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 :
heures_pour_domaine = total_heures_étude × pondération_domaineExemple 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 :
- Quand est-ce le bon choix ?
- Quel signal dans un scénario y renvoie ? (« le coût compte, la latence non » → Batch API)
- 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.
Dernière mise à jour le 18 sept. 2026