Claude Code Plugin: Blueprint + Implement

Un système multi-agents propulsé par l'AI qui transforme une idée de produit en une application mobile entièrement structurée, avec tous ses services provisionnés et prête à être soumise sur les stores.

Blueprint + Implement est un système de plugins pour Claude Code que j'ai développé. Il orchestre tout le cycle de vie de la création d'une application mobile ou web, de l'interview produit initiale jusqu'à l'implémentation multi-agents en parallèle, en passant par la recherche de mots-clés, la création du design system et le scaffolding de la codebase.

Il remplace des semaines de configuration manuelle (provisionnement de Firebase, configuration d'App Store Connect, abonnements RevenueCat, intégration de Sentry/PostHog, i18n en 41 langues, conformité légale) par un pipeline structuré et reproductible. Ce pipeline est piloté par des agents AI qui automatisent les tâches via des outils CLI et de la browser automation.

Lancer une nouvelle application implique des dizaines de tâches déconnectées sur différentes plateformes. Il faut créer des projets Firebase, enregistrer les applications dans App Store Connect, configurer l'analytics, rédiger les politiques de confidentialité, générer les métadonnées du store dans 40 langues, configurer les abonnements et lancer des audits de sécurité. Chaque étape nécessite le contexte des décisions précédentes. Le prix influence le paywall, les mots-clés influencent le nom de l'app, et les design tokens impactent chaque écran.

La majorité de ces tâches est mécanique, répétitive et sujette aux erreurs. La vraie valeur réside dans les décisions produit, tout le reste n'est que de l'exécution.

Phase 1 : Blueprint. Un pipeline en 7 étapes qui transforme une idée brute en un plan d'implémentation complet. Les étapes sont /ideate -> /keyword-research -> /interview -> /design -> /plan -> /generate -> /generate-website. Chaque étape s'appuie sur la précédente. L'interview produit valide les décisions de prix. La recherche de mots-clés (4 sources de données : Google/Apple Autocomplete, Apple Search Ads, Google Trends) façonne le nom de l'application et le texte du site web. Les interviews techniques capturent les choix d'architecture. Enfin, le plan synthétise le tout en sous-plans pour les agents, avec des validations par étapes.

Résultat : une codebase avec son scaffolding, compilable (iOS Swift, Android Kotlin ou Next.js 16 avec 41 langues), où toutes les recherches sont intégrées dans le dossier .blueprint/ pour une traçabilité totale.

Phase 2 : Implement. 4 agents AI s'exécutent en parallèle dans des terminaux, chacun suivant son propre plan. L'agent services provisionne Firebase, Sentry et PostHog via browser automation avec BrowserOS. L'agent store crée les fiches App Store Connect et Google Play, gère les langues et la conformité. L'agent dev développe les fonctionnalités phase par phase avec des points de vérification. L'agent monétisation configure les abonnements RevenueCat et l'UI du paywall, en attendant que l'agent store ait terminé.

Je lançais plusieurs applications sous la même marque et j'ai remarqué que 80 % du travail consistait en une configuration mécanique identique. C'était le même processus Firebase, les mêmes formulaires de conformité App Store Connect, la même configuration Sentry et les mêmes 41 langues. Les décisions changeaient à chaque fois, mais l'exécution restait la même.

• Les décisions produit sont capturées une seule fois et propagées partout. Les mots-clés définissent le nom, qui définit les fiches sur les stores, qui définit le contenu du blog.
• La configuration mécanique est automatisée via browser automation, ce qui évite de cliquer manuellement dans les tableaux de bord.
• Plusieurs flux de travail s'exécutent en parallèle avec une gestion explicite des dépendances.
• Chaque codebase générée intègre son propre contexte de recherche, offrant aux futurs agents AI un historique complet.
• Des points de validation par étapes empêchent l'AI d'avancer sans vérification humaine.

Le résultat est un pipeline où l'humain se concentre sur la réflexion produit (idéation, stratégie de mots-clés, préférences de design) et où le système gère l'exécution (scaffolding, provisionnement, configuration, conformité).

La browser automation comme infrastructure. Firebase, Sentry, PostHog et App Store Connect sont tous provisionnés via browser automation. L'AI pilote les interfaces web réelles, gère les flux d'authentification, le remplissage des formulaires et les assistants multi-étapes. Ce n'était pas toujours possible via des commandes CLI ou MCP. J'ai donc dû utiliser la browser automation, et plus particulièrement avec BrowserOS pour avoir un contrôle total sur un navigateur authentifié.

Des décisions basées sur les mots-clés. Les recherches issues de 4 sources de données alimentent le nom de l'application, les titres du site web, les métadonnées du store, la génération de la FAQ et la stratégie de contenu du blog. Rien n'est arbitraire, chaque choix de texte remonte à des données concrètes. Ce fut une décision décisive. L'AI peut parfois être trompeuse ou inventer des sources de données. Ici, le modèle est contraint de fournir des données sourcées, ce qui a eu un impact visible sur notre classement de mots-clés.

Coordination d'agents sans état partagé. Les agents se coordonnent via un simple fichier markdown. Pas de bases de données, pas de files d'attente de messages, juste des lectures et écritures de fichiers sur un dépôt partagé. C'est simple, facile à déboguer et versionné. Cette simplicité a été essentielle. À un stade où il est complexe pour des agents de comprendre en temps réel ce que font les autres, un simple fichier markdown les a aidés à collaborer.

Traçabilité intégrée. Chaque codebase générée contient tous les artefacts de recherche. On y trouve l'interview produit, la stratégie de mots-clés, les décisions techniques et les design tokens. N'importe quel agent (ou humain) peut comprendre pourquoi une décision a été prise des mois plus tard.

Intégration des conventions. Chaque codebase générée inclut une référence développeur complète (conventions de nommage, patterns d'architecture, configurations de services, outils disponibles). Ainsi, tout agent AI travaillant ultérieurement sur le dépôt dispose du contexte complet sans avoir besoin de la conversation initiale.