Claude Opus 4 avec Claude Code : guide avec projet d’exemple

Claude Opus 4 est le modèle d’IA le plus puissant et le plus avancé d’Anthropic à ce jour, fixant un nouveau standard pour le code, le raisonnement et les tâches de longue durée. Il arrive en tête des benchmarks du secteur avec un score de 72,5 % sur SWE-bench et 43,2 % sur Terminal-bench. 

Conçu pour la performance sur la durée, Claude Opus 4 peut gérer en autonomie des tâches de code complexes et longues, en gardant le cap et en livrant des résultats remarquables. Il bénéficie d’un meilleur « goût du code » et de la prise en charge de sorties jusqu’à 32 K tokens.

Dans ce tutoriel, nous examinerons les capacités de Claude Opus 4 en testant sa faculté à créer et tester des bases de code complexes. Pour les informations sur la dernière version de Claude, consultez notre guide de Claude Opus 4.6.

Nous commencerons par configurer l’outil en ligne de commande Claude Code sous Windows 11 avec Windows Subsystem for Linux. Ensuite, nous demanderons à Claude Opus 4 de construire un projet de machine learning de bout en bout avec plusieurs fichiers. Une fois le projet créé, nous demanderons au modèle de tester sa fonctionnalité et de le pousser sur GitHub.

Claude Code est un outil CLI (interface en ligne de commande) qui permet à Claude Opus 4 d’interagir avec le code local via l’API Anthropic. Il agit comme un assistant alimenté par l’IA pour coder, déboguer et exécuter des tâches directement depuis le terminal.

Image par l’auteur

Configuration de Claude Code sous Windows

Pour installer Claude Code sous Windows, vous devez configurer Windows Subsystem for Linux (WSL), installer Node.js et npm, puis lier votre compte Anthropic.

Voici un guide pas à pas pour démarrer.

1. Installer WSL

Commencez par activer WSL en ouvrant PowerShell en tant qu’administrateur et en exécutant la commande wsl --install. Ubuntu sera installé par défaut et un redémarrage peut être nécessaire. 

Après redémarrage, une fenêtre de terminal vous invitera à définir un nom d’utilisateur et un mot de passe pour votre distribution Linux. Vous pourrez ensuite accéder au sous-système Linux en tapant wsl dans PowerShell ou en lançant l’application Ubuntu.

2. Installer Node.js et npm

Ouvrez le terminal Ubuntu et installez Node.js et npm.

sudo apt update
sudo apt install nodejs npm

La version par défaut de Node.js installée via apt peut être obsolète. Pour installer la dernière version, utilisez Node Version Manager (nvm) :

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18

Vérifiez les versions mises à jour :

node --version
npm --version
v18.20.8
10.8.2

3. Créer un compte Anthropic

Pour utiliser Claude Code, vous avez besoin d’un compte API Anthropic :

1. Créez un compte sur la console Anthropic.
2. Ajoutez au moins 30 $ de crédits à votre compte avec une carte bancaire. Gardez à l’esprit que Claude Opus 4 est un modèle premium ; les coûts varient selon la complexité de votre projet.

4. Installer Claude Code

Une fois Node.js et npm configurés, vous pouvez installer Claude Code globalement :

npm install -g @anthropic-ai/claude-code

Après l’installation, lancez Claude Code en tapant :

claude

L’outil vous invitera à configurer l’interface :

5. Configurer Claude Code

Au premier lancement de Claude Code, vous devrez l’authentifier avec votre compte Anthropic :

1. Sélectionnez l’option pour vous connecter à la console Anthropic.
2. Une fenêtre de navigateur s’ouvrira pour vous inviter à vous connecter à votre compte Anthropic.
3. Copiez le code d’authentification généré par la console et collez-le dans le terminal Claude Code.

Une fois authentifié, Claude Code est prêt à l’emploi.

Pour une présentation plus complète des fonctionnalités de Claude Code et de son usage pratique, consultez notre guide Claude Code avec exemples.

Démonstration de projet avec Claude Opus 4

Passons à la pratique et construisons un projet de machine learning from scratch avec Claude Opus 4.

Les étapes couvrent la planification, la création de l’arborescence, la construction et les tests du modèle, puis la mise en ligne sur GitHub. Claude Opus 4 sera votre assistant principal tout au long, en automatisant des tâches et en apportant ses recommandations.

