Bonnes pratiques de prompting

Ceci est la référence pour l'ingénierie de prompts avec les derniers modèles de Claude, notamment Claude Fable 5, Claude Mythos 5, Claude Opus 4.8, Claude Opus 4.7, Claude Opus 4.6, Claude Sonnet 4.6 et Claude Haiku 4.5. La page est organisée en trois parties :

• Conseils spécifiques aux modèles d'abord : là où Claude Fable 5 et Claude Opus 4.8 se comportent différemment et ce qu'il faut modifier.
• Techniques pour tous les modèles actuels ensuite : principes généraux, sortie et formatage, utilisation d'outils, réflexion et systèmes agentiques.
• Considérations de migration en dernier, pour les prompts provenant de générations antérieures.

Claude Fable 5

Les conseils de prompting pour Claude Fable 5 et Claude Mythos 5 ont leur propre page : Prompting de Claude Fable 5. Elle couvre les différences de comportement par rapport à Claude Opus 4.8 et les modifications de prompts et d'infrastructure qui valent la peine d'être apportées, notamment les niveaux d'effort, le suivi des instructions, les affirmations de progression sur le long terme, les systèmes de mémoire et la catégorie de refus reasoning_extraction.

Prompting de Claude Opus 4.8

Les conseils de prompting pour Claude Opus 4.8 ont leur propre page : Prompting de Claude Opus 4.8. Elle couvre la longueur des réponses, le calibrage de l'effort et de la profondeur de réflexion, le déclenchement de l'utilisation d'outils, le suivi littéral des instructions, le contrôle des sous-agents, ainsi que les valeurs par défaut pour le design et le frontend.

Principes généraux

Les techniques de cette section et des sections suivantes s'appliquent à tous les modèles Claude actuels, y compris Claude Fable 5 et Claude Mythos 5.

Soyez clair et direct

Claude répond bien aux instructions claires et explicites. Être précis sur la sortie souhaitée peut aider à améliorer les résultats. Si vous voulez un comportement qui va « au-delà des attentes », demandez-le explicitement plutôt que de compter sur le modèle pour le déduire de prompts vagues.

Considérez Claude comme un employé brillant mais nouveau qui manque de contexte sur vos normes et vos flux de travail. Plus vous expliquez précisément ce que vous voulez, meilleur sera le résultat.

Règle d'or : Montrez votre prompt à un collègue ayant un contexte minimal sur la tâche et demandez-lui de le suivre. S'il est confus, Claude le sera aussi.

• Soyez précis sur le format de sortie souhaité et les contraintes.
• Fournissez les instructions sous forme d'étapes séquentielles en utilisant des listes numérotées ou des puces lorsque l'ordre ou l'exhaustivité des étapes est important.

Ajoutez du contexte pour améliorer les performances

Fournir du contexte ou une motivation derrière vos instructions, par exemple en expliquant à Claude pourquoi tel comportement est important, peut aider Claude à mieux comprendre vos objectifs et à fournir des réponses plus ciblées.

Claude est suffisamment intelligent pour généraliser à partir de l'explication.

Utilisez les exemples efficacement

Les exemples sont l'un des moyens les plus fiables d'orienter le format, le ton et la structure de la sortie de Claude. Quelques exemples bien conçus (technique connue sous le nom de « few-shot » ou « multishot prompting ») peuvent considérablement améliorer la précision et la cohérence.

Lorsque vous ajoutez des exemples, assurez-vous qu'ils soient :

• Pertinents : Reflètent fidèlement votre cas d'usage réel.
• Diversifiés : Couvrent les cas limites et varient suffisamment pour que Claude ne détecte pas de motifs non intentionnels.
• Structurés : Encadrez les exemples dans des balises <example> (plusieurs exemples dans des balises <examples>) afin que Claude puisse les distinguer des instructions.

Structurez les prompts avec des balises XML

Les balises XML aident Claude à analyser les prompts complexes sans ambiguïté, en particulier lorsque votre prompt mélange instructions, contexte, exemples et entrées variables. Encadrer chaque type de contenu dans sa propre balise (par exemple <instructions>, <context>, <input>) réduit les erreurs d'interprétation.

Bonnes pratiques :

• Utilisez des noms de balises cohérents et descriptifs dans tous vos prompts.
• Imbriquez les balises lorsque le contenu a une hiérarchie naturelle (documents à l'intérieur de <documents>, chacun à l'intérieur de <document index="n">).

