Codebase vers Prompt LLM | Compactez un Dépôt Entier en un Seul Bloc Markdown

Regroupez plusieurs fichiers source en un unique bloc Markdown contenant à la fois l'arborescence du projet et le contenu complet de chaque fichier. La sortie est formatée pour être collée directement dans ChatGPT, Claude ou tout autre chat LLM, sans retouche manuelle.

💡 À propos de cet outil

Quand vous demandez à un LLM de réviser ou de refactoriser un projet, le contexte structurel compte autant que le code lui-même. Coller les fichiers un par un dissimule la disposition du dépôt et force le modèle à deviner les imports, les dépendances et les points d'appel. La plupart des « erreurs de contexte » rencontrées dans de longues sessions ChatGPT ou Cursor proviennent de cette absence de cadre, pas du fragment lui-même.

Ce convertisseur produit deux sections dans la sortie :

• # Directory Structure — la liste à plat de chaque chemin de fichier chargé
• # Source Codes — chaque fichier enveloppé dans une clôture de code Markdown avec son extension comme étiquette de langage

Les types binaires (image/*, video/*, audio/*, application/pdf, application/zip) sont écartés au moment du chargement, de sorte qu'un glisser-déposer d'un dossier mixte ne pollue pas le prompt avec du base64. L'aperçu affiche les 2000 premiers caractères ; le presse-papiers contient toujours le texte intégral.

🧐 Questions fréquentes

Q. Puis-je glisser un dossier entier ? A. Oui — déposez-le directement dans la zone. Les navigateurs exposant webkitRelativePath conservent l'arborescence imbriquée dans la section # Directory Structure. Sinon, vous obtenez une liste plate de noms de fichiers.

Q. La lecture des fichiers est-elle conforme au RGPD ? A. La lecture s'effectue entièrement dans votre navigateur ; aucun fichier n'est transmis à un serveur durant la conversion. Le RGPD reste cependant à considérer lorsque vous collez la sortie dans un service LLM externe : vérifiez les conditions et l'emplacement de stockage du service avant d'y déposer du code client.

Q. Pourquoi filtrer les fichiers binaires ? A. Les images, vidéos, sons, PDF et ZIP ne s'interprètent pas comme du code et consomment énormément de jetons une fois encodés en base64. L'outil détecte le type MIME et ignore ces formats avant la lecture.

Q. À quoi servent les étiquettes de langage dans les clôtures de code ? A. L'extension du fichier (py, ts, rs…) est utilisée comme étiquette de langage Markdown. ChatGPT et Claude appliquent une coloration syntaxique cohérente pour des dizaines de langages, ce qui facilite la lecture humaine du diff produit par le modèle.

Q. Comment rester dans la limite de jetons du modèle ? A. Chargez uniquement le sous-ensemble pertinent — par exemple les modules concernés par le bug. Les modèles Claude et GPT-4 donnent de meilleures réponses sur une tranche ciblée de vingt fichiers qu'avec un méga-prompt où la plupart du contenu n'a pas de rapport.

📚 Le saviez-vous

Une bonne pratique qui revient souvent dans la communauté francophone des agents de code (Aider, Le Chat, Cursor) consiste à transmettre d'abord l'arborescence, puis le code. Sans cette étape, les modèles inventent fréquemment des chemins ou des modules qui n'existent pas, puis génèrent un refactoring contre cette arborescence imaginaire.

Astuce pratique : pour les projets multi-langages (par exemple un backend Python et un frontend TypeScript), envoyez deux prompts séparés plutôt qu'un seul. Cela évite que le modèle mélange les conventions et permet de réduire la consommation de jetons sans perdre de qualité d'analyse.