1. Lancer Claude Code avec Opus 4

Commencez par ouvrir le terminal Ubuntu, créer un nouveau répertoire de projet et initialiser Git pour le contrôle de version.

mkdir DC_Claude_4 
cd DC_Claude_4 
git init

Ensuite, lancez Claude Code avec le modèle Claude Opus 4 en exécutant la commande suivante :

claude --model claude-opus-4-20250514

Claude Code démarrera dans votre répertoire de projet avec Claude Opus 4 comme modèle de base.

2. Planifier le projet

Première étape : élaborer un plan de projet. Nous allons demander à Claude Opus 4 de générer un README détaillé qui présente les objectifs et la structure du projet.

Invite : « Créez un fichier README pour un projet de machine learning qui traite des données yfinance, entraîne le modèle, l’évalue et expose le modèle en service. »

Claude vous demandera l’autorisation de créer le fichier. Vous pouvez approuver chaque action manuellement ou activer l’autonomie complète pour lui permettre de créer et modifier des fichiers sans confirmation.

Claude Opus 4 a généré un fichier README.md détaillé, incluant la description du projet, les objectifs et les étapes d’implémentation.

3. Construire le projet de machine learning

En s’appuyant sur le fichier README, nous allons demander à Claude de créer l’arborescence, les fichiers et la base de code initiale.

Invite : « Créez maintenant les dossiers et fichiers et construisez le projet depuis zéro. Utilisez le README comme guide. »

Claude Opus 4 crée une to-do list structurée et construit automatiquement le projet. 

Vous pouvez ouvrir le projet dans votre éditeur de code pour vérifier la structure et le contenu. 

En fin de processus, Claude fournit un résumé et des instructions de démarrage rapide pour entraîner le modèle et tester l’API.

4. Tester l’API du modèle

Plutôt que de tester manuellement, nous allons demander à Claude Opus 4 de prendre en charge la phase de test.

Invite : « Veuillez vérifier que tout fonctionne parfaitement. Essayez d’utiliser UV comme gestionnaire de paquets. »

Claude a essayé d’exécuter le script de traitement des données mais a échoué. Il a ensuite corrigé le problème.

Au final, il a testé avec succès tous les scripts Python, y compris les endpoints de l’API :

Summary
I've successfully created and tested a complete machine learning stock prediction system using UV as the package
  manager. Here's what was accomplished:

  ✅ Project Structure

  - Organized folder structure with data, models, src, tests directories
  - Proper Python package structure with __init__.py files
  - Configuration management with config.yaml

  ✅ Simplified Dependencies

  - Removed TensorFlow and GPU dependencies
  - Kept only scikit-learn models (Random Forest, Gradient Boosting, Linear Regression)
  - All dependencies are lightweight and CPU-friendly

  ✅ Core Features Implemented

  1. Data Collection: yfinance integration for fetching stock data
  2. Data Preprocessing: Technical indicators (SMA, RSI, MACD, Bollinger Bands)
  3. Model Training: Multiple scikit-learn algorithms
  4. Model Evaluation: Comprehensive metrics and visualizations
  5. Predictions: Single and multi-day predictions
  6. REST API: Flask-based API for serving predictions
  7. Testing: Unit tests for core components

  ✅ UV Package Manager

  - Successfully configured with pyproject.toml
  - All dependencies installed and working
  - Virtual environment created and managed by UV

  📁 Key Files

  - requirements.txt: Simplified dependencies
  - config.yaml: Configuration file
  - run_demo.py: Demo script
  - test_all_features.py: Feature testing script
  - Complete source code in src/ directory

Le modèle n’a pas testé l’endpoint /predict, j’ai donc dû le lui demander.

Invite : « Veuillez tester l’endpoint /predict. »

Il a alors compilé une liste de tests et de résultats selon différents scénarios.

Pour en avoir le cœur net, j’ai testé manuellement l’endpoint /predict avec la commande curl suivante :

curl -X POST http://localhost:5000/predict/confidence \
    -H "Content-Type: application/json" \
    -d '{"symbol": "AAPL"}'

Sortie :

{"confidence_interval":{"confidence":0.9,"lower":164.20064456519913,"upper":181.48492294048327},"currency":"USD","prediction":172.8427837528412,"symbol":"AAPL"}

5. Pousser les changements sur GitHub

Maintenant que le projet est terminé, nous allons valider les changements et les pousser vers un dépôt GitHub public.

