Sous-agents spécialistes — référence + mandat d’usage side-tracks

Les 23 sous-agents définis dans .claude/agents/ sont des spécialistes invoquables via l’outil Agent (subagent_type: "<nom>"). Plusieurs sont orientés side-tracks long-cours : ils peuvent être lancés en asynchrone (run_in_background: true) pour faire avancer une Epic side-track pendant que le worker interactif tient sa track principale sur wakeup horaire.

3 spécialistes side-track créés 2026-05-23 (corollaire du mandat Epics) : prover-forensic (#1453, comble le GAP prover), training-specialist + skill train-model (#1454), genai-iterator + skill genai-iterate (#1385). Chacun encode les artefacts réels du dépôt (pipeline, CLI, configs) — voir leur fiche.

Mandat (mandat user 2026-05-23) : les Epics side-tracks DOIVENT déléguer aux sous-agents spécialistes async quand un specialist existe. Ne pas refaire à la main ce qu’un specialist fait mieux. Voir .claude/rules/proactive-coordination.md.

Orchestrateurs persistants — idéaux pour side-tracks async

Agent Rôle Pourquoi side-track
series-improver Orchestre l’amélioration itérative d’une série de notebooks, suivi de progression persistant + reprise après redémarrage VSCode Batch long-cours qui survit aux interruptions — le driver async par excellence
notebook-iterative-builder Orchestre les cycles création/amélioration d’un notebook (design → execute → validate → enrich → fix) jusqu’à convergence qualité Travail profond multi-étapes sur un notebook complexe (nouvelles séries)
training-specialist Orchestre l’entraînement ML (RL/PPO, Decision Transformer, LSTM, transformer, mamba, PatchTST, MoE, GNN), thermal-safe GPU + walk-forward/multi-seed/DM + registry #1454 Training & Post-Training — runs GPU longs en BG pendant la main track
genai-iterator Itère sur les notebooks GenAI contre la stack auto-hébergée (ComfyUI/Qwen, Forge, vLLM) via le CLI genai-stack : auth, sous-domaines, quantization, GPU/VRAM #1385 GenAI series + hosting — itération batch async
corrective-auditor Audite en profondeur une cible en mode DISCOVERY (findings à découvrir librement) ou REASSESSMENT (finding à revérifier), puis corrige seulement les défauts locaux confirmés Audit Astra sémantique mono-cible — preuves contradictoires, déconfliction par contenu, validation réelle et PR atomique
corrective-sweeper Balaie plusieurs notebooks et applique uniquement des fixers mécaniques explicitement allowlistés, avec compteurs réconciliés et invariants Première passe Astra precision-first — tout signal sémantique, d’ordre ou ambigu reste advisory et part en audit profond
prover-forensic Read-only forensic des traces du harness prover Lean (mappe pathologies → code, propose deltas bornés ROI-rankés) #1453 harness co-evolution — survey async pendant les BG iter prover

Distinction : corrective-auditor = audit sémantique profond d’une cible ; corrective-sweeper = corrections mécaniques allowlistées sur un lot ; series-improver = amélioration itérative d’une série avec scoring et reprise ; notebook-iterative-builder = convergence profonde d’un notebook. Ces quatre rôles sont complémentaires, pas interchangeables.

Mapping side-track Epic → sous-agents mandatés

#1454 Training & Post-Training (po-2024 ⇄ ai-01)

  • Training ML : training-specialist (orchestrateur thermal-safe + walk-forward/multi-seed/DM, skill /train-model) — driver async de l’Epic. Encode ML-Training-Pipeline/ (REGISTRY/CURRICULUM, 30+ train_*.py, watchdog thermique MAX_TEMP=80C cool_sleep).
  • Trading : qc-strategy-analyzer (diag BROKEN/NEEDS_IMPROVEMENT), qc-strategy-improver (workflow amélioration complet), qc-robustness-researcher (walk-forward multi-régime), qc-research-notebook (idéation/exploration avant implémentation).
  • Nouvelles séries RL/PPO + GenAI fine-tuning/LoRA : notebook-designer (création from scratch) + notebook-iterative-builder (convergence qualité).

GenAI series #1385 (po-2023 side-track + tests GenAI ai-01)

  • Driver : genai-iterator (orchestre l’itération contre la stack via CLI genai-stack, skill /genai-iterate) — auth/sous-domaines/quantization/GPU.
  • notebook-modernizer (libs/APIs obsolètes via recherche web), notebook-executor (exécution + capture outputs via MCP Jupyter), notebook-validator (validation structure/exec/pédagogie).
  • infer-notebook-enricher pour la famille Probas/Infer.NET.

#1455 TP EPITA → exemples guidés + nouveaux exercices (po-2025) + modernisation #999

  • series-improver (batch + resume sur la série), notebook-cleaner (markdown pédagogique : dédup, hiérarchie), notebook-enricher (interprétations/transitions), notebook-designer (nouveaux exercices à la suite), notebook-cell-iterator (correction ciblée d’une cellule), notebook-validator (vérif finale).
  • Respecter .claude/rules/exercise-example-labeling.md (content-based, jamais de find-replace aveugle).

