CASD™ — Certified AI Solutions Developer · Claude Code

English version

Curriculum officiel de certification

Avis de marque et d'indépendance. Claude est une marque d'Anthropic, PBC. Le Sopheria Global Certification Board est un organisme de certification indépendant, non affilié à Anthropic et non endossé par elle. La certification CASD™ atteste de compétences professionnelles évaluées par le SGCB selon ses propres référentiels ; elle ne constitue pas une certification délivrée par Anthropic.

Le dispositif de certification CASD™ est conçu en alignement avec les exigences de la norme ISO/IEC 17024 relatives à la certification de personnes (impartialité, séparation formation/certification, comité de schéma indépendant). Le SGCB maintient une feuille de route d'accréditation ; il ne revendique aucune accréditation externe non obtenue.

1. Présentation et valeur de la certification

La certification CASD™ — Certified AI Solutions Developer · Claude Code est la certification vedette du catalogue SGCB. Elle valide la capacité d'un développeur confirmé à concevoir, construire, sécuriser et exploiter en production des applications et des systèmes agentiques fondés sur les modèles Claude d'Anthropic, en mobilisant l'API Claude, les SDK officiels, le Model Context Protocol (MCP) et les patterns d'ingénierie reconnus de l'industrie.

Le titulaire de la certification démontre qu'il sait :

• intégrer la Messages API et les SDK Anthropic dans des applications réelles (streaming, vision, documents, appels d'outils) ;
• concevoir des prompts de niveau production exploitant les spécificités de Claude (system prompts, balisage XML, raisonnement structuré) ;
• architecturer des agents et systèmes multi-agents outillés via MCP et les mécanismes d'orchestration ;
• mettre en œuvre des chaînes RAG robustes et une gestion du contexte maîtrisée (citations, prompt caching, fenêtres longues) ;
• exploiter ces systèmes en production : sécurité, coûts, évaluation, observabilité, garde-fous, conformité et usage responsable.

Valeur pour le professionnel. Le CASD™ constitue une preuve indépendante, vérifiable et datée de compétence sur l'écosystème Claude — un différenciateur sur un marché où l'ingénierie d'applications LLM est devenue une compétence critique. Chaque certification est assortie d'un identifiant vérifiable dans le registre public du SGCB.

Valeur pour l'employeur. Le référentiel est construit à partir d'une analyse de pratique professionnelle (job task analysis) conduite auprès de praticiens en poste, et l'examen est maintenu par un comité de schéma indépendant du pôle formation. Recruter ou faire certifier un Certified AI Solutions Developer · Claude Code, c'est disposer d'un signal standardisé de capacité à livrer des systèmes LLM fiables.

2. Public cible

• Développeurs logiciels et ingénieurs backend/full-stack intégrant des LLM dans des produits ;
• Ingénieurs IA / ingénieurs machine learning orientés applications génératives ;
• Architectes techniques concevant des plateformes agentiques ou des chaînes RAG ;
• Ingénieurs plateforme et DevOps responsables de l'exploitation de charges de travail LLM ;
• Consultants techniques et leads d'équipes de delivery IA.

3. Prérequis

3.1 Prérequis obligatoires

Aucun prérequis formel n'est exigé pour se présenter à l'examen. Le SGCB recommande toutefois fortement le profil suivant :

• 2 à 5 ans d'expérience en développement logiciel professionnel ;
• 12 mois minimum d'expérience pratique avec des API de LLM, dont une expérience significative de l'API Claude ;
• maîtrise d'au moins un langage disposant d'un SDK Anthropic officiel (Python ou TypeScript recommandés) ;
• aisance avec HTTP/REST, JSON, JSON Schema, Git et les pratiques de base du déploiement cloud.

3.2 Certifications SGCB recommandées en amont

Ces certifications ne sont pas obligatoires ; elles constituent le parcours de progression conseillé au sein du SQF.

3.3 Expérience pratique recommandée

Le candidat idéal a déjà, en contexte réel ou en projet substantiel :

• construit au moins une application appelant la Messages API avec streaming et gestion d'erreurs ;
• implémenté un cycle complet de tool use (définition d'outils, exécution, renvoi de tool_result) ;
• mis en place du prompt caching et mesuré son impact sur coûts et latence ;
• développé ou intégré au moins un serveur MCP ;
• livré une chaîne RAG avec évaluation de la qualité des réponses.

