agent-creator

name	agent-creator
description	Crée un nouvel agent Claude Code (sub-agent) dans `~/.claude/agents/` (user scope) ou `.claude/agents/` (project scope). Scaffold un fichier `.md` unique avec frontmatter (name, description, tools, color, model, effort) + squelette de prompt (mission, méthode, format de sortie, règles de conduite). Use when the user says "crée un agent", "nouveau agent", "scaffold agent", "agent-creator", "create agent", or any variant requesting the creation of a new sub-agent. NOT for creating skills (see skill-creator) or CLI scripts (see script-creator). Use when this capability is needed.
metadata	{"author":"fanilosendrison"}

Agent Creator

L'agent que tu crées est un exécutant, pas un lecteur curieux. Chaque ligne de son prompt doit : (a) donner un ordre clair, (b) ancrer un jugement qualitatif qu'aucun ordre ne peut substituer, ou (c) cadrer le mindset. Tout le reste — justification, historique, coordination avec skills adjacents — est du noise à supprimer.

Agent vs Skill — choisir avant de scaffolder

Avant de créer un agent, confirmer que la tâche justifie l'isolation d'un sub-agent. Sinon → préférer un skill (plus simple, pas de nouveau contexte).

Besoin	Outil
Procédure réutilisable qui s'exécute dans le contexte courant	Skill
Délégation avec context window isolé (grosse exploration → résumé revient)	Agent
Parallélisme (dispatcher N instances en même temps, ex : par fichier)	Agent
Besoin de pinner un modèle/effort indépendamment de la session parent (déterminisme)	Agent
Allowlist de tools restreinte pour la tâche	Agent

Si aucune de ces raisons ne s'applique → skill, pas agent.

Process de création

Step 1 — Clarifier la mission

Répondre à ces questions avant d'écrire quoi que ce soit :

• Qui invoque l'agent ? Skill orchestrateur, invocation directe par Claude parent, ou les deux ?
• Quels inputs ? Liste exhaustive (paths, IDs, paramètres). Ce que l'orchestrateur fournit vs ce que l'agent dérive.
• Quel output ? JSON (si consommé par script/skill) ou texte (si consommé par humain/Claude). Préciser le schéma.
• Read-only ou écriture ? Conditionne tools.
• Parallélisable ? Si oui → l'agent DOIT être stateless (pas d'effets croisés entre instances).
• Besoin de déterminisme ? Si oui → pinner model + effort.

Step 2 — Choisir le scope

• user (~/.claude/agents/) — agent réutilisable sur tous les projets.
• project (.claude/agents/ du cwd) — agent spécifique au projet courant.

En cas de doute → user.

Step 3 — Scaffolder

scripts/init_agent.sh <name> --scope user|project

Le script :

• Valide le nom (kebab-case, ≤64 chars, unique dans le scope).
• Crée le fichier .md depuis assets/template-agent.md avec substitution {{name}}.
• Refuse si un agent de même nom existe déjà dans le scope.

Step 4 — Remplir le template

Ouvrir le .md généré et remplir chaque TODO. Les sections canoniques du body sont définies dans assets/template-agent.md — source unique de vérité pour la structure.

Pendant la rédaction, appliquer les Principes de rédaction (référence ci-dessous) et consulter les Few-shot (référence ci-dessous) pour les patterns courants.

Step 5 — Tester

Invoquer l'agent depuis une session Claude Code :

Agent({
  subagent_type: "<name>",
  description: "Test run",
  prompt: "..."
})

Vérifier :

• L'agent respecte sa mission (pas de scope creep).
• Le format de sortie est stable.
• Les tools déclarés suffisent (pas de tool manquant qui force Claude à improviser).

Si itération nécessaire → éditer le .md directement, pas besoin de re-scaffolder.

Référence — Anatomy du frontmatter

Un agent = un seul fichier .md dans ~/.claude/agents/<name>.md (user) ou .claude/agents/<name>.md (project).

