Prompting pour Claude Sonnet 5

Ce guide couvre les modèles de prompting spécifiques à Claude Sonnet 5. Pour les capacités du modèle et les changements d'API, consultez Nouveautés de Claude Sonnet 5. Pour les techniques qui s'appliquent à tous les modèles Claude actuels, consultez Meilleures pratiques de prompting.

Claude Sonnet 5 possède des atouts particuliers dans le codage et les tâches agentiques. Il fonctionne bien dès le départ avec les prompts existants de Claude Sonnet 4.6. Les modèles présentés dans ce guide couvrent les comportements qui nécessitent le plus souvent des ajustements.



Longueur des réponses et verbosité

Claude Sonnet 5 calibre la longueur de ses réponses en fonction de la complexité de la tâche plutôt que d'adopter par défaut une verbosité fixe. Cela signifie généralement des réponses plus courtes pour les recherches simples et plus longues pour les analyses ouvertes.

Si votre produit dépend d'un certain style ou d'une certaine verbosité de sortie, vous devrez peut-être ajuster vos prompts. Par exemple, pour diminuer la verbosité, vous pourriez ajouter :

Provide concise, focused responses. Skip non-essential context, and keep examples minimal.

Si vous observez des types spécifiques de verbosité (comme des explications excessives), vous pouvez ajouter des instructions supplémentaires dans votre prompt pour les éviter. Les exemples positifs montrant comment Claude peut communiquer avec le niveau de concision approprié tendent à être plus efficaces que les exemples négatifs ou les instructions qui indiquent au modèle ce qu'il ne doit pas faire.



Calibrer l'effort et la profondeur de réflexion

Le paramètre effort vous permet d'ajuster l'intelligence de Claude par rapport à la consommation de tokens, en échangeant de la capacité contre une vitesse plus rapide et des coûts plus faibles. Sur Claude Sonnet 5, l'effort est par défaut à high, comme sur Claude Sonnet 4.6. Pour les tâches de codage et agentiques les plus difficiles, augmentez l'effort à xhigh. Expérimentez avec d'autres niveaux d'effort pour affiner davantage l'utilisation de tokens et l'intelligence :

• max : Capacité maximale absolue sans contraintes sur la consommation de tokens.
• xhigh : L'effort extra élevé est le réglage recommandé pour les cas d'usage de codage et agentiques les plus difficiles.
• high : La valeur par défaut. Ce réglage équilibre l'utilisation de tokens et l'intelligence pour la plupart des cas d'usage.
• medium : Bon pour les cas d'usage sensibles aux coûts qui doivent réduire l'utilisation de tokens en échange d'une intelligence moindre.
• low : À réserver aux tâches courtes et délimitées et aux charges de travail sensibles à la latence qui ne sont pas sensibles à l'intelligence.

Comme correspondance approximative entre modèles lors de la migration : Claude Sonnet 5 à medium est comparable en intelligence à Claude Sonnet 4.6 à high, et Claude Sonnet 5 à high est comparable à Claude Sonnet 4.6 à max. Lors de l'évaluation comparative, faites correspondre selon la longueur de réflexion observée plutôt que selon le nom du niveau d'effort.

Claude Sonnet 5 respecte strictement les niveaux d'effort, en particulier dans les niveaux bas. À low et medium, le modèle limite son travail à ce qui a été demandé plutôt que d'aller au-delà. C'est bon pour la latence et les coûts, mais sur des tâches modérément complexes exécutées à l'effort low, il existe un certain risque de sous-réflexion.

Si vous observez un raisonnement superficiel sur des problèmes complexes, augmentez l'effort à high ou xhigh plutôt que d'essayer de contourner le problème par le prompting. Si vous devez maintenir l'effort à low pour la latence, ajoutez des directives ciblées :

This task involves multi-step reasoning. Think carefully through the problem before responding.