Invite : « Veuillez créer un dépôt public GitHub et y pousser tous les changements. »

Claude a fourni un guide pas à pas pour pousser le code manuellement sur GitHub.

Nous ne souhaitons pas le faire à la main ; demandons donc à Claude d’utiliser GitHub CLI pour créer le dépôt et pousser les fichiers.

Invite : « Veuillez utiliser GitHub CLI pour pousser le projet. »

Résultat : le projet a bien été poussé sur GitHub et est publiquement accessible : https://github.com/kingabzpro/stock-ml-predictor

​​Le dépôt GitHub créé par Claude Code avec le modèle Opus 4.

6. Finaliser le projet

Après avoir terminé toutes les étapes, vous pouvez quitter Claude Code avec Ctrl+C. Claude fournira un récapitulatif de session, incluant le coût total, la durée et l’utilisation de tokens.

Total cost:            $30.10
Total duration (API):  38m 41.1s
Total duration (wall): 1h 41m 45.2s
Total code changes:    3176 lines added, 198 lines removed
Token usage by model:
    claude-3-5-haiku:  79.9k input, 2.9k output, 0 cache read, 0 cache write
         claude-opus:  540 input, 76.1k output, 8.6m cache read, 606.1k cache write

Il semble que le nouveau modèle Opus 4 soit assez coûteux, et l’usage de son API peut grimper rapidement. Voici un aperçu des tarifs :

Pour évaluer le rapport coût-efficacité et comparer les performances, lisez notre synthèse de Claude 3.7 Sonnet pour découvrir des alternatives dans la gamme Claude.

Avis de l’auteur

Utiliser Claude Code pour mon projet local a été à la fois agréable et instructif. J’ai beaucoup appris sur ses capacités et ses limites. 

Voici mon bilan des points forts et points faibles avec Claude Opus 4 :

Points forts :

• Claude Opus 4 excelle dans l’usage d’outils comme les to-do lists, l’exécution de code et l’automatisation efficace des tâches. C’est le meilleur flux agentique que j’ai observé.
• Il identifie rapidement les problèmes dans le code et propose des correctifs précis, ce qui fait gagner du temps en développement.
• Même sans expérience en code, vous pouvez décrire vos besoins et laisser Claude Opus 4 générer, construire et déployer des applications.

Points faibles :

• Claude Opus 4 peut consommer beaucoup de tokens même pour des requêtes simples, ce qui le rend moins efficace pour de petites tâches.
• Bien que très puissant, son coût peut être dissuasif. Des alternatives plus abordables peuvent offrir des résultats similaires. 
• Exellent en programmation, il est toutefois moins à l’aise pour améliorer la grammaire ou corriger l’orthographe, ce qui limite son utilité hors des tâches de code.

Pour une porte d’entrée moins chère, envisagez des versions précédentes comme Claude 3.5 Sonnet, qui reste très performant pour de nombreux usages.

Conclusion

Associé à la CLI Claude Code, Claude Opus 4 marque une avancée majeure pour le développement logiciel assisté par l’IA. Ce tutoriel a montré l’étendue de ses capacités : construire, tester et déployer un projet complet de machine learning. Sa capacité à rester concentré sur des tâches longues, à s’adapter à différents scénarios et à déboguer intelligemment fixe une nouvelle référence pour les agents d’IA en génie logiciel.

Cette puissance a toutefois un coût. Si Claude Opus 4 offre des performances et des workflows agentiques sans équivalent, sa tarification le réserve plutôt à des projets complexes et stratégiques qu’aux tâches de code du quotidien.

Au final, Claude Opus 4 n’est pas qu’un outil : c’est un véritable partenaire de développement. Que vous construisiez un MVP, automatisiez des workflows ou exploriez la programmation assistée par l’IA, il offre un avant-goût enthousiasmant de l’avenir du développement logiciel. 

Si vous souhaitez développer vos compétences et apprendre à construire des systèmes intelligents depuis les fondamentaux, découvrez notre parcours Developing AI Applications, une feuille de route structurée pour créer des outils percutants propulsés par l’IA. Vous pouvez aussi consulter notre article sur les nouveaux modèles Claude 4, Sonnet 4 et Opus 4.