---
name: my-agent                     # kebab-case, doit matcher le nom de fichier
description: Phrase unique qui décrit mission + quand invoquer (matching d'invocation)
color: blue                        # optionnel — couleur d'affichage
model: claude-opus-4-6             # optionnel — pin du modèle
effort: xhigh                      # optionnel — pin de l'effort (low|medium|high|xhigh)
tools: Read, Grep, Glob, Bash      # allowlist — liste des tools autorisés
---

Règles de sélection :

• name — kebab-case, ≤64 chars, unique. Doit matcher le nom de fichier (sans .md).
• description — premier critère de matching quand Claude parent choisit subagent_type. Doit contenir : qui est l'agent, ce qu'il fait, qui l'invoque.
• tools — minimum viable. Read, Grep, Glob pour read-only ; ajouter Edit, Write, Bash si l'agent modifie ou exécute.
• model + effort — à pinner si le sub-agent doit produire une qualité déterministe indépendante du modèle de la session parent (cas typique : orchestrateurs de boucles qualité, reviewers hostiles).
• color — cosmétique uniquement.

La structure des sections du body (Mission / Contexte / Méthode / Format de sortie / Règles de conduite / Anti-patterns) vit dans assets/template-agent.md. Éditer le template, pas cette page.

Référence — Principes de rédaction du prompt

Contenu

• Zéro noise pédagogique. Supprimer les justifications ("Pourquoi cette règle existe"), les contextes historiques, les explications de la structure du doc. L'agent exécute, il n'assimile pas.
• Zéro coupling downstream. Ne pas mentionner les skills/agents/orchestrateurs qui consomment la sortie de l'agent. Un périmètre stand-alone est plus robuste et plus facile à faire évoluer.
• Instructions, pas descriptions. Un bullet descriptif ("Assertions tautologiques") n'est pas actionnable ; un trigger d'émission ("Émettre un finding pour chaque assertion tautologique") l'est. Convertir systématiquement.
• Test d'actionnabilité. Si retirer une ligne ne change pas l'exécution, la retirer.

Structure

• Zéro forward reference. Tout ce dont une section a besoin doit venir AVANT elle. Calibration, sévérités, gates, glossaire → en tête, pas en annexe. Les sections d'exécution sont lues quand leurs outils sont déjà connus.
• Cadrage en TOP. Mindset (hostile, méfiant, strict, read-only), règles de conduite, zone de non-responsabilité → dès le début. Ce qui colore toute la lecture se lit d'abord, pas en conclusion.
• Grouper par phase d'exécution, pas par liste plate d'items. Une séquence (récolte → analyse → émission → consolidation) donne à l'agent un workflow mental au lieu d'une énumération fatigante.
• Pas de scratch mental pour un LLM. Un signal qui doit persister entre sections doit être émis dans les tokens générés (ex : phase "Récolte" qui produit un inventaire explicite). Les LLMs n'ont pas de scratchpad invisible — ce qui n'est pas écrit se perd.

Langage

Registre hybride calibré, pas normatif intégral ni purement qualitatif :

• Normatif strict (DOIT / NE DOIS PAS) pour les règles dures : conduite, gates, conditions bloquantes, zone de non-responsabilité.
• Impératif avec trigger ("Émettre X pour chaque Y") pour les sections d'exécution qualitative. Transforme une description passive en obligation d'action.
• Question de protocole ("Le déclencheur est-il plausible ?") répondue par l'agent via une sortie structurée, pas par un jugement implicite.

Règles additionnelles :

• Bannir les questions rhétoriques. "Le code gère-t-il les cas limites ?" invite l'agent à répondre "oui" et passer. Remplacer par instruction d'émission.
• Minimiser les termes subjectifs ("raisonnable", "plausible", "adjacent"). Les garder uniquement là où le jugement EST l'essence de la tâche (calibration hostile, review). Sinon, remplacer par critère testable.

Calibration (si l'agent classifie, score, ou priorise)

• Heuristique > liste d'exceptions. Cas spéciaux → générer une heuristique générale (ex : plausibilité × impact) plutôt qu'une liste d'exceptions qui dérive à chaque nouveau cas. L'heuristique est maintenable, la liste non.
• Gate explicite séparée de la calibration. Une condition d'exclusion (ex : output non formulable → catégorie X) se nomme et précède la calibration, pas fusionnée dedans. Nommer la gate évite que l'agent la mélange avec les règles de score.
• Asymétrie assumée entre sections. Un protocole long ≠ une importance haute. Avertir l'agent explicitement : longueur ≠ pondération.
• Délimitation positive ET négative. Sur une frontière ambiguë entre deux catégories, fournir un exemple valide + un contre-exemple hors-périmètre. Les deux pôles ancrent la frontière.

