PAI — Construire Son Infrastructure IA Personnelle

J'utilise Claude Code tous les jours. Au début, je me contentais de prompts dans le terminal. Puis j'ai découvert PAI — Personal AI Infrastructure — un projet open-source créé par Daniel Miessler qui transforme Claude Code en un système IA personnalisé. Skills, hooks, mémoire, agents, algorithme d'exécution en 7 phases — tout est là, prêt à l'emploi.

Voici ce que c'est, comment ça s'installe, et ce que ça change au quotidien.

Le problème avec l'IA générique

ChatGPT, Claude, Gemini — ils sont bons. Mais chaque conversation repart de zéro. Pas de mémoire de vos projets. Pas de rappel que vous préférez Bash à Python, ou que votre homelab tourne sous Docker.

"Pour tout le monde" signifie "pour personne en particulier". Vous passez les 5 premières minutes à réexpliquer votre setup.

Qu'est-ce que PAI ?

PAI (Personal AI Infrastructure) est un projet open-source de Daniel Miessler, disponible sur GitHub. C'est une couche qui se greffe sur Claude Code et qui ajoute : un système de skills auto-activants, des hooks lifecycle, un système de mémoire persistant, des agents spécialisés, et un algorithme d'exécution structuré.

L'idée de Daniel : Claude Code est le moteur. PAI, c'est tout le reste qui fait que c'est votre voiture.

En chiffres (v4.0.3) : 63+ skills, 21 hooks, 180+ workflows, 14 types d'agents. Et un installateur interactif qui configure tout en quelques minutes.

Installation

PAI s'installe dans ~/.claude/. L'installateur est interactif — il demande votre nom, le nom de votre assistant, votre timezone, et configure le reste automatiquement.

Prérequis : Claude Code installé (npm install -g @anthropic-ai/claude-code).

# 1. Cloner le repo
git clone https://github.com/danielmiessler/Personal_AI_Infrastructure.git

# 2. Copier la release dans ~/.claude/
cd Personal_AI_Infrastructure/Releases/v4.0.3
cp -r .claude ~/

# 3. Lancer l'installateur
cd ~/.claude && bash install.sh

L'installateur :

• Demande votre nom et celui de votre assistant IA
• Configure votre timezone et vos préférences
• Clone et configure le repo PAI dans ~/.claude/
• Propose de configurer les notifications vocales ElevenLabs (optionnel)
• Crée un alias shell (pai) pour lancer PAI directement

# Après installation, lancer PAI
source ~/.zshrc && pai

Pour les mises à jour : L'installateur détecte les installations existantes, préserve vos fichiers personnels dans PAI/USER/, et merge les settings sans écraser votre config.

# Sauvegarder avant upgrade
cp -r ~/.claude ~/.claude-backup-$(date +%Y%m%d)

# Mettre à jour
git clone https://github.com/danielmiessler/Personal_AI_Infrastructure.git
cd Personal_AI_Infrastructure/Releases/v4.0.3
cp -r .claude ~/ && cd ~/.claude && bash install.sh

Comment ça marche : les 3 piliers

CLAUDE.md — Les règles

Un fichier markdown lu au début de chaque session. Vos règles, votre stack, vos préférences. C'est là que vous dites "j'utilise Bun pas npm", "mon reverse proxy c'est Nginx Proxy Manager", "toujours relire un fichier avant de le modifier".

# Exemple minimal de CLAUDE.md
## Stack
- Runtime : Bun (pas npm, pas Node)
- Conteneurs : Docker + Docker Compose
- Reverse Proxy : Nginx Proxy Manager
- OS : Fedora 43 / Debian 12

## Règles
- Toujours relire un fichier avant de le modifier
- Un seul changement à la fois en debug
- Demander avant les actions destructrices

Hooks — L'automatisation

Des scripts qui se déclenchent sur les événements du cycle de vie. SessionStart, UserPromptSubmit, PreToolUse, PostToolUse, Stop, SessionEnd.

PAI vient avec 21 hooks pré-configurés. Par exemple :

• SessionStart : Charge automatiquement le contexte PAI, le CLAUDE.md à jour
• UserPromptSubmit : Capture les ratings de satisfaction et le sentiment
• PreToolUse : Valide les commandes Bash, scan les secrets
• Stop : Capture les leçons de la session, nettoie l'état

Skills — Les workflows

63+ skills organisés en 12 catégories. Research, Blogging, Development, Security, OSINT... Chaque skill a un routing par intention (clause USE WHEN). Quand vous dites "publie un article", le skill BlogArticle s'active et gère tout le pipeline.

La liste des skills de base couvre déjà pas mal de terrain. Et vous pouvez en ajouter — c'est juste un dossier avec un fichier SKILL.md, des workflows markdown, et optionnellement des outils CLI.