4. Domaines de compétences et pondérations

Le référentiel CASD™ comprend six domaines de compétences. Les pondérations reflètent l'importance relative de chaque domaine dans la pratique professionnelle ; elles structurent la grille d'évaluation du projet certifiant et la répartition des questions du QCM (voir le référentiel d'évaluation, exam-blueprint.md).

Domaine 1 — Fondamentaux des LLM et de la famille de modèles Claude (10 %)

Objectifs d'apprentissage mesurables. À l'issue de sa préparation, le candidat est capable de :

• Expliquer le fonctionnement d'un modèle de langage autorégressif : tokenisation, fenêtre de contexte, génération token par token, limites intrinsèques (hallucinations, coupure de connaissances) ;
• Distinguer les niveaux de la famille Claude (classes de modèles orientées capacité maximale, équilibre coût/performance, et rapidité/économie) et sélectionner le modèle approprié à un cas d'usage donné selon des critères de qualité, latence, coût et taille de contexte ;
• Interpréter les identifiants de modèles, les politiques de cycle de vie (disponibilité, dépréciation, retrait) et planifier une stratégie de migration entre versions ;
• Calculer le coût d'une requête à partir des tokens d'entrée/sortie et des tarifs par million de tokens, en tenant compte des tokens de raisonnement et des remises (batch, cache) ;
• Décrire les capacités transverses des modèles Claude : multimodalité (vision, documents), raisonnement étendu, appels d'outils, sorties structurées ;
• Comparer les modes de consommation des modèles Claude : API directe Anthropic et plateformes cloud partenaires, et identifier les écarts de disponibilité fonctionnelle entre plateformes.

Sous-thèmes. 1.1 Architecture des transformeurs et génération autorégressive (niveau conceptuel) ; 1.2 Tokenisation et comptage de tokens (endpoint de comptage, spécificité du tokeniseur par modèle) ; 1.3 Famille de modèles Claude : positionnement, capacités, fenêtres de contexte, plafonds de sortie ; 1.4 Cycle de vie des modèles et stratégies de migration ; 1.5 Modèle économique : tarification entrée/sortie, coûts du raisonnement, remises batch et cache ; 1.6 Plateformes de distribution (API Anthropic, clouds partenaires) et matrice de disponibilité des fonctionnalités.

Domaine 2 — API Claude et SDK Anthropic (20 %)

Objectifs d'apprentissage mesurables. Le candidat est capable de :

• Construire des requêtes Messages API valides : structure messages (rôles, alternance, blocs de contenu), system, max_tokens, paramètres de génération, et diagnostiquer les erreurs de validation courantes (400/401/404/413/429/500/529) ;
• Implémenter le streaming SSE : cycle d'événements (message_start, content_block_start, content_block_delta, content_block_stop, message_delta, message_stop), accumulation du message final, gestion des interruptions ;
• Intégrer des entrées multimodales : images (base64, URL), documents PDF, réutilisation de fichiers via la Files API, et appliquer les limites documentées (tailles, formats, pages) ;
• Mettre en œuvre le tool use / function calling : définition d'outils en JSON Schema, tool_choice, exécution parallèle d'outils, renvoi correct des blocs tool_result (y compris is_error), et différencier outils client (exécutés par l'application) et outils serveur (exécutés côté Anthropic) ;
• Produire des sorties structurées fiables (schémas JSON contraints, validation stricte des paramètres d'outils) et traiter l'intégralité des stop_reason (end_turn, max_tokens, tool_use, stop_sequence, pause_turn, refusal) ;
• Exploiter les endpoints de support : Message Batches (traitement asynchrone à coût réduit), Token Counting, Models API ;
• Utiliser les SDK officiels Anthropic (Python, TypeScript et autres) de façon idiomatique : gestion des credentials, timeouts, retries automatiques, exceptions typées.

Sous-thèmes. 2.1 Anatomie de la Messages API : requête, réponse, blocs de contenu, usage ; 2.2 Authentification et configuration client (clés d'API, variables d'environnement, en-têtes de version et de fonctionnalités bêta) ; 2.3 Streaming SSE et helpers SDK ; 2.4 Vision et traitement de documents (images, PDF, Files API, citations sur documents) ; 2.5 Tool use : schémas, boucle agentique élémentaire, résultats et erreurs d'outils, outils définis par Anthropic ; 2.6 Sorties structurées et validation ; 2.7 Batches, comptage de tokens, découverte de modèles ; 2.8 Gestion des erreurs, retries, rate limits et codes HTTP ; 2.9 Conversations multi-tours : API sans état, reconstruction de l'historique, préservation des blocs de réponse.