Few-shot (exemples dans le prompt)

• Ajouter des exemples uniquement où le prior du modèle est faible — sections spécialisées, frontières ambiguës, formats de sortie inhabituels. Zéro exemple sur les sections à prior fort : dilution sans signal.
• Localité (proximité > groupage). Un few-shot est inline dans la section qu'il ancre, pas groupé en annexe loin de son usage. Un exemple utile dans la section 3 stocké en section 10 est invisible au moment d'exécuter la section 3.
• Exemples réels, tirés du domaine visé, pas synthétiques. Calibre sur le domaine spécifique, pas sur des patterns génériques.
• Exemples complets : tous les champs du format de sortie + calibration explicitée ("plausibilité haute × corruption silencieuse → critical").

Architecture du prompt

• Séparation orchestration/exécution. L'agent ne connaît pas son pipeline downstream (orchestrateur, hashes d'oscillation, consommateurs JSON). Tout ce qui est downstream est invisible à l'agent.
• Source unique de vérité. Si une info existe à deux endroits (frontmatter + body, SKILL + template, body + annexe), en choisir un (le plus proche du producteur) et référencer depuis l'autre.
• Critère d'inclusion d'une section. Une section mérite d'exister si : (a) classe distincte de failure modes ou de tâches, (b) requiert lecture sémantique non couverte ailleurs, (c) produit une sortie atomique formulable. Sinon → fusionner ou supprimer.
• Dispatch vs monolithique. Split en plusieurs agents quand les sous-tâches sont naturellement indépendantes (ex : un sub-agent par fichier). Garder monolithique quand les sections partagent des signaux (récolte commune, corrélations cross-section).

Opérationnel (model, effort, coût)

• Model et effort définis par la tâche, pas par défaut. Analyser la charge cognitive réelle (multi-sections, mindset adversarial, savoir spécialisé, méta-raisonnement) avant de choisir.
• Coût × fréquence > gain marginal. Un upgrade modèle qui améliore de 5 % mais coûte 2× sur une tâche invoquée 100× par jour : pas rentable. Mesurer le volume réel avant d'upgrade.
• Cohérence cross-pipeline. Si tous les agents critiques d'un pipeline sont sur le même model, garder cette cohérence sauf justification forte (éviter les variances inter-agents sur les hashes d'oscillation).

Méta

• Mesure empirique > optimisation de wording. Au-delà d'un certain point, les gains viennent de mesurer en prod (faux négatifs/positifs, oscillations, taux d'émission) pas de continuer à tight le wording.
• Diff baseline après refactor. Après restructuration non-triviale, diff le contenu vs l'état précédent. Préserver : labels, règles de conduite, phrases canoniques. Restructurer ≠ perdre du contenu.
• Rotation > réécriture. Pour réorganiser, privilégier le move de blocs existants plutôt que la réécriture. Diff lisible, perte minimisée.

Référence — Few-shot : 3 agents réels

Trois patterns récurrents. Extraits de production — frontmatter complet + ouverture du body pour ancrer le registre.

Pattern 1 — Sub-agent au service d'un skill

Reçoit un scope strict (liste de fichiers, liste d'items) via un orchestrateur. Produit un JSON parsable. Règles de conduite strictes (pas d'Edit hors scope). model + effort pinnés.

Exemple : backlog-fix (au service de backlog-crush) :

---
name: backlog-fix
description: Applique les fixes d'items backlog (critical/major) depuis une description minimale. Reçoit scope_files + items avec {id, severity, file, line, description}. Effectue un re-discovery du problème depuis le code avant de fixer. Utilisé par le skill backlog-crush comme sub-agent par cluster de fichiers.
color: purple
model: claude-opus-4-6
effort: xhigh
tools: Read, Edit, Write, Grep, Glob, 

Ouverture du body :

Tu es un backlog-fix applier au service du skill backlog-crush. Tu reçois de l'orchestrateur un scope de fichiers {scope_files} et une liste d'items backlog à corriger. [...] Ta tâche : re-découvrir le problème depuis le code puis appliquer le fix, en introduisant zéro régression.

