Partie 4. Semaine 4 : progresser avec la communauté
Chapitre 10. Trier les ressources communautaires
Le post qui ouvre ce livre recommande deux ressources tenues par la communauté des développeurs. Elles sont sérieuses, et elles illustrent bien la question de ce chapitre : comment choisir parmi les milliers de guides, de listes, de skills et de serveurs qui circulent.
Les deux ressources du post
Le Claude Code Ultimate Guide est rédigé par Florian Bruniaux, un ingénieur français. Il compte environ 700 pages, téléchargeables en PDF ou en EPUB, en anglais et en français, sous licence Creative Commons BY-SA 4.0. Il est mis à jour très régulièrement : la version 3.41.1 date du 29 juillet 2026. Il propose un parcours d’apprentissage, un questionnaire de 473 questions, plusieurs centaines de modèles de fichiers, et une partie consacrée à la sécurité qui recense 28 vulnérabilités connues et 655 skills malveillantes. L’auteur publie aussi un guide distinct destiné aux non-développeurs1.
La liste awesome-claude-code, tenue sur GitHub, recense des outils, des skills et des extensions pour Claude Code. Elle est très suivie, avec plus de 53 000 « étoiles » en octobre 20262.
Le mot juste. GitHub. Une plateforme où les développeurs publient leur code et leur documentation. Les visiteurs peuvent y marquer un projet d’une « étoile », l’équivalent d’un favori.
Le mot juste. Liste « awesome ». Sur GitHub, une page qui rassemble des liens sur un sujet, choisis par un responsable et enrichis par les contributions des lecteurs. Une telle liste aide à découvrir des outils ; elle ne garantit pas leur qualité.
L’écosystème des modèles locaux
Le mot juste. Hugging Face. La plateforme qui héberge la plupart des modèles à poids ouverts. Chaque modèle y a une fiche qui indique sa taille, sa licence, les langues prises en charge et souvent ses résultats à des tests.
Pour les performances des machines, les mesures les plus fiables se trouvent dans les espaces d’échange des projets eux-mêmes : les discussions du dépôt de llama.cpp, le forum des développeurs de NVIDIA pour le DGX Spark, les forums de Framework et de Level1Techs pour les machines à base de Ryzen AI Max. Les participants y publient leurs commandes, leurs versions de logiciels et leurs résultats, ce qui permet de reproduire les mesures.
Une grille de tri
Avant d’installer une ressource, posez six questions :
- Qui la publie ? Une personne ou une entreprise identifiable, avec un historique, inspire plus confiance qu’un compte créé le mois dernier.
- Quand a-t-elle été mise à jour ? Les outils changent tous les mois. Un guide de 2025 décrit souvent des commandes qui n’existent plus.
- Sous quelle licence ? Elle dit ce que vous avez le droit d’en faire, en particulier pour un usage commercial.
- Que demande-t-elle ? Un serveur MCP qui veut un accès en écriture à toute votre messagerie, une skill qui exécute un script : lisez ce qu’ils font avant de les installer.
- Qui l’utilise ? Le nombre d’étoiles sur GitHub mesure l’attention, pas la qualité.
- Comment la tester sans risque ? Dans un dossier à part, sans données réelles, avec un compte aux droits limités.
L’annexe F reprend ces questions sous forme de liste de contrôle.
Lire un banc d’essai
Les forums regorgent de mesures de vitesse. Pour les comparer, il faut savoir ce qu’elles mesurent.
Le mot juste. Débit de génération, traitement du prompt. Le débit de génération est le nombre de jetons que le modèle produit par seconde en rédigeant sa réponse. Le traitement du prompt est le nombre de jetons qu’il lit par seconde avant de commencer à répondre. Le second compte autant que le premier quand on fait lire au modèle de longs documents.
Une même machine donne des résultats très différents selon le logiciel. Sur un mini-PC à base de Ryzen AI Max+ 395, le modèle gpt-oss-120b a été mesuré entre 35 et 53 jetons par seconde selon le moteur et la version des pilotes3. Sur un DGX Spark, un testeur a obtenu 1,1 jeton par seconde avec un logiciel mal configuré, et 77 avec la bonne configuration4.
Avant de vous fier à une mesure, vérifiez :
- le modèle et son format de quantification ;
- la longueur du contexte au moment de la mesure ;
- le logiciel utilisé et sa version ;
- le nombre d’utilisateurs simultanés ;
- la date.
Point de vigilance. Les guides communautaires mêlent faits vérifiés et observations personnelles. Un seuil donné sans source, par exemple le taux de remplissage du contexte à partir duquel un modèle se dégraderait, est une hypothèse à vérifier sur votre propre usage.
La jauge. Un guide de référence et la documentation officielle des outils que vous utilisez suffisent. Suivre vingt sources est surdimensionné pour une TPE, et coûte plus de temps qu’il n’en fait gagner.
Exercice. Appliquez la grille à une ressource que vous envisagez d’installer : un serveur MCP, une skill ou un modèle. Notez la réponse à chacune des six questions.
Notes
Florian Bruniaux, Claude Code Ultimate Guide : https://github.com/FlorianBruniaux/claude-code-ultimate-guide (consulté le 12 octobre 2026).↩︎
https://github.com/hesreallyhim/awesome-claude-code (consulté le 12 octobre 2026).↩︎
Mesures publiées sur le forum des développeurs NVIDIA (23 octobre 2025) : https://forums.developer.nvidia.com/t/dgx-spark-vs-amd-strix-halo/348751 ; et sur le forum Level1Techs (avril-mai 2026) : https://forum.level1techs.com/t/strix-halo-llm-inference-notes/249466.↩︎
Forum des développeurs NVIDIA, 10 août 2026 : https://forums.developer.nvidia.com/t/measured-inference-benchmarks-on-a-single-dgx-spark-same-harness-across-ollama-llama-cpp-and-vllm-notes-data-published/379766.↩︎