Nautil Helper
Construit avec Claude (Anthropic SDK), Python, FastAPI, React, TypeScript
- Le besoin
- Comprendre un bug de production sur la connectivité hôtelière demandait de croiser plusieurs dépôts de code, la documentation de chaque fournisseur et la base de données. Long, et réservé à ceux qui connaissent tout l'écosystème.
- Ce que fait l'outil
- Nautil Helper est un assistant IA multi-agents que j'ai conçu et développé de ma propre initiative. Il répond aux questions techniques de l'équipe, diagnostique les bugs de production et rédige les tickets.
- agents spécialisés, coordonnés par un orchestrateur
- 4
- dépôts de code couverts (.NET, React, back-office, docs)
- 6
- fournisseurs documentés, PDF convertis en Markdown
- 4
- modèles Claude, choisis selon la tâche
- 3
helper diagnose booking-api.log
[ERROR] 09:42:11 BookingService Fournisseur B: price mismatch on booking 48213 (contract 1240 EUR, supplier 1410 EUR)
Orchestrateur question confiée à Code Expert
Code Expert lit le mapping des passagers du connecteur Fournisseur B et la doc de leur API
Diagnostic code d'âge enfant non standard OTA, compté comme adulte : le prix fournisseur est faux
Ticket Agent ticket rédigé : cause, fichiers concernés, correctif proposé, cas de test
Diagnostic terminé
Log, réservation et documentation fictifs, pour illustrer le fonctionnement.
En détail
- Un orchestrateur oriente chaque question vers l'agent adapté.
- Un agent Code Expert explore le code : lecture de fichiers, recherche ripgrep, documentation API des fournisseurs.
- Un agent QA relit les modifications de code.
- Un agent Ticket rédige des tickets structurés.
- Diagnostic croisé du code, de la doc fournisseur et de requêtes SQL Server. Exemples réels : écarts de prix entre la connectivité et le contrat, codes d'âge non standard OTA, types de passagers écrasés côté frontend.
Comment je l'ai construit avec l'IA
- Architecture multi-agents avec le SDK Anthropic et le tool use de Claude.
- Le bon modèle pour chaque agent (Opus, Sonnet ou Haiku), pour équilibrer coût et qualité.
- Base de connaissances : docs Beachcomber, Koedia, Tahiti Nui Travel / Tourplan et Juniper converties automatiquement de PDF en Markdown, et une fiche de connaissance rédigée pour chaque dépôt, injectées dans le contexte des agents.
- Back-end FastAPI (Python 3.12, async, streaming SSE), front-end React, TypeScript, Vite et Tailwind, persistance SQLite.
- Workflow industrialisé avec Claude Code : création de tickets Jira (API REST v3), accès à Bitbucket, notifications Microsoft Teams (Adaptive Cards).