Noter : registre tutoiement, inputs nommés entre {}, objectif final en gras, contraintes absolues en gras.

Pattern 2 — Explorer / researcher

Read-only. Input = question ouverte, output = synthèse texte. Pas d'effets secondaires. Thoroughness paramétrable.

Exemple : explore-codebase :

---
name: explore-codebase
description: Use this agent whenever you need to explore the codebase to realize a feature.
color: yellow
model: opus
---

Ouverture du body :

You are a codebase exploration specialist. Your only job is to find and present ALL relevant code and logic for the requested feature.

Noter : pas de tools déclaré (allowlist par défaut), pas de effort, rôle phrasé en "your only job" → zone de non-responsabilité implicite. Registre sobre car agent générique à prior fort.

Pattern 3 — Orchestrateur de boucle

Pinne model + effort pour isoler du model parent. Tools larges (inclut Agent pour dispatcher). Exécute un pipeline avec script bash de décision (séparation sémantique / technique).

Exemple : loop-clean-orchestrator :

---
name: loop-clean-orchestrator
description: Agent orchestrateur du skill /loop-clean. Exécute la boucle post-implémentation coding-standards → senior-review → dedup-codebase → spec-drift → fix-or-backlog jusqu'à convergence CLEAN, détection d'oscillation, ou plafond d'itérations. Model et effort pinnés pour qualité déterministe indépendante du model de session parent.
color: blue
model: claude-opus-4-6
effort: xhigh
tools: Bash, Read, Edit, Write, Grep, Glob, Agent

Ouverture du body :

Tu es l'agent orchestrateur du skill /loop-clean. Tu prends en charge la boucle complète de nettoyage post-implémentation et tu retournes un rapport markdown final à l'appelant. Ton model et ton effort sont pinnés (Opus 4.6, xhigh) pour garantir une qualité déterministe même si la session parent utilise un autre model.

Noter : la description liste la séquence exacte du pipeline + les conditions d'arrêt. Le body explicite pourquoi le pin (qualité déterministe cross-session) — seule place légitime pour une justification, car c'est un invariant critique de l'agent.

Anti-patterns

Frontmatter / périmètre

• Description vague — "Helps with code review" est inutile. Dire qui invoque, quoi, comment.
• Tools trop larges — ne donner Edit, Write, Bash que si vraiment nécessaire. Principe du moindre privilège.
• Pas de format de sortie — un agent sans schéma de sortie produit du texte inconsommable par son parent.
• Périmètre cross-cutting — un agent qui "fait plusieurs choses" → split en plusieurs agents spécialisés.
• Prompt > 500 lignes — signal que la mission est trop large ou mal découpée.
• Effets croisés si parallélisable — un agent dispatché en parallèle doit être stateless (pas d'écriture sur un fichier partagé, pas de mutation d'état global).

Rédaction du prompt

• Noise pédagogique — justifications, historique, méta-commentaires sur la structure → supprimer.
• Coupling downstream — mention de l'orchestrateur, des hashes, du pipeline consommateur → supprimer.
• Descriptions passives au lieu d'instructions — "Assertions tautologiques" (description) vs "Émettre un finding pour chaque assertion tautologique" (instruction).
• Forward reference — utiliser une notion (sévérité, gate, glossaire) avant de la définir → re-ordonner pour tout poser en amont.
• Questions rhétoriques — "Le code gère-t-il les cas limites ?" invite à dire "oui" et passer → convertir en instruction d'émission.
• Few-shot groupé loin de son usage — un exemple utile dans la section 3 stocké en annexe = invisible au moment d'exécuter.
• Duplication de règles — même règle répétée dans frontmatter + body + template = 3 sources de vérité qui divergent. Choisir UNE source, référencer depuis les autres.
• Termes subjectifs là où un critère testable existe — "raisonnable", "plausible", "adjacent" n'ont leur place que là où le jugement EST l'essence de la tâche.

Artefacts à ne pas créer

Pas de README.md, CHANGELOG.md, INSTALLATION_GUIDE.md à côté du fichier agent. L'agent est un seul .md, pas un projet.

---

Source: fanilosendrison/dotclaude — distributed by TomeVault.