The Algorithm : le moteur d'exécution

Le coeur de PAI, c'est The Algorithm. Un processus en 7 phases :

1. Observe — Analyser la demande, reverse-engineer ce qui est voulu et ce qui ne l'est pas
2. Think — Tester les hypothèses, identifier les risques, raffiner les critères
3. Plan — Valider les prérequis, choisir les capacités
4. Build — Préparer, configurer
5. Execute — Faire le travail
6. Verify — Tester chaque critère individuellement
7. Learn — Réfléchir sur ce qui a marché et ce qui n'a pas marché

Le concept clé : les ISC (Ideal State Criteria). Avant de commencer, on définit des critères atomiques et vérifiables. Par exemple, pour "publier un article" :

- [ ] ISC-1: Article créé via API Bludit
- [ ] ISC-2: Cover image uploadée dans /upload/{uuid}
- [ ] ISC-3: Images inline visibles sur jsDelivr CDN
- [ ] ISC-4: Contenu relu par un agent technique
- [ ] ISC-5: Article vérifié par scraping après publication

Les niveaux d'effort déterminent le budget et le nombre minimum de critères :

Pour un fix de config, c'est overkill. Mais pour les tâches complexes — écrire un article, migrer un serveur, investiguer un problème — ça fait une vraie différence.

Les sous-systèmes

Mémoire

PAI se souvient. Le répertoire ~/.claude/MEMORY/ organise tout :

• WORK/ — Les PRDs de chaque tâche avec critères et vérification
• LEARNING/ — Patterns d'erreurs, ratings, réflexions post-tâche
• STATE/ — État runtime (session en cours, travail actif)

Si je mets un rating bas (3/10), le système dump tout le contexte — transcript, tool calls, analyse de sentiment — pour comprendre ce qui a mal tourné. Rétrospective automatisée.

Agents

PAI inclut des agents spécialisés : Architect, Engineer, Researcher, Explorer, Code Reviewer... On peut aussi créer des agents nommés avec une identité persistante et une voix ElevenLabs. Daniel Miessler a nommé le sien "Kai".

En pratique, je lance 3-4 agents en parallèle pour la recherche. Plus rapide que séquentiel.

PAI Packs

Le système inclut des "PAI Packs" — des modules standalone qui apportent des capacités spécifiques. Vous installez ceux que vous voulez, vous ignorez les autres. Ça marche même sans le système PAI complet.

Ce que ça change concrètement

Écrire un article de blog — Un prompt, et PAI gère le pipeline. Recherche web, rédaction dans mon style, génération d'images via Flux API, relecture par un agent, publication via l'API REST. (Cet article même a été écrit avec PAI.)

Déboguer un serveur — PAI a le contexte de mon homelab. Il sait que j'ai migré d'EC2 à Hetzner, que mes IPs Tailscale ont changé, que mon reverse proxy est Nginx Proxy Manager. Pas besoin de réexpliquer.

Investiguer un problème — The Algorithm force à définir les critères de succès avant de commencer. Et les hooks de Learning capturent les leçons automatiquement.

FAQ

PAI vs Claude Code classique ? PAI est une couche au-dessus de Claude Code. Claude Code est le moteur. PAI ajoute les skills, les hooks, la mémoire, l'algorithme. Vous gardez tout Claude Code, en mieux.

PAI fonctionne avec d'autres outils IA ? PAI est natif Claude Code. Il utilise les hooks, le système de skills, et CLAUDE.md d'Anthropic. Un port vers OpenCode existe (pai-opencode), mais c'est une contribution communautaire.

Combien ça coûte ? PAI est open-source et gratuit. Claude Code fonctionne à l'usage API Anthropic — comptez 20-50$/mois pour une utilisation active.

C'est pas overkill pour un particulier ? Si, au début. Mais on n'est pas obligé de tout utiliser. Un bon CLAUDE.md et les hooks de base, c'est déjà 80% du bénéfice. The Algorithm et les skills avancés, c'est pour quand vous en voulez plus.

Ce que j'en retiens

PAI n'est pas un outil qu'on configure une fois et qu'on oublie. C'est un système qu'on personnalise au fil des sessions. L'installateur met la base, ensuite on adapte : on ajoute ses skills, ses préférences, ses hooks.

L'idée fondamentale de Daniel Miessler : le scaffolding compte plus que le modèle. Un système bien structuré avec un modèle moyen battra un modèle puissant sans structure. Et quand le modèle s'améliore, le scaffolding amplifie le bénéfice.

Scaffolding > model.

Le repo : github.com/danielmiessler/Personal_AI_Infrastructure. Open-source, documenté, installateur interactif. Le plus rapide pour comprendre, c'est de l'installer et de l'essayer.