code ne montre pas : qui rencontre le problème, les preuves, la décision en cours et son responsable, les contraintes, et la façon dont une personne vérifiera le résultat. La meilleure configuration comporte trois couches : un court fichier d’instructions dans le dépôt, un task packet par changement, et un lien direct vers votre source de vérité produit.
L’essentiel
Plus de contexte ne veut pas dire un meilleur contexte. Chroma a testé 18 modèles et constaté que les performances deviennent « de plus en plus peu fiables à mesure que la longueur de l’entrée augmente », même sur des tâches simples (Chroma, 2025).
La définition qu’Anthropic donne elle-même du travail : trouver le plus petit ensemble de tokens à fort signal pour la tâche, et charger le reste au moment voulu via des liens et des chemins de fichiers (Anthropic, 2025).
Les fichiers du dépôt servent aux règles durables. Anthropic vise moins de 200 lignes par CLAUDE.md et Cursor recommande de garder les règles sous 500 lignes : les preuves clients et les décisions qui changent n’y ont donc pas leur place.
Il n’existe pas d’outil unique idéal. Utilisez un court fichier d’instructions, un task packet par changement et une connexion MCP vers l’endroit où vivent réellement les décisions.
Les équipes perdent déjà plus de 25 % de leur semaine de travail à chercher de l’information (Atlassian, 2025). Un second wiki produit écrit uniquement pour les agents aggrave le problème.
Qu’est-ce que le contexte produit pour un agent de code IA ?
Un agent de code peut lire votre dépôt, exécuter vos tests et parcourir vos fichiers. Il ne peut pas lire l’appel client à l’origine de la demande, le compromis convenu par l’équipe lors de la réunion de mardi, ni la raison pour laquelle une fonctionnalité est volontairement hors périmètre. Voilà le contexte produit : le « qui » et le « pourquoi » derrière la modification du code.
Frameworks, organisation des fichiers, patterns existants
Qui a le problème et à quelle fréquence
Commandes de test, de build et de lint
Preuves : entretiens, tickets, analytics
Signatures de fonctions et types
La décision en cours, son responsable et sa date
Commits passés et commentaires de code
Ce qui est volontairement hors périmètre
Messages d’erreur et logs
Contraintes liées aux clients, aux contrats ou aux politiques internes
Résultats de CI
Ce qu’un relecteur vérifiera avant d’accepter
Les agents sont désormais assez répandus pour que cet écart compte. Dans l’enquête Stack Overflow 2025, 14,1 % des développeurs utilisaient des agents IA au quotidien au travail, et 86,9 % s’inquiétaient de l’exactitude des informations fournies par les agents (Stack Overflow, 2025). Une partie de cette inexactitude vient du modèle. Une autre vient d’une demande qui a omis les faits produit importants.
Quel est le meilleur outil pour donner du contexte produit aux agents de code IA ?
Aucun outil ne couvre tout. Chaque manière de fournir du contexte est efficace sur une couche et faible sur les autres ; la bonne question est donc de savoir quelle combinaison correspond à l’endroit où votre équipe conserve ses décisions.
Le Model Context Protocol (MCP), qu’Anthropic a publié comme standard ouvert le 25 novembre 2024, est ce qui rend possibles les lignes « en direct » : un seul protocole au lieu d’un connecteur sur mesure par source de données (Anthropic, 2024). Linear, par exemple, héberge un serveur compatible avec Claude Code, Cursor, Codex et VS Code via OAuth 2.1 (Linear docs).
Une configuration par défaut réaliste pour une petite équipe :
Un court AGENTS.md ou CLAUDE.md avec les commandes, les conventions, les règles de sécurité, et une ligne indiquant où se trouvent les décisions produit.
Un task packet (modèle ci-dessous) lié à chaque ticket que l’agent prend en charge.
Une connexion MCP en lecture seule vers le système qui contient vos décisions et vos preuves, pour que l’agent récupère le détail à la demande au lieu que vous le colliez.
Privilégiez l’accès en lecture seule pour les agents de code, sauf si la tâche exige l’écriture. Linear propose un point d’accès en lecture seule distinct précisément pour cela. Ce n’est pas anodin : 81,4 % des développeurs de l’enquête Stack Overflow avaient des inquiétudes de sécurité et de confidentialité concernant les données lors de l’usage d’agents IA.
Quelle quantité de contexte donner à un agent de code ?
Moins que vous ne le pensez, mais bien choisi. Trois courants de recherche convergent.