#1453 Prover harness co-evolution (po-2026 ⇄ ai-01)

  • prover-forensic (créé 2026-05-23, comble l’ancien GAP) : forensic read-only des traces (agent_tests/prover/traces/*_result.json, baselines/traces/*.spans.jsonl) → macro-signal + pathologie ancre + cause racine + deltas ROI-rankés bornés par les traces. Aucune édition .lean/harness. Lancer en async pendant les BG iter prover ; la proposition P1 est implémentée par po-2026 sur sa main track, ai-01 valide via re-run.

Cross-cutting maintenance (toutes machines, alignement env)

  • readme-hierarchy-auditor (audit/maj hiérarchie README bottom-up), readme-updater (maj README d’une série après ajout/modif notebooks).
  • slide-analyzer / slide-improver (decks PPTX/Marp, vision sk-agent) pour les tracks slides EPITA/ECE.
  • general-purpose (catch-all, exploration/analyse async non couverte par un specialist).

Usage async (pattern)

Agent(
  subagent_type: "series-improver",     # ou notebook-modernizer, qc-strategy-improver, etc.
  run_in_background: true,              # side-track async pendant la main track
  description: "<3-5 mots>",
  prompt: "<contexte repo + Epic + livrable attendu + contraintes (read-only si analyse, outputs réels, anti-regression)>"
)

Le message final du sous-agent revient en notification. Les sous-agents read-only (analyse) ne risquent pas de collision ; pour les sous-agents qui éditent, un seul à la fois par notebook/série (pas d’enrichissement parallèle du même fichier — règle CLAUDE.md).

Pour une vague parallèle de corrective-auditor, passer explicitement model: "sonnet" et run_in_background: true, réserver des AUDIT_SCOPE disjoints, et fournir les findings initiaux comme seeds advisory plutôt que comme conclusions. Chaque auditor peut lire sa sous-série, mais réduit sa claim et ses PATHS à un seul notebook avant édition et ne corrige pas un second notebook dans la même mission.

Skills .claude/skills/ — slash-commands mandatés

Les skills sont les slash-commands de .claude/skills/, plus un module de référence, qc-helpers.md. Là où un skill couvre une tâche récurrente, l’utiliser plutôt que de réimproviser le workflow (mandat user 2026-05-23 : catalogue clair pour encourager l’usage).

Workflows actionnables (slash-commands)

Skill Quand l’utiliser Track / Epic
/coordinate Reprise session coordination (mémoire + RooSync + issues → briefing + dispatch). --dispatch, --focus, --reply-all ai-01 chaque wakeup
/review-student-prs Recycler les TP étudiants : review + exécution + merge intelligent (exercice résolu → exemple + nouvel exercice à la suite). --class, --timeslot, --dry-run EPITA-IS / ECE / PrCon, #1455
/build-notebook Créer/améliorer/corriger un notebook avec scoring qualité itératif (new\|improve\|fix) nouvelles séries (#1454 RL/PPO, GenAI)
/enrich-notebooks Markdown pédagogique (interprétations, transitions). --execute, --fix-errors, --iterate #1455, GenAI
/cleanup-notebooks Réorganiser markdown enrichi (dédup, hiérarchie). --hierarchy-only post-enrichissement
/execute-notebook Exécution (scripts locaux ou MCP Jupyter). --mode, --batch, --save validation toutes séries
/verify-notebooks Vérif + fix itératif (--quick, --fix, --python-only, --dotnet-only) gate avant PR
/validate-genai Valider stack GenAI (services, auth, modèles, notebooks, VRAM). --local, --remote, --quick GenAI hosting, #1385
/analyze-slides Analyse qualitative deck PPTX via vision AI. --render, --slides tracks slides EPITA/ECE
/qc-iterative-improve Workflow amélioration stratégies QC ([strategy\|issue#], --iterations, --backtest) #1409 trading
/train-model Entraîner un modèle ML (thermal-safe GPU, walk-forward + multi-seed + DM). --dry-run, --seeds, --folds, --bg #1454 Training
/genai-iterate Itérer un notebook GenAI contre la stack (auth, sous-domaines, quant, GPU/VRAM) via CLI genai-stack. --service, --quant, --validate, --bg #1385 GenAI
/check-cell-order Détecter les problèmes d’ordre des cellules (enchaînement, cellules oubliées ou mal placées, canonical-order slippage). [target], --severity HIGH\|MED\|LOW, --json, --fail-on. Backed by scan_cell_ordering.py #3240 structure notebooks

Skills de référence (chargés à la demande, pas de slash-command actif)

Skill Contenu
mcp-jupyter Référence outils MCP Jupyter (kernels, exécution cellule, Papermill)
notebook-helpers Référence notebook_helpers.py / notebook_tools.py (manipulation, structure)
notebook-patterns Patterns pédagogiques d’enrichissement (modèle GameTheory)
qc-helpers Référence patterns/helpers pour les opérations QuantConnect via MCP (config organizationId, outils disponibles)

/review-student-prs = canal canonique du recyclage TP : il applique déjà la convention exercice→exemple (.claude/rules/exercise-example-labeling.md) + la review bienveillante + bypass CI/template (.claude/rules/student-pr-reviews.md). Ne pas réécrire ce workflow à la main.

Voir aussi

Retour au sommet