Sur Claude Sonnet 5, la réflexion adaptative est activée par défaut. Les requêtes sans champ thinking s'exécutent avec la réflexion adaptative. C'est un changement par rapport à Claude Sonnet 4.6, où les mêmes requêtes s'exécutaient sans réflexion. Pour désactiver entièrement la réflexion, passez thinking: {type: "disabled"}. Comme max_tokens est une limite stricte sur la sortie totale (réflexion plus texte de réponse), réexaminez-le pour les charges de travail qui s'exécutaient sans réflexion sur Claude Sonnet 4.6. Si vous utilisiez auparavant la réflexion désactivée avec Claude Sonnet 4.6, essayez la réflexion activée avec des niveaux d'effort plus bas pour Claude Sonnet 5.

Le comportement de déclenchement de la réflexion adaptative est orientable. Si vous constatez que le modèle émet des blocs de réflexion plus souvent que vous ne le souhaiteriez, ce qui peut arriver avec des invites système volumineuses ou complexes, ajoutez des directives pour l'orienter. Comme toujours, mesurez l'effet de tout changement de prompting sur les performances. Exemple :

Thinking adds latency and should only be used when it will meaningfully improve answer quality, typically for problems that require multi-step reasoning. When in doubt, respond directly.

Inversement, si vous exécutez des charges de travail difficiles à medium et observez une sous-réflexion, le premier levier est d'augmenter l'effort. Si vous avez besoin d'un contrôle plus fin, demandez-le directement dans le prompt.

La réflexion étendue manuelle (thinking: {type: "enabled", budget_tokens: N}) n'est pas prise en charge sur Claude Sonnet 5 et renvoie une erreur 400. Elle était dépréciée sur Claude Sonnet 4.6 et est maintenant supprimée. Utilisez plutôt la réflexion adaptative avec le paramètre effort.



Déclenchement de l'utilisation d'outils

Claude Sonnet 5 est plus agentique que Claude Sonnet 4.6 par défaut et aura plus facilement recours aux outils et exécutera plus volontiers des boucles d'auto-vérification. Avec la réflexion désactivée, le modèle est moins susceptible de recourir aux outils ou d'envisager une recherche ; si vous dépendez des appels d'outils avec la réflexion désactivée, ajoutez une incitation explicite dans l'invite système. L'effort est également un levier pour l'utilisation d'outils : les réglages d'effort high ou xhigh montrent une utilisation d'outils nettement plus importante dans la recherche agentique et le codage. Pour les scénarios où vous souhaitez plus d'utilisation d'outils, vous pouvez également ajuster votre prompt pour indiquer explicitement au modèle quand et comment utiliser correctement ses outils. Par exemple, si vous constatez que le modèle n'utilise pas vos outils de recherche web, décrivez clairement pourquoi et comment il devrait le faire.



Mises à jour de progression destinées à l'utilisateur

Claude Sonnet 5 fournit des mises à jour régulières et de meilleure qualité à l'utilisateur tout au long des longues traces agentiques. Si vous avez ajouté un échafaudage pour forcer des messages d'état intermédiaires (« Après chaque 3 appels d'outils, résume la progression »), essayez de le supprimer. Si vous constatez que la longueur ou le contenu des mises à jour destinées à l'utilisateur de Claude Sonnet 5 ne sont pas bien calibrés pour votre cas d'usage, décrivez explicitement dans le prompt à quoi ces mises à jour devraient ressembler et fournissez des exemples.



Suivi plus littéral des instructions

Claude Sonnet 5 interprète les prompts de manière littérale et explicite, en particulier aux niveaux d'effort plus bas. Il ne généralise pas silencieusement une instruction d'un élément à un autre, et il n'infère pas des demandes que vous n'avez pas formulées. L'avantage de ce littéralisme est la précision, et il fonctionne généralement mieux pour les cas d'usage d'API avec des prompts soigneusement ajustés, l'extraction structurée et les pipelines où vous souhaitez un comportement prévisible. Si vous avez besoin que Claude applique une instruction de manière large, indiquez explicitement la portée (par exemple, « Applique ce formatage à chaque section, pas seulement à la première »).



