mirror of
https://github.com/MaksTinyWorkshop/_Assistant_Lead_Tech
synced 2026-04-06 21:41:42 +02:00
- Ajout de $LEADTECH dans aliases.sh (variable d'env résolu Mac/NUC) - Refonte de 80_bmad/articulation_avec_lead_tech.md : lecture obligatoire par type de tâche, déclencheurs de capitalisation, chemin $LEADTECH explicite - Mise à jour du template projet_CLAUDE.md : section capitalisation actionnable - Ajout des fichiers 95_a_capitaliser.md et playbook capitaliser_un_apprentissage.md Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
2.0 KiB
2.0 KiB
Playbook — Capitaliser un apprentissage
Ce playbook décrit quand et comment transformer un apprentissage
projet en connaissance globale dans Lead_tech.
Principe
Tous les apprentissages découverts dans un projet ne doivent pas être ajoutés directement dans la base de connaissance globale.
On utilise le workflow suivant :
Projet
↓
Observation / apprentissage
↓
Proposition
↓
95_a_capitaliser.md
↓
Validation
↓
Lead_tech
Quand capitaliser
Un apprentissage mérite d'être capitalisé lorsqu'il :
- résout un bug difficile
- révèle un anti-pattern
- définit un pattern réutilisable
- documente une contrainte technique
- formalise une décision d'architecture
Où écrire selon le type de savoir
| Type de savoir | Destination |
|---|---|
| Pattern backend validé | 10_backend_patterns_valides.md |
| Pattern frontend validé | 10_frontend_patterns_valides.md |
| Anti-pattern backend | 10_backend_risques_et_vigilance.md |
| Anti-pattern frontend | 10_frontend_risques_et_vigilance.md |
| Décision d'architecture | 40_decisions_et_archi.md |
| Bug / postmortem | 90_debug_et_postmortem.md |
Procédure
-
Identifier un apprentissage dans un projet
-
Ajouter une proposition dans :
95_a_capitaliser.md
- Utiliser le format :
DATE — PROJET
FILE_UPDATE_PROPOSAL
Fichier cible : ...
Pourquoi : ...
Proposition : ...
-
Attendre validation
-
Déplacer la proposition vers le fichier cible
-
Supprimer l'entrée du fichier
95_a_capitaliser.md
Bonnes pratiques
- privilégier les exemples concrets
- éviter les règles théoriques
- préférer les patterns validés en production
- garder les propositions courtes
Objectif
Maintenir une base de connaissance :
- fiable
- réutilisable
- validée par l'expérience