Donnez un rôle à Claude

Définir un rôle dans l'invite système concentre le comportement et le ton de Claude pour votre cas d'usage. Même une seule phrase fait une différence :

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=1024,
    system="You are a helpful coding assistant specializing in Python.",
    messages=[
        {"role": "user", "content": "How do I sort a list of dictionaries by key?"}
    ],
)
print(message.content)

Prompting avec contexte long

Lorsque vous travaillez avec de grands documents ou des entrées riches en données (plus de 20 000 tokens), structurez soigneusement votre prompt pour obtenir les meilleurs résultats :

• Placez les données volumineuses en haut : Placez vos longs documents et entrées près du haut de votre prompt, au-dessus de votre requête, de vos instructions et de vos exemples. Cela peut améliorer considérablement les performances sur tous les modèles.

  Les requêtes placées à la fin peuvent améliorer la qualité des réponses jusqu'à 30 % dans les tests, en particulier avec des entrées complexes et multi-documents.

• Structurez le contenu et les métadonnées des documents avec des balises XML : Lorsque vous utilisez plusieurs documents, encadrez chaque document dans des balises <document> avec des sous-balises <document_content> et <source> (et autres métadonnées) pour plus de clarté.

  Exemple de structure multi-documents

• Ancrez les réponses dans des citations : Pour les tâches sur de longs documents, demandez à Claude de citer d'abord les parties pertinentes des documents avant d'effectuer sa tâche. Cela aide Claude à faire abstraction du bruit du reste du contenu du document.

  Exemple d'extraction de citations

Connaissance de soi du modèle

Si vous souhaitez que Claude s'identifie correctement dans votre application ou utilise des chaînes d'API spécifiques :

The assistant is Claude, created by Anthropic. The current model is Claude Opus 4.8.

Pour les applications basées sur des LLM qui doivent spécifier des chaînes de modèle :

When an LLM is needed, please default to Claude Opus 4.8 unless the user requests
otherwise. The exact model string for Claude Opus 4.8 is claude-opus-4-8.

Sortie et formatage

Style de communication et verbosité

Les derniers modèles de Claude ont un style de communication plus concis et naturel par rapport aux modèles précédents :

• Plus direct et ancré : Fournit des rapports de progression basés sur les faits plutôt que des mises à jour auto-congratulatoires
• Plus conversationnel : Légèrement plus fluide et familier, moins mécanique
• Moins verbeux : Peut omettre les résumés détaillés par souci d'efficacité, sauf indication contraire

Cela signifie que Claude peut omettre les résumés verbaux après les appels d'outils, passant directement à l'action suivante. Si vous préférez avoir plus de visibilité sur son raisonnement :

After completing a task that involves tool use, provide a quick summary of the work you've done.

Contrôler le format des réponses

Il existe quelques moyens particulièrement efficaces d'orienter le formatage de la sortie :

1. Dites à Claude ce qu'il faut faire plutôt que ce qu'il ne faut pas faire

   • Au lieu de : « N'utilise pas de markdown dans ta réponse »
   • Essayez : « Ta réponse doit être composée de paragraphes de prose fluides. »

2. Utilisez des indicateurs de format XML

   • Essayez : « Écris les sections en prose de ta réponse dans des balises <smoothly_flowing_prose_paragraphs>. »

3. Faites correspondre le style de votre prompt à la sortie souhaitée

   Le style de formatage utilisé dans votre prompt peut influencer le style de réponse de Claude. Si vous rencontrez toujours des problèmes de pilotage avec le formatage de sortie, essayez de faire correspondre le style de votre prompt à votre style de sortie souhaité aussi étroitement que possible. Par exemple, supprimer le markdown de votre prompt peut réduire le volume de markdown dans la sortie.

4. Utilisez des prompts détaillés pour des préférences de formatage spécifiques

   Pour plus de contrôle sur l'utilisation du markdown et du formatage, fournissez des directives explicites :

<avoid_excessive_markdown_and_bullet_points>
When writing reports, documents, technical explanations, analyses, or any long-form
content, write in clear, flowing prose using complete paragraphs and sentences. Use
standard paragraph breaks for organization and reserve markdown primarily for `inline
code`, code blocks (```...```), and simple headings (###, and ###). Avoid using **bold**
and *italics*.

DO NOT use ordered lists (1. ...) or unordered lists (*) unless : a) you're presenting
truly discrete items where a list format is the best option, or b) the user explicitly
requests a list or ranking

Instead of listing items with bullets or numbers, incorporate them naturally into
sentences. This guidance applies especially to technical writing. Using prose instead of
excessive formatting will improve user satisfaction. NEVER output a series of overly
short bullet points.

Your goal is readable, flowing text that guides the reader naturally through ideas
rather than fragmenting information into isolated points.
</avoid_excessive_markdown_and_bullet_points>

Sortie LaTeX

Les derniers modèles de Claude utilisent par défaut LaTeX pour les expressions mathématiques, les équations et les explications techniques. Si vous préférez du texte brut, ajoutez les instructions suivantes à votre prompt :

Format your response in plain text only. Do not use LaTeX, MathJax, or any markup
notation such as \( \), $, or \frac{}{}. Write all math expressions using standard text
characters (e.g., "/" for division, "*" for multiplication, and "^" for exponents).