Ton et style d'écriture

Comme avec tout nouveau modèle, le style de prose pour la rédaction de textes longs peut changer. Si votre produit repose sur une voix spécifique, réévaluez les prompts de style par rapport à la nouvelle référence.

Par exemple, si la voix de votre produit est plus chaleureuse ou plus conversationnelle, ajoutez :

Use a warm, collaborative tone. Acknowledge the user's framing before answering.

Si vous vous appuyiez auparavant sur temperature pour la variété stylistique, notez que définir temperature, top_p ou top_k à une valeur non par défaut renvoie une erreur 400 sur Claude Sonnet 5. Cette contrainte est nouvelle pour les modèles de classe Sonnet. Supprimez ces paramètres lors de la migration, et utilisez plutôt des instructions dans l'invite système pour guider le ton et la variété.



Valeurs par défaut de design et de frontend

Claude Sonnet 5 peut adopter un style visuel par défaut cohérent sur les briefs de frontend et de design ouverts. Un style maison par défaut peut bien convenir à certains briefs mais sembler inadapté pour les tableaux de bord, les outils de développement, la fintech, la santé ou les applications d'entreprise.

Les instructions génériques (« n'utilise pas cette couleur », « rends-le propre et minimaliste ») tendent à faire basculer le modèle vers une autre palette fixe plutôt que de produire de la variété. Deux approches fonctionnent de manière fiable :

1. Spécifiez une alternative concrète. Le modèle suit précisément les spécifications explicites :

Design a desktop landing page for a supplement brand called AEFRM.

The visual direction should come from a cold monochrome atmosphere using pale silver-gray tones that gradually deepen into blue-gray and near-black, similar to a misted metallic surface.

The page should feel sharp and controlled, with a strong sense of structure and restraint.

Use this tonal system across the full page instead of introducing bright accent colors.

Use the uploaded image on the hero design in black and white.

The layout should be built with clear horizontal sections and a centered max-width container. Use 4px corner radius consistently across cards, buttons, inputs, and media frames. Margins should feel generous, with enough empty space around each section so the page breathes.

Typography should use a square, angular sans-serif with wider letter spacing than usual, especially in headings and navigation, so the text feels more engineered and less compressed. Headline text can be large and uppercase, while supporting copy remains short and sparse. The sub texts should be written with Alumni Sans SC in 4-6px like tiny little texts on corners bottom centre like that.

For the structure, start with a hero section containing a strong product statement, one short supporting paragraph, and a clean product placeholder or packshot frame. Below that, add a benefit grid with three or four blocks, then a formulation or ingredients section, and finally a cta.

Buttons should be flat and precise, with subtle hover changes using transition: all 160ms ease out where brightness and border contrast shift slightly rather than using dramatic motion.

Color palette should stay within this range:
#E9ECEC, #C9D2D4, #8C9A9E, #44545B, #11171B.

2. Demandez au modèle de proposer des options avant de construire. Cela rompt avec le comportement par défaut et donne le contrôle aux utilisateurs. Comme temperature n'est pas accepté sur Claude Sonnet 5, cette approche est la méthode recommandée pour produire des directions de design significativement différentes d'une exécution à l'autre. Exemple de prompt :

Before building, propose 4 distinct visual directions tailored to this brief (each as: bg hex / accent hex / typeface, plus a one-line rationale). Ask the user to pick one, then implement only that direction.

Pour éviter les modèles génériques que les utilisateurs appellent l'esthétique « AI slop », vous pouvez inclure une courte directive dans votre invite système. La skill frontend-design offre un traitement plus complet, mais cet extrait de code fonctionne bien en complément des approches de variété précédentes :

<frontend_aesthetics>
NEVER use generic AI-generated aesthetics like overused font families (Inter, Roboto, Arial, system fonts), cliched color schemes (particularly purple gradients on white or dark backgrounds), predictable layouts and component patterns, and cookie-cutter design that lacks context-specific character. Use unique fonts, cohesive colors and themes, and animations for effects and micro-interactions.
</frontend_aesthetics>



Produits de codage interactifs

L'utilisation de tokens et le comportement peuvent différer entre les agents de codage autonomes et asynchrones avec un seul tour utilisateur et les agents de codage interactifs et synchrones avec plusieurs tours utilisateur. Pour maximiser à la fois les performances et l'efficacité en tokens dans les produits de codage, utilisez l'effort xhigh ou high, ajoutez des fonctionnalités autonomes comme un mode automatique, et réduisez le nombre d'interactions humaines requises de la part de vos utilisateurs.

