Repository Dogfooding Lab — Mission

Mission

Ce cours transforme l’apprentissage en boucle de recherche :

observation → hypothèse falsifiable → baseline → expérience bornée
            → revue contradictoire → incubation → intégration ou rejet

Il fait progresser deux disciplines ensemble :

software engineering classique : architecture, fiabilité, tests, observabilité, performance et maintenabilité;
IA agentique : coût par résultat accepté, calibration, escalade, retries, tokens par fournisseur et autonomie sûre.

Terminer un cours n’est pas une réussite. Le résultat utile est une adoption prouvée ou un rejet documenté qui évite du gaspillage.

Ce que vous allez construire

code/repository-dogfooding-lab contient le registre machine-readable. Un outil Python valide les promotions et génère cinq vues : couverture cours × dépôts, score, état de promotion, résultats et preuves, puis qualité de la méthode de cours.

Plan

#	Leçon	Résultat
1	Matrices d’opportunities	Prioriser sans transformer un score en autorité
2	Expérience et artifact chain	Produire une preuve rejouable de l’hypothèse au verdict
3	Dogfooder la méthode de cours	Améliorer exemples, journaux, parité des langues et adoption
4	Incuber, intégrer, rejeter	Ne promouvoir que des candidats mesurés et réversibles
5	Frontière d’autorité Jev × Pétri	Montrer pourquoi un avis confiant n’accorde aucun effet
6	Tests de mutation et de propriétés	Mesurer quelles fautes détectent les tests d’un vrai parseur, avec une pré-inscription et un témoin négatif
—	Journal	Expériences détaillées, rejets et prochains gates

cd code/repository-dogfooding-lab
python dogfood.py write
python dogfood.py check
python -m unittest -v