Création de documents

Les derniers modèles de Claude excellent dans la création de présentations, d'animations et de documents visuels avec une créativité impressionnante et un excellent suivi des instructions. Les modèles produisent une sortie soignée et utilisable dès le premier essai dans la plupart des cas.

Pour de meilleurs résultats avec la création de documents :

Create a professional presentation on [topic]. Include thoughtful design elements,
visual hierarchy, and engaging animations where appropriate.

Migration depuis les réponses préremplies

À partir des modèles Claude 4.6 et de Claude Mythos Preview, les réponses préremplies sur le dernier tour de l'assistant ne sont plus prises en charge. Les requêtes avec des messages d'assistant préremplis envoyées à ces modèles renvoient une erreur 400. L'intelligence du modèle et le suivi des instructions ont progressé au point que la plupart des cas d'usage du préremplissage n'en ont plus besoin. Les modèles antérieurs continuent de prendre en charge les préremplissages, et l'ajout de messages d'assistant ailleurs dans la conversation n'est pas affecté.

Voici des scénarios courants de préremplissage et comment migrer :

Utilisation d'outils

Utilisation des outils

Les derniers modèles de Claude sont entraînés pour un suivi précis des instructions et bénéficient de directives explicites pour utiliser des outils spécifiques. Si vous dites « peux-tu suggérer quelques modifications », Claude fournira parfois des suggestions plutôt que de les implémenter, même si apporter des modifications était peut-être votre intention.

Pour que Claude passe à l'action, soyez plus explicite :

Pour rendre Claude plus proactif dans la prise d'action par défaut, vous pouvez ajouter ceci à votre invite système :

<default_to_action>
By default, implement changes rather than only suggesting them. If the user's intent is
unclear, infer the most useful likely action and proceed, using tools to discover any
missing details instead of guessing. Try to infer the user's intent about whether a tool
call (e.g., file edit or read) is intended or not, and act accordingly.
</default_to_action>

D'un autre côté, si vous voulez que le modèle soit plus hésitant par défaut, moins enclin à se lancer directement dans les implémentations, et qu'il n'agisse que sur demande, vous pouvez orienter ce comportement avec un prompt comme celui ci-dessous :

<do_not_act_before_instructions>
Do not jump into implementation or change files unless clearly instructed to make
changes. When the user's intent is ambiguous, default to providing information, doing
research, and providing recommendations rather than taking action. Only proceed with
edits, modifications, or implementations when the user explicitly requests them.
</do_not_act_before_instructions>

Claude Opus 4.5 et Claude Opus 4.6 sont également plus réactifs à l'invite système que les modèles précédents. Si vos prompts étaient conçus pour réduire le sous-déclenchement sur les outils ou les compétences, ces modèles peuvent maintenant sur-déclencher. La solution consiste à atténuer tout langage agressif. Là où vous auriez pu dire « CRITIQUE : Tu DOIS utiliser cet outil quand... », vous pouvez utiliser un prompting plus normal comme « Utilise cet outil quand... ».

Optimiser les appels d'outils parallèles

Les derniers modèles de Claude excellent dans l'exécution parallèle d'outils. Ces modèles vont :

• Exécuter plusieurs recherches spéculatives pendant la recherche
• Lire plusieurs fichiers à la fois pour construire le contexte plus rapidement
• Exécuter des commandes bash en parallèle (ce qui peut même saturer les performances du système)

Ce comportement est facilement pilotable. Bien que le modèle ait un taux de réussite élevé dans les appels d'outils parallèles sans prompting, vous pouvez porter ce taux à ~100 % ou ajuster le niveau d'agressivité :

<use_parallel_tool_calls>
If you intend to call multiple tools and there are no dependencies between the tool
calls, make all of the independent tool calls in parallel. Prioritize calling tools
simultaneously whenever the actions can be done in parallel rather than sequentially.
For example, when reading 3 files, run 3 tool calls in parallel to read all 3 files into
context at the same time. Maximize use of parallel tool calls where possible to increase
speed and efficiency. However, if some tool calls depend on previous calls to inform
dependent values like the parameters, do NOT call these tools in parallel and instead
call them sequentially. Never use placeholders or guess missing parameters in tool
calls.
</use_parallel_tool_calls>

Execute operations sequentially with brief pauses between each step to ensure stability.