Domaine 3 — Prompt engineering avancé pour Claude (15 %)

Objectifs d'apprentissage mesurables. Le candidat est capable de :

• Rédiger des system prompts de production : définition de rôle, contraintes, ton, format de sortie, et séparer correctement instructions d'opérateur (système) et contenu utilisateur ;
• Structurer des prompts complexes à l'aide de balises XML pour délimiter instructions, contexte, exemples et données, conformément aux pratiques recommandées pour Claude ;
• Appliquer les techniques d'élicitation du raisonnement : chaîne de pensée (chain-of-thought), décomposition de tâches, raisonnement étendu/adaptatif et réglage du niveau d'effort, en arbitrant qualité, latence et coût ;
• Utiliser les techniques de contrôle de sortie adaptées à la génération du modèle : few-shot examples, formats imposés, sorties structurées — et identifier quand le préremplissage de réponse (prefill) est applicable ou non selon les générations de modèles ;
• Diagnostiquer et corriger les défaillances de prompts : instructions ambiguës, sur-directivité, conflits d'instructions, fuites de format, sensibilité à l'ordre du contexte ;
• Concevoir des prompts robustes face aux entrées adverses (injection de prompt) et mettre en place des défenses de premier niveau au niveau du prompt.

Sous-thèmes. 3.1 Architecture d'un prompt de production : system prompt, hiérarchie des instructions, canaux opérateur vs utilisateur ; 3.2 Balisage XML et organisation du contexte ; 3.3 Chain-of-thought, raisonnement étendu et adaptatif, paramètre d'effort ; 3.4 Few-shot prompting et exemples canoniques ; 3.5 Contrôle du format de sortie (sorties structurées, formats imposés, contraintes de longueur, prefill et ses limites par génération de modèle) ; 3.6 Itération et test de prompts : jeux d'essai, comparaison de variantes, non-régression ; 3.7 Robustesse : injection de prompt, séparation données/instructions, instructions défensives ; 3.8 Adaptation des prompts entre versions de modèles (littéralité accrue des instructions, calibration de la directivité).

Domaine 4 — Construction d'agents : Agent SDK, MCP et orchestration (20 %)

Objectifs d'apprentissage mesurables. Le candidat est capable de :

• Décider du niveau d'architecture approprié — appel unique, workflow orchestré par code, ou agent autonome — selon la complexité, la valeur, la viabilité et le coût d'erreur de la tâche ;
• Implémenter une boucle agentique complète sur la Messages API : itération sur stop_reason == "tool_use", exécution des outils, renvoi des résultats, conditions d'arrêt et bornes de sécurité (itérations maximales, budgets) ;
• Utiliser les mécanismes d'exécution d'outils fournis par les SDK (tool runners) et choisir entre boucle automatisée et boucle manuelle selon les besoins de contrôle (approbation humaine, interception, journalisation) ;
• Expliquer l'architecture du Model Context Protocol (MCP) — hôtes, clients, serveurs ; outils, ressources, prompts ; transports — et développer ou intégrer un serveur MCP exposant des capacités métier ;
• Positionner le Claude Agent SDK (harnais complet avec outils intégrés : fichiers, shell, recherche) par rapport à l'intégration directe de l'API, et sélectionner l'approche adaptée (boucle manuelle, tool runner, Agent SDK, agents managés) ;
• Concevoir des architectures multi-agents : orchestrateur et sous-agents, délégation parallèle, isolation de contexte par agent, transmission de résultats, et prévenir les anti-patterns (délégation superflue, contextes partagés implicites) ;
• Doter les agents de mémoire et de persistance : mémoire fichier, état inter-sessions, compaction et élagage du contexte en boucle longue ;
• Sécuriser l'exécution des agents : sandboxing, moindre privilège, validation des entrées d'outils, confirmation humaine des actions irréversibles.

Sous-thèmes. 4.1 Critères de décision : appel simple → workflow → agent ; 4.2 Boucle agentique sur la Messages API et tool runners des SDK ; 4.3 Conception de la surface d'outils : outils dédiés vs shell générique, schémas prescriptifs, parallélisabilité ; 4.4 MCP : concepts, primitives (tools, resources, prompts), transports, cycle de vie d'une session, sécurité et authentification des serveurs ; 4.5 Claude Agent SDK : outils intégrés, hooks, sous-agents, permissions ; 4.6 Agents managés côté serveur : notion de configuration d'agent persistée et versionnée, sessions, environnements d'exécution ; 4.7 Orchestration multi-agents et patterns coordinateur/spécialistes ; 4.8 Mémoire, état et longue durée : compaction, context editing, mémoire persistante ; 4.9 Sûreté d'exécution : sandbox, approbations, limites d'itérations et de budget.