Les longues entrées dégradent les performances. L’étude de Chroma de 2025 a réalisé 194 480 appels sur 18 modèles d’Anthropic, OpenAI, Google et Alibaba. Les performances baissaient à mesure que la longueur de l’entrée augmentait dans chaque expérience, et des passages « distracteurs » thématiquement proches réduisaient encore la précision. Sur LongMemEval, un benchmark de mémoire conversationnelle, chaque modèle obtenait un score nettement supérieur avec un prompt ciblé d’environ 300 tokens qu’avec le prompt complet d’environ 113 000 tokens (Chroma, 2025).
La position compte. Dans l’étude « Lost in the Middle », les modèles exploitaient le mieux l’information située au début ou à la fin d’une longue entrée, et nettement moins bien lorsqu’elle se trouvait au milieu (Liu et al., TACL). La seule contrainte qui compte peut disparaître au milieu d’un long export.
L’attention est un budget. Anthropic décrit le context rot comme la baisse de la capacité d’un modèle à retrouver l’information à mesure que la fenêtre se remplit, parce que chaque token porte attention à tous les autres, ce qui crée n² relations pour n tokens. Son conseil : conserver des identifiants légers comme les chemins de fichiers et les liens, et charger le contenu quand l’agent en a besoin (Anthropic, 2025).
La documentation des outils dit la même chose en termes plus simples. VS Code précise que les références explicites comptent dans la fenêtre de contexte et recommande de n’ajouter que les sources utiles à la tâche en cours (VS Code docs).
Règle de décision : incluez une source si elle peut changer l’implémentation ou la décision d’acceptation. Une note de décision récente plus deux exemples clients représentatifs valent mieux qu’un export complet du backlog. Pour le reste, mettez un lien.
Comment séparer le contexte produit des instructions du dépôt ?
Distinguez trois types de contexte, chacun avec son lieu et son responsable.
1. Les décisions produit partagées
Le problème client, les preuves issues de la recherche, les choix stratégiques et les décisions dont plusieurs personnes ont besoin. Conservez-les dans l’espace de travail produit que l’équipe utilise déjà. Chaque décision doit avoir un responsable, une date, une raison et des liens vers les preuves. Un modèle de journal de décisions produit ou un graphe de décisions pour petites équipes IA conviennent tous deux.
2. Les instructions du dépôt
Les consignes d’ingénierie stables : comment lancer l’application, conventions, limites d’architecture, commandes de test et règles de sécurité. Anthropic précise que Claude traite CLAUDE.md comme du contexte et non comme une configuration imposée, et que des fichiers plus longs réduisent le respect des consignes (Claude Code docs). Les fichiers imbriqués aident dans les grandes bases de code : avec AGENTS.md, le fichier le plus proche du code modifié l’emporte, et le principal dépôt d’OpenAI en comptait 88 au moment de la rédaction du site agents.md (agents.md). Rien de tout cela n’est un endroit pour la roadmap ou la recherche client.
3. Le task packet
Le court pont entre l’intention produit et une session de code. Il renvoie aux décisions pertinentes et dit ce que ce changement doit accomplir. Il peut vivre dans un ticket, un brief ou un prompt, tant que les personnes concernées peuvent le trouver. Pour une version complète avec critères d’acceptation et règles d’arrêt, utilisez le modèle de PRD pour agents de code IA.
Cette séparation donne à l’agent de quoi agir, tandis que le savoir produit durable de l’équipe reste là où les personnes peuvent en discuter et le mettre à jour.
Comment donner du contexte produit à un agent de code, étape par étape ?
Commencez par un problème utilisateur. Dites qui est concerné et ce que cette personne essaie de faire. Liez l’entretien, les exemples du support ou les analytics qui s’y rapportent. Étiquetez les hypothèses comme des hypothèses ; une explication plausible rédigée par une IA n’est pas une preuve client. Si vous n’avez pas encore de preuves, le workflow de customer discovery pour product engineers est le moyen rapide d’en obtenir.
Liez la décision, pas une pile de documents. Choisissez les deux ou trois sources qui peuvent changer l’implémentation. Si des sources se contredisent, dites laquelle fait foi et transmettez les conflits importants à une personne.
Énoncez le résultat et les limites. Décrivez le résultat visible par l’utilisateur, puis les limites : permissions, traitement des données, workflows existants, accessibilité, performance, et ce qui reste hors périmètre. Signalez les décisions ouvertes comme ouvertes.
Rendez le packet facile à vérifier. Listez ce qu’un relecteur doit observer. Remplacez « fonctionne bien » par un comportement que quelqu’un peut contrôler.