Réflexion et raisonnement

Sur-réflexion et exhaustivité excessive

Claude Opus 4.6 effectue beaucoup plus d'exploration préalable que les modèles précédents, en particulier avec des paramètres effort plus élevés. Ce travail initial aide souvent à optimiser les résultats finaux, mais le modèle peut rassembler un contexte étendu ou poursuivre plusieurs pistes de recherche sans y être invité. Si vos prompts encourageaient auparavant le modèle à être plus exhaustif, vous devriez ajuster ces directives pour Claude Opus 4.6 :

• Remplacez les valeurs par défaut générales par des instructions plus ciblées. Au lieu de « Utilise par défaut [outil] », ajoutez des directives comme « Utilise [outil] lorsque cela améliorerait ta compréhension du problème. »
• Supprimez le sur-prompting. Les outils qui sous-déclenchaient dans les modèles précédents sont susceptibles de se déclencher de manière appropriée maintenant. Des instructions comme « En cas de doute, utilise [outil] » provoqueront un sur-déclenchement.
• Utilisez l'effort comme solution de repli. Si Claude continue d'être trop agressif, utilisez un paramètre plus bas pour effort.

Dans certains cas, Claude Opus 4.6 peut réfléchir de manière extensive, ce qui peut gonfler les tokens de réflexion et ralentir les réponses. Si ce comportement est indésirable, vous pouvez ajouter des instructions explicites pour contraindre son raisonnement, ou vous pouvez abaisser le paramètre effort pour réduire la réflexion globale et l'utilisation de tokens.

When you're deciding how to approach a problem, choose an approach and commit to it.
Avoid revisiting decisions unless you encounter new information that directly
contradicts your reasoning. If you're weighing two approaches, pick one and see it
through. You can always course-correct later if the chosen approach fails.

Si vous avez besoin d'un plafond strict sur les coûts de réflexion, la réflexion étendue avec un plafond budget_tokens est toujours fonctionnelle sur Opus 4.6 et Sonnet 4.6 mais est dépréciée. Préférez abaisser le paramètre effort ou utiliser max_tokens comme limite stricte avec la réflexion adaptative.

Exploiter les capacités de réflexion et de réflexion intercalée

Les derniers modèles de Claude offrent des capacités de réflexion qui peuvent être particulièrement utiles pour les tâches impliquant une réflexion après l'utilisation d'outils ou un raisonnement complexe en plusieurs étapes. Vous pouvez guider sa réflexion initiale ou intercalée pour de meilleurs résultats.

Claude Opus 4.6 et Claude Sonnet 4.6 utilisent la réflexion adaptative (thinking: {type: "adaptive"}), où Claude décide dynamiquement quand et combien réfléchir. Claude calibre sa réflexion en fonction de deux facteurs : le paramètre effort et la complexité de la requête. Un effort plus élevé suscite plus de réflexion, et les requêtes plus complexes font de même. Sur les requêtes plus simples qui ne nécessitent pas de réflexion, le modèle répond directement. Dans les évaluations internes, la réflexion adaptative produit de manière fiable de meilleures performances que la réflexion étendue. Envisagez de passer à la réflexion adaptative pour obtenir les réponses les plus intelligentes.

Utilisez la réflexion adaptative pour les charges de travail qui nécessitent un comportement agentique tel que l'utilisation d'outils en plusieurs étapes, les tâches de codage complexes et les boucles d'agent à long horizon. Les modèles plus anciens utilisent le mode de réflexion manuel avec budget_tokens.

Vous pouvez guider le comportement de réflexion de Claude :

After receiving tool results, carefully reflect on their quality and determine optimal
next steps before proceeding. Use your thinking to plan and iterate based on this new
information, and then take the best next action.

Le comportement de déclenchement de la réflexion adaptative est pilotable par prompt. Si vous constatez que le modèle réfléchit plus souvent que vous ne le souhaiteriez, ce qui peut arriver avec des invites système volumineuses ou complexes, ajoutez des directives pour l'orienter :

Extended 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.

Si vous migrez depuis la réflexion étendue avec budget_tokens, remplacez votre configuration de réflexion et déplacez le contrôle du budget vers effort :

Avant (réflexion étendue, modèles plus anciens) :

client.messages.create(
    model="claude-sonnet-4-5-20250929",
    max_tokens=64000,
    thinking={"type": "enabled", "budget_tokens": 32000},
    messages=[{"role": "user", "content": "..."}],
)

Après (réflexion adaptative) :

client.messages.create(
    model="claude-opus-4-8",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},  # or "max", "xhigh", "medium", "low"
    messages=[{"role": "user", "content": "..."}],
)

Si vous n'utilisez pas la réflexion étendue, aucune modification n'est requise. La réflexion est désactivée par défaut lorsque vous omettez le paramètre thinking.