Domaine 5 — RAG et gestion du contexte (15 %)

Objectifs d'apprentissage mesurables. Le candidat est capable de :

• Concevoir une chaîne RAG de bout en bout : ingestion, découpage (chunking), vectorisation par embeddings (via des fournisseurs spécialisés, Anthropic ne fournissant pas d'API d'embeddings propre), stockage vectoriel, recherche hybride, reranking, injection du contexte ;
• Arbitrer entre RAG et fenêtres de contexte longues (chargement direct de corpus volumineux) selon la taille du corpus, la fraîcheur, le coût et la latence ;
• Mettre en œuvre les citations natives de Claude sur des blocs documents afin de produire des réponses sourcées et vérifiables ;
• Implémenter le prompt caching de manière efficace : invariant du préfixe (toute modification en amont invalide l'aval), ordre de rendu tools → system → messages, points de rupture (cache_control), TTL, vérification des hits via les champs usage, et détecter les invalidateurs silencieux (horodatages, sérialisation non déterministe, jeux d'outils variables) ;
• Optimiser l'usage de la fenêtre de contexte : positionnement des contenus stables vs volatils, budget de contexte, compaction et résumé, gestion du dépassement ;
• Évaluer la qualité d'une chaîne RAG : pertinence de la récupération (rappel/précision), fidélité des réponses au contexte (groundedness), taux de citation correcte.

Sous-thèmes. 5.1 Architecture RAG de référence et variantes (recherche hybride, reranking, multi-index) ; 5.2 Embeddings et bases vectorielles : choix du modèle d'embedding, dimensionnement, métriques de similarité ; 5.3 Stratégies de chunking et de métadonnées ; 5.4 Citations sur documents et réponses sourcées ; 5.5 Prompt caching : mécanique de préfixe, breakpoints, TTL, économie (coûts d'écriture vs lecture), audit des invalidateurs ; 5.6 Contexte long : quand charger le corpus en contexte, limites et coûts ; 5.7 Gestion du contexte en conversation longue : compaction, élagage, mémoire externe ; 5.8 Évaluation RAG : jeux de questions de référence, métriques de récupération et de génération.

Domaine 6 — Production : sécurité, coûts, évaluation, observabilité — et usage responsable (20 %)

Objectifs d'apprentissage mesurables. Le candidat est capable de :

• Sécuriser une application Claude en production : gestion des secrets (jamais de clés en dur ni côté client), périmètres réseau, validation systématique des entrées et des sorties du modèle, défense contre l'injection de prompt et l'exfiltration via outils ;
• Maîtriser les coûts : budgétisation par tokens, choix de modèle par route, prompt caching, Batches API pour les traitements non urgents, plafonds (max_tokens, budgets de tâche), suivi de la consommation via les champs usage ;
• Concevoir un dispositif d'évaluation : jeux de tests de référence, évaluations automatisées (assertions, notation par modèle juge), évaluation humaine, tests de non-régression avant tout changement de prompt ou de modèle ;
• Instrumenter l'observabilité : journalisation structurée des requêtes/réponses (avec identifiants de requête), traçage des boucles agentiques, métriques (latence, taux d'erreur, tokens, coût par requête, taux de cache hit), alertes ;
• Mettre en place des garde-fous : filtrage et modération des entrées/sorties, gestion des refus du modèle (stop_reason: "refusal") et stratégies de repli, human-in-the-loop pour les actions à conséquences, limites de débit applicatives ;
• Concevoir pour la résilience : retries avec backoff exponentiel, gestion des erreurs 429/529, stratégies de dégradation gracieuse et de repli entre modèles ;
• Appliquer les principes d'usage responsable : conformité à la politique d'usage du fournisseur, protection des données personnelles (minimisation, rétention, réglementations applicables telles que le RGPD), transparence vis-à-vis des utilisateurs finaux (divulgation de l'usage d'IA), supervision humaine des décisions à fort impact, documentation des limites du système ;
• Évaluer les enjeux déontologiques d'un déploiement : biais et équité, usages détournés, impact sur les utilisateurs vulnérables, traçabilité et imputabilité.