Demandez à l’agent de signaler ses incertitudes. Qu’il fasse remonter le contexte manquant, les instructions contradictoires et les hypothèses avant tout choix lourd de conséquences. Pour un changement réversible et à faible impact, poursuivre sur une hypothèse étiquetée peut convenir. Pour le contrôle d’accès, la facturation, les données privées ou les actions destructrices, toute ambiguïté revient à une personne.
Relisez, puis renvoyez les nouvelles décisions vers la source partagée. La production de l’agent est une proposition. Une personne la compare à l’intention produit avec une checklist d’acceptation PM pour la production des agents IA, et toute nouvelle décision est inscrite dans le registre produit, pas seulement dans une transcription de chat ou un commentaire de code.
Exemple : un context packet pour des filtres enregistrés
Il s’agit d’un scénario illustratif, ni une histoire client ni un résultat de recherche.
Un fondateur technique demande à un agent de code IA d’ajouter des filtres enregistrés à un tableau de bord interne. « Ajoute des filtres enregistrés » laisse des choix produit ouverts : qui en a besoin, si les vues sont privées ou partagées, ce qui se passe quand les données changent, et comment un utilisateur retrouve une vue enregistrée plus tard.
Le task packet indique :
Utilisateur et problème : un membre de l’équipe reconstruit la même vue filtrée avant chaque revue hebdomadaire, soit environ 10 minutes à chaque fois dans cet exemple hypothétique.
Preuves : lien vers la note d’entretien ou le workflow observé. S’il n’y en a pas, le packet indique « hypothèse ».
Résultat attendu : un utilisateur peut enregistrer une vue nommée, la rouvrir et voir quand ses données ont été actualisées pour la dernière fois.
Contraintes : ne pas modifier les définitions de rapports ; garder les vues enregistrées privées par défaut ; respecter les permissions existantes de l’espace de travail.
Critères d’acceptation : enregistrer et rouvrir une vue ; la renommer et la supprimer ; gérer un résultat vide ; afficher un état clair après la révocation de l’accès ; commandes utilisables au clavier.
Décision ouverte : une vue enregistrée doit-elle pouvoir être partagée avec l’espace de travail ? Une personne désignée tranche avant que l’agent ne construise le partage.
Hors périmètre : un nouveau générateur de tableaux de bord ou un modèle de reporting repensé.
L’agent dispose maintenant d’un résultat et de limites, mais il choisit toujours l’implémentation. La question du partage est visible avant l’existence du code, au lieu d’être devinée en silence. Après la construction, le relecteur vérifie les cinq mêmes comportements et consigne la décision sur le partage dans la source partagée de l’équipe.
Modèle de context packet à copier
## Context packet: [feature]
- User and problem: [who needs what; what they do today]
- Evidence: [links to specific observations or data] (observed / inferred / assumed)
- Desired outcome: [the change a user should notice]
- Current decision: [the choice] (owner: [name], date: [YYYY-MM-DD], link: [record])
- Constraints: [security, permissions, data, accessibility, compatibility, performance]
- Acceptance checks: [observable behaviours, incl. empty, loading and error states]
- Open questions: [what is unknown] -> [who answers]
- Out of scope: [adjacent work to leave alone]
- Sources as of: [date or version]
- Review owner: [person who accepts the result and updates the record]
Restez proportionné. Un prototype d’un écran peut se contenter de quatre puces. Une modification de l’accès à des données sensibles exige chaque ligne et un relecteur désigné.
Comment éviter que le contexte des agents devienne obsolète ?
Un contexte périmé est pire qu’un contexte manquant, car l’agent le suit avec assurance. Cinq habitudes le maintiennent à jour :
Une seule copie de référence par fait. Si une règle produit apparaît dans plusieurs fichiers, décidez lequel fait foi et renvoyez-y depuis les autres. La documentation de Cursor en donne la raison : les copies deviennent obsolètes, référencez donc les fichiers (Cursor docs).
Datez chaque packet. « Sources au 12 novembre » indique au relecteur si une décision a évolué depuis.
Donnez un responsable à chaque fichier. Un fichier d’instructions sans responsable grossit jusqu’à ce que plus personne ne lui fasse confiance.
Élaguez après les erreurs, pas avant. Ajoutez une règle quand l’agent répète la même erreur ; retirez celles qu’il respecte déjà à partir du code.
Bouclez la boucle après la relecture. Les décisions prises pendant l’implémentation retournent dans le registre des décisions le jour même.