• Préférez les instructions générales aux étapes prescriptives. Un prompt comme « réfléchis de manière approfondie » produit souvent un meilleur raisonnement qu'un plan étape par étape écrit à la main. Le raisonnement de Claude dépasse fréquemment ce qu'un humain prescrirait.
• Les exemples multishot fonctionnent avec la réflexion. Utilisez des balises <thinking> à l'intérieur de vos exemples few-shot pour montrer à Claude le schéma de raisonnement. Il généralisera ce style à ses propres blocs de réflexion étendue.
• CoT manuel comme solution de repli. Lorsque la réflexion est désactivée, vous pouvez toujours encourager le raisonnement étape par étape en demandant à Claude de réfléchir au problème. Utilisez des balises structurées comme <thinking> et <answer> pour séparer proprement le raisonnement de la sortie finale.
• Demandez à Claude de s'auto-vérifier. Ajoutez quelque chose comme « Avant de terminer, vérifie ta réponse par rapport à [critères de test]. » Cela détecte les erreurs de manière fiable, en particulier pour le codage et les mathématiques.

Systèmes agentiques

Raisonnement à long horizon et suivi d'état

Les derniers modèles de Claude excellent dans les tâches de raisonnement à long horizon avec des capacités exceptionnelles de suivi d'état. Claude maintient son orientation au cours de sessions prolongées en se concentrant sur les progrès incrémentaux, avançant régulièrement sur quelques éléments à la fois plutôt que de tout tenter en même temps. Cette capacité émerge particulièrement sur plusieurs fenêtres de contexte ou itérations de tâches, où Claude peut travailler sur une tâche complexe, sauvegarder l'état et continuer avec une nouvelle fenêtre de contexte.

Conscience du contexte et flux de travail multi-fenêtres

Les modèles Claude 4.6 et Claude 4.5 disposent de la conscience du contexte, permettant au modèle de suivre sa fenêtre de contexte restante (c'est-à-dire son « budget de tokens ») tout au long d'une conversation. Cela permet à Claude d'exécuter des tâches et de gérer le contexte plus efficacement en comprenant de combien d'espace il dispose pour travailler.

Gestion des limites de contexte :

Si vous utilisez Claude dans un harnais d'agent qui compacte le contexte ou permet de sauvegarder le contexte dans des fichiers externes (comme dans Claude Code), envisagez d'ajouter cette information à votre prompt afin que Claude puisse se comporter en conséquence. Sinon, Claude peut parfois naturellement essayer de conclure son travail à l'approche de la limite de contexte. Voici un exemple de prompt :

Your context window will be automatically compacted as it approaches its limit, allowing
you to continue working indefinitely from where you left off. Therefore, do not stop
tasks early due to token budget concerns. As you approach your token budget limit, save
your current progress and state to memory before the context window refreshes. Always be
as persistent and autonomous as possible and complete tasks fully, even if the end of
your budget is approaching. Never artificially stop any task early regardless of the
context remaining.

L'outil de mémoire se combine naturellement avec la conscience du contexte pour des transitions de contexte fluides.

Flux de travail sur plusieurs fenêtres de contexte

Pour les tâches s'étendant sur plusieurs fenêtres de contexte :

1. Utilisez un prompt différent pour la toute première fenêtre de contexte : Utilisez la première fenêtre de contexte pour mettre en place un cadre (écrire des tests, créer des scripts de configuration), puis utilisez les fenêtres de contexte suivantes pour itérer sur une liste de tâches.

2. Faites écrire les tests au modèle dans un format structuré : Demandez à Claude de créer des tests avant de commencer le travail et de les suivre dans un format structuré (par exemple, tests.json). Cela conduit à une meilleure capacité d'itération à long terme. Rappelez à Claude l'importance des tests : « Il est inacceptable de supprimer ou de modifier des tests car cela pourrait conduire à des fonctionnalités manquantes ou boguées. »

3. Configurez des outils de confort : Encouragez Claude à créer des scripts de configuration (par exemple, init.sh) pour démarrer proprement les serveurs, exécuter les suites de tests et les linters. Cela évite le travail répété lors de la reprise à partir d'une nouvelle fenêtre de contexte.

4. Repartir de zéro vs compacter : Lorsqu'une fenêtre de contexte est effacée, envisagez de commencer avec une toute nouvelle fenêtre de contexte plutôt que d'utiliser la compaction. Les derniers modèles de Claude sont extrêmement efficaces pour découvrir l'état à partir du système de fichiers local. Dans certains cas, vous voudrez peut-être en tirer parti plutôt que d'utiliser la compaction. Soyez prescriptif sur la façon dont il doit commencer :

   • « Appelle pwd ; tu ne peux lire et écrire des fichiers que dans ce répertoire. »
   • « Examine progress.txt, tests.json et les journaux git. »
   • « Exécute manuellement un test d'intégration fondamental avant de passer à l'implémentation de nouvelles fonctionnalités. »

5. Fournissez des outils de vérification : À mesure que la durée des tâches autonomes augmente, Claude doit vérifier l'exactitude sans retour humain continu. Des outils comme le serveur MCP Playwright ou les capacités d'utilisation d'ordinateur pour tester les interfaces utilisateur sont utiles.