Lorsque vous limitez le nombre d'interactions utilisateur requises, il est important de spécifier la tâche, l'intention et les contraintes pertinentes dès le départ dans le premier tour humain. Fournir des descriptions de tâches bien spécifiées, claires et précises dès le départ peut aider à maximiser l'autonomie et l'intelligence tout en minimisant l'utilisation supplémentaire de tokens après les tours utilisateur. En revanche, des prompts ambigus ou sous-spécifiés transmis progressivement sur plusieurs tours utilisateur tendent à réduire relativement l'efficacité en tokens et parfois les performances.



Harnais de revue de code

Si votre harnais de revue de code a été ajusté pour un modèle antérieur, vous pourriez initialement observer un rappel plus faible sur Claude Sonnet 5. Il s'agit probablement d'un effet du harnais, pas d'une régression de capacité. Lorsqu'un prompt de revue dit des choses comme « ne signale que les problèmes de haute sévérité », « sois conservateur » ou « ne pinaille pas », Claude Sonnet 5 peut suivre cette instruction plus fidèlement que les modèles antérieurs : il peut examiner le code tout aussi minutieusement, identifier les bugs, puis ne pas signaler les constats qu'il juge en dessous du seuil que vous avez indiqué. Cela peut se manifester par le fait que le modèle effectue la même profondeur d'investigation mais convertit moins d'investigations en constats signalés, en particulier pour les bugs de moindre sévérité. La précision augmente généralement, mais le rappel mesuré peut diminuer même si la capacité sous-jacente du modèle à trouver des bugs s'est améliorée.

Quelques formulations de prompt recommandées :

Report every issue you find, including ones you are uncertain about or consider low-severity. Do not filter for importance or confidence at this stage - a separate verification step will do that. Your goal here is coverage: it is better to surface a finding that later gets filtered out than to silently drop a real bug. For each finding, include your confidence level and an estimated severity so a downstream filter can rank them.

Ce prompt peut être utilisé sans avoir réellement de seconde étape, mais déplacer le filtrage par confiance hors de l'étape de détection aide souvent. Si votre harnais dispose d'une étape distincte de vérification, de déduplication ou de classement, indiquez explicitement au modèle que son travail à l'étape de détection est la couverture plutôt que le filtrage.

Si vous souhaitez que le modèle s'auto-filtre en une seule passe, soyez concret sur l'emplacement du seuil plutôt que d'utiliser des termes qualitatifs comme « important » : par exemple, « signale tout bug qui pourrait causer un comportement incorrect, un échec de test ou un résultat trompeur ; omets uniquement les détails mineurs comme les préférences purement stylistiques ou de nommage ».

Itérez sur les prompts par rapport à un sous-ensemble de vos évaluations ou cas de test pour valider les gains de rappel ou de score F1.



Utilisation de l'ordinateur

Claude Sonnet 5 prend en charge la version d'outil computer_20251124. La capacité d'utilisation de l'ordinateur fonctionne à toutes les résolutions, jusqu'à une résolution maximale de 2576px / 3,75MP. Les tests internes d'utilisation de l'ordinateur montrent que l'envoi d'images en 1080p offre un bon équilibre entre performances et coûts.

Pour les charges de travail particulièrement sensibles aux coûts, 720p ou 1366×768 sont des options moins coûteuses avec de bonnes performances. Effectuez vos propres tests pour trouver les réglages idéaux pour votre cas d'usage ; expérimenter avec les réglages d'effort peut également aider à ajuster le comportement du modèle.