Sous-thèmes. 6.1 Sécurité applicative : secrets, périmètre, moindre privilège, OWASP LLM Top 10 ; 6.2 Injection de prompt et sécurité des outils/MCP (validation de chemins, allowlists, confirmation humaine) ; 6.3 Ingénierie des coûts : caching, batch, routage de modèles, budgets et quotas ; 6.4 Évaluation : conception d'évals, LLM-as-judge et ses limites, non-régression, A/B ; 6.5 Observabilité : logs, traces, métriques, identifiants de requête, tableaux de bord ; 6.6 Garde-fous et modération, gestion des refus et replis ; 6.7 Fiabilité : retries, backoff, tolérance aux pannes, dégradation gracieuse ; 6.8 Déontologie et conformité : politique d'usage, données personnelles, transparence, supervision humaine, documentation ; 6.9 Gouvernance : gestion des changements de modèles et de prompts, revues de sécurité, journal des décisions.

5. Modalités de préparation

Le SGCB, conformément à son principe de séparation stricte entre formation et certification, n'impose aucune formation. Les voies de préparation reconnues sont :

1. Formation officielle — « Claude Developer Program » (Sopheria Global Academy). Parcours intensif de 4 semaines — chaque semaine : une session de groupe de 3 heures (5 participants maximum) et deux rencontres individuelles d'une heure avec le formateur — couvrant l'intégralité du référentiel, avec construction du projet capstone tout au long du programme. Le capstone peut être soumis comme projet certifiant, mais il est alors évalué de manière indépendante par le SGCB avec sa propre grille. Programme détaillé : sga-course-syllabus.md. La réussite de la formation ne confère aucun avantage à l'évaluation certifiante : celle-ci est identique pour tous les candidats.
2. Auto-préparation. Documentation officielle d'Anthropic (API, SDK, MCP, bonnes pratiques de prompt engineering), spécification du Model Context Protocol, et pratique projet — un projet réalisé hors de tout programme de formation est recevable comme projet certifiant dès lors qu'il respecte le cahier des charges publié.
3. Guide du candidat et supports SGCB. Le SGCB publie un guide du candidat, la présente grille de compétences, les grilles publiques d'évaluation du projet et de la soutenance, et un QCM blanc calibré (disponibles sur le portail candidats).
4. Expérience professionnelle. La voie la plus déterminante : le référentiel est conçu pour refléter la pratique réelle, non la mémorisation documentaire.

6. Modalités d'évaluation

L'évaluation CASD™ est décrite exhaustivement dans le référentiel d'évaluation (exam-blueprint.md). En synthèse, la certification repose sur une évaluation par projet en trois épreuves :

Score global sur l'échelle 100–1000 avec passage à 700, assorti d'un seuil minimal équivalent à 500 par épreuve ; dispositif disponible en français et en anglais ; l'usage d'assistants d'IA (dont Claude) est autorisé et attendu pour la construction du projet, le candidat devant comprendre et assumer chaque choix (déclaration d'authenticité signée, vérification en soutenance).

7. Validité, maintien et recertification

7.1 Validité

La certification CASD™ est valide 3 ans à compter de la date de réussite de l'évaluation certifiante. Cette durée reflète le rythme d'évolution rapide de l'écosystème des modèles et des API.

7.2 Voies de recertification

Avant l'expiration, le titulaire se recertifie par l'une des voies suivantes :

7.3 Statut et registre

Les titulaires à jour figurent au registre public de vérification du SGCB avec leur identifiant de certification. Une certification expirée est marquée « inactive » ; le titulaire dispose d'un délai de grâce de 90 jours pour se recertifier sans repasser par le statut de nouveau candidat. L'usage du titre « Certified AI Solutions Developer · Claude Code » et du badge numérique CASD™ est réservé aux titulaires en statut actif, conformément à la politique d'usage des titres du SGCB.

7.4 Intégrité de la certification

Tout candidat s'engage à respecter le code de déontologie du SGCB (interdiction de divulgation du contenu d'examen, de fraude, d'usurpation d'identité). Les violations entraînent l'invalidation des résultats et peuvent conduire à une exclusion définitive des programmes SGCB.

© Sopheria Global Institute of Technology — Sopheria Global Certification Board. « Scientia. Integritas. Futurum. » Claude est une marque d'Anthropic, PBC. Le SGCB est un organisme indépendant, non affilié à Anthropic.