6. Encouragez l'utilisation complète du contexte : Incitez Claude à terminer efficacement les composants avant de passer à la suite :

This is a very long task, so it may be beneficial to plan out your work clearly. It's
encouraged to spend your entire output context working on the task - just make sure you
don't run out of context with significant uncommitted work. Continue working
systematically until you have completed this task.

Bonnes pratiques de gestion d'état

• Utilisez des formats structurés pour les données d'état : Lors du suivi d'informations structurées (comme les résultats de tests ou le statut des tâches), utilisez JSON ou d'autres formats structurés pour aider Claude à comprendre les exigences de schéma
• Utilisez du texte non structuré pour les notes de progression : Les notes de progression en texte libre fonctionnent bien pour suivre la progression générale et le contexte
• Utilisez git pour le suivi d'état : Git fournit un journal de ce qui a été fait et des points de contrôle qui peuvent être restaurés. Les derniers modèles de Claude sont particulièrement performants dans l'utilisation de git pour suivre l'état sur plusieurs sessions.
• Mettez l'accent sur les progrès incrémentaux : Demandez explicitement à Claude de suivre sa progression et de se concentrer sur le travail incrémental

Équilibrer autonomie et sécurité

Sans directives, Claude Opus 4.6 peut entreprendre des actions difficiles à annuler ou affectant des systèmes partagés, comme supprimer des fichiers, effectuer un force-push ou publier sur des services externes. Si vous voulez que Claude Opus 4.6 confirme avant d'entreprendre des actions potentiellement risquées, ajoutez des directives à votre prompt :

Consider the reversibility and potential impact of your actions. You are encouraged to
take local, reversible actions like editing files or running tests, but for actions that
are hard to reverse, affect shared systems, or could be destructive, ask the user before
proceeding.

Examples of actions that warrant confirmation:
- Destructive operations: deleting files or branches, dropping database tables, rm -rf
- Hard to reverse operations: git push --force, git reset --hard, amending published commits
- Operations visible to others: pushing code, commenting on PRs/issues, sending
messages, modifying shared infrastructure

When encountering obstacles, do not use destructive actions as a shortcut. For example,
don't bypass safety checks (e.g. --no-verify) or discard unfamiliar files that may be
in-progress work.

Recherche et collecte d'informations

Les derniers modèles de Claude démontrent des capacités de recherche agentique exceptionnelles et peuvent trouver et synthétiser des informations provenant de plusieurs sources de manière efficace. Pour des résultats de recherche optimaux :

1. Fournissez des critères de réussite clairs : Définissez ce qui constitue une réponse réussie à votre question de recherche

2. Encouragez la vérification des sources : Demandez à Claude de vérifier les informations auprès de plusieurs sources

3. Pour les tâches de recherche complexes, utilisez une approche structurée :

Search for this information in a structured way. As you gather data, develop several
competing hypotheses. Track your confidence levels in your progress notes to improve
calibration. Regularly self-critique your approach and plan. Update a hypothesis tree or
research notes file to persist information and provide transparency. Break down this
complex research task systematically.

Cette approche structurée permet à Claude de trouver et de synthétiser pratiquement n'importe quelle information et de critiquer itérativement ses conclusions, quelle que soit la taille du corpus.

Orchestration de sous-agents

Les derniers modèles de Claude démontrent des capacités natives d'orchestration de sous-agents considérablement améliorées. Ces modèles peuvent reconnaître quand des tâches bénéficieraient de la délégation de travail à des sous-agents spécialisés et le font de manière proactive sans nécessiter d'instruction explicite.

Pour tirer parti de ce comportement :

1. Assurez-vous d'avoir des outils de sous-agents bien définis : Ayez des outils de sous-agents disponibles et décrits dans les définitions d'outils
2. Laissez Claude orchestrer naturellement : Claude déléguera de manière appropriée sans instruction explicite
3. Surveillez la surutilisation : Claude Opus 4.6 a une forte prédilection pour les sous-agents et peut en créer dans des situations où une approche plus simple et directe suffirait. Par exemple, le modèle peut créer des sous-agents pour l'exploration de code alors qu'un appel grep direct est plus rapide et suffisant.

Si vous constatez une utilisation excessive de sous-agents, ajoutez des directives explicites sur les cas où les sous-agents sont justifiés ou non :

Use subagents when tasks can run in parallel, require isolated context, or involve
independent workstreams that don't need to share state. For simple tasks, sequential
operations, single-file edits, or tasks where you need to maintain context across steps,
work directly rather than delegating.

