feat(archetypes): add project archetype library + detection algorithm

Introduce ~/.claude/lib/project-archetypes/ with 25 archetype files
(web, mobile, APIs, CMS, infra, firmware, etc.) and the detection
algorithm in lib/archetype-detector.md. Consumed by /onboard STEP 1
to drive archetype-specific audit stacks and plugin recommendations.

Co-Authored-By: Claude <noreply@anthropic.com>

lib/project-archetypes/data-notebook.md

@@ -0,0 +1,121 @@
+---
+name: data-notebook
+category: meta
+public: false
+database: optional
+hosting_hints:
+  - local
+  - jupyterhub
+  - colab
+  - kaggle
+  - databricks
+  - sagemaker
+audit_stack:
+  - analyze
+  - code-clean
+  - cso
+  - doc
+plugins:
+  context7: optional
+  ui-ux-pro-max: no
+  gstack: no
+---
+
+# Data / Jupyter Notebook
+
+Projet data science / ML axé sur notebooks Jupyter. Exploration, analyse, modèles. Pas d'application déployée au sens applicatif.
+
+## Detection signals
+
+### Strong signals (×3)
+- EXT: 5+ fichiers `.ipynb`
+- DEP: `requirements.txt` OR `pyproject.toml` OR `environment.yml` contient "jupyter" OR "jupyterlab" OR "notebook"
+- FILE: `environment.yml` (Conda)
+
+### Medium signals (×2)
+- DIR: `notebooks/` OR `nb/` avec `.ipynb`
+- DIR: `data/` OR `datasets/` (souvent gitignored)
+- DEP: "pandas", "numpy", "matplotlib", "seaborn", "scikit-learn", "torch", "tensorflow", "jax"
+- FILE: `Makefile` avec cibles data (download-data/, preprocess/, train/)
+- FILE: `dvc.yaml` (DVC pipeline)
+
+### Weak signals (×1)
+- DIR: `models/` (trained artifacts)
+- FILE: `.gitattributes` avec LFS rules
+- DEP: "mlflow", "wandb", "tensorboard"
+- DIR: `figures/` OR `plots/` (outputs)
+
+### Counter-signals (exclusion)
+- DEP: "streamlit" OR "gradio" OR "dash" + main entry point → data app UI (archétype à créer)
+- DEP: "fastapi" / "flask" / "django" comme dep principale → API, pas notebook
+- FILE: `setup.py` OR `pyproject.toml` AVEC `[project.scripts]` → package, pas notebook
+
+## Implications
+- **Exécution** : local / Google Colab / Kaggle / JupyterHub / Databricks / SageMaker
+- **Base de données** : variable (souvent CSV/Parquet/DuckDB locaux, parfois DB externe)
+- **SEO/GEO** : N/A
+- **Surface sécurité** : SOUS-ESTIMÉE — notebooks souvent commités avec credentials, outputs, PII
+- **UI/UX** : N/A (sauf si app Streamlit/Dash ajoutée)
+
+## Typical pain points
+- `.ipynb` committés avec **outputs** = fuite potentielle (données clients affichées)
+- Credentials en dur dans cellules (API keys AWS, tokens Kaggle, mots de passe DB)
+- PII dans outputs cellules (noms clients, emails, numéros carte)
+- Datasets volumineux committés (pas de LFS / DVC / gitignore)
+- `requirements.txt` non pinned → résultats non reproductibles
+- Pas de seed random → runs non déterministes
+- Notebooks monolithiques (10000+ lignes, cells non documentées)
+- Logique dupliquée entre notebooks (pas de `src/lib.py`)
+- Variables d'état entre cells (exécution non idempotente)
+- Modèles trainés commités dans git (bloat repo)
+- Pas de versioning data (DVC / lakeFS / Pachyderm absents)
+- Expériences non trackées (MLflow / W&B absent)
+- Pas de tests (pytest sur fonctions extraites)
+- Conversion prod : notebook → script Python sans refactor (code non modulaire)
+- GPU / environnement non documenté (CUDA version, cuDNN)
+- Shared secrets dans environment.yml / requirements.txt
+
+## Interview questions (adaptive)
+En plus du set minimum business :
+- Plateforme d'exécution : local / Colab / Kaggle / JupyterHub / Databricks / autre ?
+- Python + libs stack principale ?
+- Package manager : pip / poetry / uv / conda / mamba / pdm ?
+- Datasets : taille moyenne ? où sont-ils stockés ? versionnés ?
+- DVC / lakeFS / Git LFS pour data ?
+- Tracking expériences : MLflow / W&B / TensorBoard / aucun ?
+- Tests automatiques sur fonctions extraites ?
+- Convention commit notebooks : nbstripout (outputs strippés) ou outputs inclus ?
+- GPU requis ? CUDA version ?
+- But final : exploration ponctuelle / modèle en prod / rapport reproductible / papier / autre ?
+- Si prod : comment le modèle sort du notebook (export pickle/ONNX/API) ?
+- RGPD / données sensibles dans les datasets ?
+
+## Plugin recommendations
+- **context7** : OPTIONAL — ON pour libs modernes (Pytorch, JAX, Transformers qui évoluent)
+- **ui-ux-pro-max** : OFF
+- **gstack** : OFF
+
+## Example project layout
+```
+environment.yml            OR  requirements.txt    OR  pyproject.toml
+notebooks/
+  01-exploration.ipynb
+  02-preprocessing.ipynb
+  03-modeling.ipynb
+  04-evaluation.ipynb
+src/
+  features.py              (fonctions extraites, testables)
+  models.py
+  utils.py
+data/                       (GITIGNORED ou DVC-tracked)
+  raw/
+  interim/
+  processed/
+models/                     (artifacts — GITIGNORED ou LFS)
+figures/
+tests/
+  test_features.py
+dvc.yaml                    (optional)
+.pre-commit-config.yaml     (nbstripout idéal)
+Makefile
+```