Repo GitHub `techygarg/lattice` qui formalise un framework de **skills composables** pour installer une *engineering discipline* dans les assistants IA de code (Claude Code, Cursor). Architecture trois-tiers distinctive : **Atoms** (guardrails mono-principe : clean code, DDD, sécurité, test quality, design-first), **Molecules** (workflows multi-étapes composant les atoms : design, implement, refactor, fix, review), **Refiners** (interviews guidées produisant des standards projet-spécifiques qui customisent le comportement des atoms). Pipeline opérationnel `lattice-init` → `design-blueprint` → `code-forge` → `review`, avec `refactor-safely` et `bug-fix` en écarts. Trois principes pivots : *"Skills over prompts"*, *"Composability over monoliths"*, ***"Living context over static config"*** — le dossier `.lattice/` grossit smartement à chaque cycle de feature. MIT, shell pur, 18 stars / 52 commits, série d'articles sur martinfowler.com expliquant cinq *collaboration patterns*. Convergence forte avec Vincent *Superpowers* (2026-04-02), Habert *PROJ-AI* (2026-05-05), Wescale *Usine Logicielle Augmentée* (2026-05-03), et — convergence doctrinale la plus haute sans lignage déclaré — **Compound Engineering** d'Every (Shipper/Klaassen 2025-12-11) : pipelines isomorphes (lattice-init→design-blueprint→code-forge→review ↔ ce:brainstorm→ce:plan→ce:work→ce:review), living context layer (`.lattice/` ↔ `docs/plans/+solutions/+brainstorms/`), design-first commun, review obligatoire en sortie. La doctrine 2026 du *coding agent harness* converge sur un vocabulaire stable, sans influence directe.
#lattice#techygarg#composable AI skills
techygarg (auteur GitHub, identité réelle non précisée dans le README ; auteur d'une série d'articles publiée sur martinfowler.com).
Billet du **blog Ahrefs** publié le **28 avril 2026** par **Ryan Law** (Director of Content Marketing, Ahrefs) décrivant un système de **content engineering** maison construit autour de **Claude Code** : un pipeline éditorial qui produit des **drafts prêts à publier en 6 à 12 minutes**. **Thèse-pivot** : ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*** — la qualité ne vient pas du modèle mais de la **reproduction fidèle d'un processus éditorial humain** éprouvé sur des décennies. Architecture : **~23 skill files** correspondant chacun à une étape éditoriale (keyword research, topic gap analysis, structural outlining, research compilation, draft generation, formatting), **orchestrés par un skill principal `blog-pipeline`** qui les enchaîne pour produire un article complet. **Sept principes de conception** : (1) **mimer les workflows humains** en chaînant des skills adaptés de la documentation éditoriale Ahrefs existante ; (2) **sortir chaque étape séparément** pour le troubleshooting (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »* → sauvegarder les outputs intermédiaires) ; (3) **créer des cas de test** via le skill `skill-creator` d'Anthropic pour évaluer et améliorer les guidances ; (4) **brancher des sources de données de qualité** — le **Ahrefs MCP** (keyword metrics, parent topic, long-tail themes, SERP overviews, analyse concurrentielle), l'analyse concurrentielle et la doc produit ; (5) **front-loader la direction humaine** via des paramètres de contexte permettant le guidage éditorial ; (6) **construire des previews interactives** au format HTML pour la revue avant publication ; (7) **permettre la personnalisation** (chaque membre de l'équipe peut forker et modifier le système). **Volumétrie** : ~**15 articles publiés** et ~**30 articles mis à jour** via ce workflow ; développement démarré en **février 2026** (le processus antérieur d'**août 2025** demandait plusieurs jours et de l'intervention manuelle). **Caveats explicites** (anti-survente) : *« experience matters »* — le processus reflète des décennies d'expertise éditoriale ; la sélection de sujets se concentre sur du **contenu SEO informationnel** que l'auteur maîtrise bien ; Ahrefs **n'a aucun plan de "scaler" massivement le contenu** mais maintient une **bibliothèque evergreen**. Philosophie : automatiser *« the formulaic parts of work »* pour éliminer la corvée et libérer du temps pour la recherche, le thought leadership, les webinars et l'optimisation du système — **pas** remplacer l'effort humain. Référence canonique citée par Pasquale Pillitteri (*Opus 4.8 SEO workflow*) comme preuve terrain du gain « 6-12 min/draft ». Convergence directe avec la doctrine **skills-over-prompts** (Lattice, PROJ-AI), **systems around the model** (Dropbox/Okumura), et l'usage **HTML comme artefact de revue** (Shihipar).
#content engineering#ingénierie de contenu#Claude Code
**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.