Chaîner des prompts complexes

Avec la réflexion adaptative et l'orchestration de sous-agents, Claude gère la plupart du raisonnement en plusieurs étapes en interne. Le chaînage explicite de prompts (décomposer une tâche en appels d'API séquentiels) reste utile lorsque vous devez inspecter les sorties intermédiaires ou imposer une structure de pipeline spécifique.

Le motif de chaînage le plus courant est l'auto-correction : générer un brouillon → faire réviser par Claude selon des critères → faire affiner par Claude en fonction de la révision. Chaque étape est un appel d'API distinct afin que vous puissiez journaliser, évaluer ou créer des branches à tout moment.

Réduire la création de fichiers dans le codage agentique

Les derniers modèles de Claude peuvent parfois créer de nouveaux fichiers à des fins de test et d'itération, en particulier lorsqu'ils travaillent avec du code. Cette approche permet à Claude d'utiliser des fichiers, en particulier des scripts python, comme un « brouillon temporaire » avant de sauvegarder sa sortie finale. L'utilisation de fichiers temporaires peut améliorer les résultats, en particulier pour les cas d'usage de codage agentique.

Si vous préférez minimiser la création nette de nouveaux fichiers, vous pouvez demander à Claude de nettoyer après lui :

If you create any temporary new files, scripts, or helper files for iteration, clean up
these files by removing them at the end of the task.

Excès de zèle

Claude Opus 4.5 et Claude Opus 4.6 ont tendance à sur-ingénierer en créant des fichiers supplémentaires, en ajoutant des abstractions inutiles ou en intégrant une flexibilité qui n'a pas été demandée. Si vous constatez ce comportement indésirable, ajoutez des directives spécifiques pour garder les solutions minimales.

Par exemple :

Avoid over-engineering. Only make changes that are directly requested or clearly
necessary. Keep solutions simple and focused:

- Scope: Don't add features, refactor code, or make "improvements" beyond what was
asked. A bug fix doesn't need surrounding code cleaned up. A simple feature doesn't need
extra configurability.

- Documentation: Don't add docstrings, comments, or type annotations to code you didn't
change. Only add comments where the logic isn't self-evident.

- Defensive coding: Don't add error handling, fallbacks, or validation for scenarios
that can't happen. Trust internal code and framework guarantees. Only validate at system
boundaries (user input, external APIs).

- Abstractions: Don't create helpers, utilities, or abstractions for one-time
operations. Don't design for hypothetical future requirements. The right amount of
complexity is the minimum needed for the current task.

Éviter de se focaliser sur la réussite des tests et le codage en dur

Claude peut parfois se concentrer trop fortement sur la réussite des tests au détriment de solutions plus générales, ou peut utiliser des contournements comme des scripts auxiliaires pour des refactorisations complexes au lieu d'utiliser directement les outils standard. Pour prévenir ce comportement et garantir des solutions robustes et généralisables :

Please write a high-quality, general-purpose solution using the standard tools
available. Do not create helper scripts or workarounds to accomplish the task more
efficiently. Implement a solution that works correctly for all valid inputs, not just
the test cases. Do not hard-code values or create solutions that only work for specific
test inputs. Instead, implement the actual logic that solves the problem generally.

Focus on understanding the problem requirements and implementing the correct algorithm.
Tests are there to verify correctness, not to define the solution. Provide a principled
implementation that follows best practices and software design principles.

If the task is unreasonable or infeasible, or if any of the tests are incorrect, please
inform me rather than working around them. The solution should be robust, maintainable,
and extendable.

Minimiser les hallucinations dans le codage agentique

Les derniers modèles de Claude sont moins sujets aux hallucinations et donnent des réponses plus précises, ancrées et intelligentes basées sur le code. Pour encourager encore davantage ce comportement et minimiser les hallucinations :

<investigate_before_answering>
Never speculate about code you have not opened. If the user references a specific file,
you MUST read the file before answering. Make sure to investigate and read relevant
files BEFORE answering questions about the codebase. Never make any claims about code
before investigating unless you are certain of the correct answer - give grounded and
hallucination-free answers.
</investigate_before_answering>

Conseils spécifiques aux capacités

Capacités de vision améliorées

Claude Opus 4.5 et Claude Opus 4.6 ont des capacités de vision améliorées par rapport aux modèles Claude précédents. Ils sont plus performants sur les tâches de traitement d'images et d'extraction de données, en particulier lorsqu'il y a plusieurs images présentes dans le contexte. Ces améliorations se répercutent sur l'utilisation d'ordinateur, où les modèles peuvent interpréter de manière plus fiable les captures d'écran et les éléments d'interface utilisateur. Vous pouvez également utiliser ces modèles pour analyser des vidéos en les décomposant en images.

