# Méthode d’étude Comment répartir les heures selon la pondération du blueprint, combiner l’étude avec la pratique concrète, et utiliser les examens d’entraînement pour décider quand réserver. ## Principe 1 – Étudiez pondéré, pas à plat Le sabotage de soi le plus courant consiste à consacrer autant de temps à un domaine à 2,6 % qu’à un domaine à 33,1 %. Convertissez les pondérations en heures : ```text heures_pour_domaine = total_heures_étude × pondération_domaine ``` Exemple pour CCDV-F avec un budget de 30 heures : | Domaine | Pondération | Heures | | --- | --- | --- | | Applications and Integration | 33,1 % | ~10 | | Model Selection and Optimization | 16,8 % | ~5 | | Agents and Workflows | 14,7 % | ~4,5 | | Prompt and Context Engineering | 11,0 % | ~3,5 | | Tools and MCPs | 10,6 % | ~3 | | Security and Safety | 8,1 % | ~2,5 | | Claude Code | 3,1 % | ~1 | | Eval, Testing, and Debugging | 2,6 % | ~1 | Puis **redistribuez** vers vos domaines faibles mesurés après un premier examen d’entraînement. ## Principe 2 – Construisez pendant que vous étudiez Les guides officiels le disent directement : combinez l’étude avec la pratique concrète. Un projet d’un week-end qui touche cinq domaines vaut mieux que dix heures de lecture supplémentaires. Constructions suggérées par examen : | Examen | Construction minimale viable | | --- | --- | | CCAO-F | Configurez un Claude Project avec des custom instructions et 3–5 documents de connaissance ; exécutez un workflow réel ; évaluez les sorties pour l’exactitude, le biais et l’adéquation au public ; rédigez une note d’adoption d’une page | | CCDV-F | Une application qui appelle la Messages API (streaming + gestion d’erreurs), utilise un outil personnalisé et un serveur MCP, applique le prompt caching, et inclut une eval de 20 cas | | CCAR-F | Un système de recherche coordinateur/subagent avec sortie JSON structurée, une boucle validation-retry, des hooks pour une règle métier stricte, et une hiérarchie CLAUDE.md pour un dépôt | | CCAR-P | Tout ce qui figure dans CCAR-F plus un pipeline RAG avec des choix de chunking que vous pouvez défendre, un harnais d’eval avec comparaison A/B, des dashboards d’observabilité, et un ensemble d’architecture decision records (ADR) | ## Principe 3 – Apprenez l’arbitrage, pas le fait Les items d’examen donnent un scénario et quatre options défendables. La bonne reflète le **bon arbitrage compte tenu des contraintes de l’énoncé**. Pour chaque concept, sachez répondre à : 1. Quand est-ce le bon choix ? 2. Quel signal dans un scénario y renvoie ? (« le coût compte, la latence non » → Batch API) 3. Quelle est la mauvaise alternative tentante, et pourquoi est-elle fausse ici ? Les pages de domaine de ce site sont rédigées autour de ce triptyque. ## Principe 4 – Utilisez les examens d’entraînement comme porte de réservation Les frais sont de 99 à 175 USD par tentative et les attentes de reprise sont de 14 à 90 jours. Une tentative échouée coûte de l’argent **et** des mois. Règle de décision : - Score **≥ 80 %** sur un examen d’entraînement récent et chronométré, avec **aucun domaine sous 65 %** → réservez. - Sinon → redistribuez les heures vers les domaines faibles, reconstruisez, re-testez. ## Un modèle de six semaines (5–8 h/semaine) | Semaine | Objectif | | --- | --- | | 1–2 | Lisez votre cours par ordre de pondération ; faites les cours gratuits de l’Anthropic Academy mappés à votre examen | | 3–4 | Construisez le projet minimal viable ; revisitez les pages de domaine au fil des questions | | 5 | Examen d’entraînement chronométré ; entraînez les domaines faibles avec les questions d’entraînement au niveau du domaine | | 6 | Comblez les écarts, re-testez, revoyez la politique du jour d’examen, réservez en gardant à l’esprit la fenêtre de modification de 24/48 heures | ## Cours gratuits Academy mappés à chaque examen | Examen | Cours gratuits à plus forte valeur (Anthropic Academy sur Skilljar) | | --- | --- | | CCAO-F | Claude 101 · AI Capabilities and Limitations · parcours AI Fluency pour votre rôle | | CCDV-F | Building with the Claude API (la colonne vertébrale) · Introduction to Model Context Protocol · Claude Code in Action · Introduction to Agent Skills · Introduction to Subagents | | CCAR-F | Building with the Claude API · MCP: Advanced Topics · Claude Code 101 · docs officielles sur les agents, la gestion du contexte et la conception d’outils | | CCAR-P | Tout ce qui figure dans la ligne CCAR-F plus Claude on Amazon Bedrock / Google Vertex AI si vous déployez via une plateforme cloud | ## Lire efficacement la documentation officielle La documentation a été scindée en **juillet 2026** : - Claude API et plateforme : `platform.claude.com/docs/en/*` - Claude Code : `code.claude.com/docs/en/*` - Agent SDK : `code.claude.com/docs/en/agent-sdk/*` (renommé de « Claude Code SDK » en **Claude Agent SDK**) - Spécification MCP : `modelcontextprotocol.io` Les anciennes URL `docs.anthropic.com` redirigent encore. Lorsqu’une source d’étude et la doc en direct se contredisent, la doc en direct l’emporte.