AP24 · Sur-insistance héritée d’un ancien modèle

Définition

Lors d’un changement de modèle, on garde des consignes écrites pour compenser les faiblesses du précédent : insistance en majuscules, « en cas de doute, utilise tel outil », « vérifie trois fois ».

Symptômes observables

• Après une migration, des outils et des sous-agents appelés trop souvent.
• Des vérifications redondantes, avec une latence et un coût en hausse à qualité égale.

Pourquoi c'est nuisible

Un modèle plus réceptif au prompt exécute littéralement l’insistance qui servait à corriger son prédécesseur, et en fait trop.

Chiffres

• La documentation d’Anthropic prévient qu’un prompt conçu pour corriger le sous-déclenchement des outils fait désormais sur-déclencher, et qu’il faut atténuer le langage agressif ; les consignes de vérification reprises d’anciens prompts peuvent provoquer une sur-vérification qui ajoute tokens et latence.
• Chez Cursor, d’après le guide de prompts GPT-5 d’OpenAI, sur les petites tâches, un prompt qui poussait à explorer le contexte en profondeur amenait souvent le modèle à relancer la recherche alors que ses connaissances auraient suffi.

Remèdes du catalogue

• F3 · Cascade et routage de modèles — Chaque modèle de la cascade a son prompt, réglé pour lui : pas de prompt unique partagé entre modèles de générations différentes.

Mesures hors catalogue

• Relire et élaguer le prompt à chaque changement de modèle, et consigner la migration dans une décision d’architecture.
• Des évaluations de non-régression qui comparent le coût et le nombre d’appels d’outils avant et après la migration.

Patterns détournés

• A1 · LLM augmenté
• F3 · Cascade et routage de modèles

Anti-patterns voisins

• AP21 · Instructions obèses
• AP77 · Régressions silencieuses au changement
• AP83 · Composant de harnais devenu inutile

Sources

• Prompting best practices — Anthropic (documentation)
• GPT-5 prompting guide — OpenAI (cookbook), 2025-08-07