Une technique qui s'est avérée efficace pour améliorer davantage les performances consiste à donner à Claude un outil de recadrage ou une compétence. Les tests ont montré une amélioration constante sur les évaluations d'images lorsque Claude est capable de « zoomer » sur les régions pertinentes d'une image. Anthropic a créé un cookbook pour l'outil de recadrage.

Design frontend

Claude Opus 4.5 et Claude Opus 4.6 excellent dans la création d'applications web complexes et réelles avec un design frontend solide. Cependant, sans directives, les modèles peuvent adopter par défaut des motifs génériques qui créent ce que les utilisateurs appellent l'esthétique « AI slop ». Pour créer des frontends distinctifs et créatifs qui surprennent et ravissent :

Voici un extrait de code d'invite système que vous pouvez utiliser pour encourager un meilleur design frontend :

<frontend_aesthetics>
You tend to converge toward generic, "on distribution" outputs. In frontend design, this
creates what users call the "AI slop" aesthetic. Avoid this: make creative, distinctive
frontends that surprise and delight.

Focus on:
- Typography: Choose fonts that are beautiful, unique, and interesting. Avoid generic
fonts like Arial and Inter; opt instead for distinctive choices that elevate the
frontend's aesthetics.
- Color & Theme: Commit to a cohesive aesthetic. Use CSS variables for consistency.
Dominant colors with sharp accents outperform timid, evenly-distributed palettes. Draw
from IDE themes and cultural aesthetics for inspiration.
- Motion: Use animations for effects and micro-interactions. Prioritize CSS-only
solutions for HTML. Use Motion library for React when available. Focus on high-impact
moments: one well-orchestrated page load with staggered reveals (animation-delay)
creates more delight than scattered micro-interactions.
- Backgrounds: Create atmosphere and depth rather than defaulting to solid colors. Layer
CSS gradients, use geometric patterns, or add contextual effects that match the overall
aesthetic.

Avoid generic AI-generated aesthetics:
- Overused font families (Inter, Roboto, Arial, system fonts)
- Clichéd color schemes (particularly purple gradients on white backgrounds)
- Predictable layouts and component patterns
- Cookie-cutter design that lacks context-specific character

Interpret creatively and make unexpected choices that feel genuinely designed for the
context. Vary between light and dark themes, different fonts, different aesthetics. You
still tend to converge on common choices (Space Grotesk, for example) across
generations. Avoid this: it is critical that you think outside the box!
</frontend_aesthetics>

Vous pouvez également vous référer à la définition complète de la compétence.

Considérations de migration

Lors de la migration vers les modèles Claude 4.6 depuis des générations antérieures :

1. Soyez précis sur le comportement souhaité : Envisagez de décrire exactement ce que vous aimeriez voir dans la sortie.

2. Encadrez vos instructions avec des modificateurs : Ajouter des modificateurs qui encouragent Claude à augmenter la qualité et le détail de sa sortie peut aider à mieux façonner les performances de Claude. Par exemple, au lieu de « Crée un tableau de bord analytique », utilisez « Crée un tableau de bord analytique. Inclus autant de fonctionnalités et d'interactions pertinentes que possible. Va au-delà des bases pour créer une implémentation complète. »

3. Demandez explicitement des fonctionnalités spécifiques : Les animations et les éléments interactifs doivent être demandés explicitement lorsqu'ils sont souhaités.

4. Mettez à jour la configuration de réflexion : Les modèles Claude 4.6 utilisent la réflexion adaptative (thinking: {type: "adaptive"}) au lieu de la réflexion manuelle avec budget_tokens. Utilisez le paramètre effort pour contrôler la profondeur de réflexion.

5. Migrez depuis les réponses préremplies : Les réponses préremplies sur le dernier tour de l'assistant ne sont plus prises en charge à partir des modèles Claude 4.6. Consultez Migration depuis les réponses préremplies pour des conseils détaillés sur les alternatives.

6. Ajustez le prompting anti-paresse : Si vos prompts encourageaient auparavant le modèle à être plus exhaustif ou à utiliser les outils de manière plus agressive, atténuez ces directives. Les modèles Claude 4.6 sont nettement plus proactifs et peuvent sur-déclencher sur des instructions qui étaient nécessaires pour les modèles précédents.

Pour des étapes de migration détaillées, consultez le Guide de migration.

Migration de Claude Sonnet 4.5 vers Claude Sonnet 4.6

Consultez Migration depuis Sonnet 4.5 dans le guide de migration, qui couvre le changement de valeur par défaut de l'effort et les deux chemins de migration de la réflexion étendue.