Vérification rapide de la qualité du contexte
Avant de confier le travail, demandez-vous :
Un coéquipier peut-il retrouver les preuves derrière la demande ?
La décision en vigueur se distingue-t-elle d’une ancienne proposition ?
L’agent connaît-il le résultat visé pour l’utilisateur ?
Les contraintes et les non-objectifs sont-ils explicites ?
Un relecteur peut-il vérifier le résultat sans reconstituer la conversation ?
Existe-t-il une personne désignée pour les choix produit non tranchés ?
Si au moins deux réponses sont négatives, corrigez le packet ou tranchez la décision avant que l’agent ne construise.
Erreurs courantes quand on donne du contexte produit aux agents
Déverser le backlog. Un export complet enfouit la seule décision qui compte et consomme du contexte à chaque tour.
Écrire un second wiki pour l’agent. Il s’éloigne du vrai en quelques semaines et personne n’en est responsable.
Mettre des décisions changeantes dans CLAUDE.md ou AGENTS.md. Ces fichiers sont chargés à chaque tâche ; réservez-les aux règles durables.
Considérer comme à jour un fichier appelé « context ». Se trouver à côté du code ne le rend pas vrai. Vérifiez la date.
Accorder l’accès en écriture par défaut. Commencez en lecture seule et n’élargissez que si une tâche l’exige.
Laisser les décisions dans le chat. Si la seule trace d’un choix est une transcription, l’agent suivant et le coéquipier suivant ne la trouveront pas.
Où se situe Specky
Specky réunit appels clients, retours, tickets et décisions dans un seul Product Graph, de sorte que les preuves derrière une décision sont reliées plutôt que copiées. Son serveur MCP permet à Claude Code, Cursor, Codex et à d’autres clients MCP de récupérer ce contexte à la demande : get_product_context charge les principes produit confirmés et les instructions de l’espace de travail, et get_coding_brief renvoie les PRD, décisions et preuves pertinents pour un ticket. Tout ce que l’agent écrit en retour arrive sous forme de brouillon à relire par un humain. La configuration est décrite sur la page MCP pour agents IA, et le guide pour PM techniques couvre l’ensemble du workflow.
Foire aux questions
Qu’est-ce que le contexte produit pour un agent de code IA ?
Ce sont les informations dont un agent a besoin et que le code ne montre pas : qui a le problème, les preuves à l’appui, la décision en cours et son responsable, les contraintes, les non-objectifs et les vérifications qu’un relecteur effectuera. Le contexte de code, comme l’organisation des fichiers et les commandes de test, l’agent peut généralement le trouver seul. Le contexte produit, quelqu’un doit le fournir.
Quel est le meilleur outil pour donner du contexte produit aux agents de code IA ?
Aucun outil ne fait tout. Utilisez un court fichier de dépôt (CLAUDE.md, AGENTS.md ou règles Cursor) pour les règles durables, un task packet ou un PRD par changement, et une connexion MCP vers l’endroit où vivent vos décisions et vos preuves : outil de suivi de tickets, outil de documentation ou espace de travail de preuves produit. Choisissez selon l’endroit où votre équipe consigne réellement ses décisions.
Le contexte produit doit-il aller dans CLAUDE.md ou AGENTS.md ?
Seulement un renvoi vers celui-ci. Ces fichiers sont chargés à chaque tâche et fonctionnent mieux courts : Anthropic vise moins de 200 lignes par CLAUDE.md. Mettez-y les commandes, les conventions et les règles de sécurité, plus une ligne indiquant où se trouvent les décisions produit. Gardez les preuves clients et les décisions changeantes dans leur lieu partagé et liez-les depuis chaque tâche.
Quelle quantité de contexte donner à un agent de code ?
Assez pour changer l’implémentation ou la décision d’acceptation, pas davantage. L’étude de Chroma sur le context rot et l’article « Lost in the Middle » montrent que les modèles deviennent moins fiables à mesure que les entrées s’allongent et passent à côté de l’information enfouie au milieu. En pratique, une note de décision, deux ou trois exemples représentatifs et des critères d’acceptation clairs valent généralement mieux qu’un export complet de documents.
Un agent de code IA peut-il lire directement Jira, Linear ou Notion ?
Oui, via des serveurs MCP. Linear en héberge un compatible avec Claude Code, Cursor, Codex et VS Code, et celui de Notion permet à un assistant de rechercher des pages et des bases de données. Commencez en lecture seule, et gardez en tête que les tickets et les pages de wiki disent rarement quelle décision est en vigueur ou quelles preuves l’appuient. Cela demande toujours un task packet.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing