Cette astuce d'IA réduit les coûts de Claude de 45%

L'IA générative excelle dans les tâches complexes, mais s'accompagne souvent d'un inconvénient frustrant : des réponses verbeuses, excessivement polies et évasives. Les développeurs luttent régulièrement contre les grands modèles linguistiques (LLMs) qui étoffent leurs réponses avec des amabilités inutiles et des mots de remplissage, consommant un temps précieux et, surtout, des tokens coûteux. Ce bavardage par défaut gonfle les coûts d'API et ralentit les flux de travail critiques.

Une solution radicale a émergé de la communauté des développeurs pour combattre cette loquacité de l'IA. La compétence Caveman, une technique d'ingénierie de prompt en vogue pour des modèles comme Claude d'Anthropic, promet d'éliminer cette garrulité de l'IA, en fournissant des réponses concises et directes. Son attrait principal : une réduction spectaculaire des tokens de sortie, pouvant potentiellement réduire les coûts de l'IA jusqu'à 45%.

Développée par Julius Brussee, la compétence Caveman est rapidement devenue virale, suscitant des discussions sur des plateformes comme GitHub et Hacker News. Son adoption rapide souligne une demande généralisée pour des interactions IA plus efficaces et moins verbeuses. La validation par la communauté met en évidence son utilité pratique dans les environnements de développement réels.

Au cœur de cette innovation réside une philosophie d'une simplicité trompeuse, articulée de manière célèbre dans la vidéo Better Stack "This Claude Skill Cuts Your Token Costs in HALF" : "Pourquoi perdre temps, dire beaucoup mots quand peu mots font l'affaire ?" Cet ethos encapsule parfaitement l'objectif de la compétence : une densité d'information maximale avec une dépense minimale de tokens.

La compétence Caveman atteint son efficacité en imposant des règles de concision strictes au LLM. Elle supprime systématiquement les articles ("un," "une," "le," "la," "les"), abandonne les précautions polies et élimine le remplissage conversationnel. L'IA se concentre uniquement sur la fourniture de faits techniques, de blocs de code et de messages d'erreur sans aucun langage superflu.

Les sorties se transforment d'explications décousues en résumés nets et exploitables. Par exemple, l'explication d'un système d'authentification passe de "Ceci est un système d'authentification simulé..." à "Démo uniquement, auth. côté client. Pas de vraie sécurité." Cette franchise permet non seulement d'économiser des tokens, mais améliore souvent la clarté pour les utilisateurs techniques.

Cette optimisation agressive des tokens se traduit directement par des économies de coûts tangibles pour les développeurs et les entreprises. En forçant les LLMs à être succincts, la compétence Caveman prouve que l'efficacité et la précision peuvent coexister, modifiant fondamentalement la façon dont nous interagissons avec les services d'IA et les payons.

Les développeurs sont aux prises avec des sorties d'IA verbeuses qui gonflent le nombre de tokens et font perdre du temps. La compétence Caveman y remédie directement, transformant les réponses de Claude Code d'Anthropic, d'explications bavardes en pépites maigres et denses en informations. Une démonstration convaincante 'avant et après', utilisant un exemple de système d'authentification Next.js tiré de la vidéo de Better Stack, illustre de manière vivante ce bond d'efficacité, montrant comment moins de mots fournissent les mêmes informations critiques.

Sans la compétence Caveman, Claude Code fournit une réponse typique de LLM, privilégiant les amabilités et les phrases complètes. Lorsqu'on lui a demandé d'expliquer l'authentification d'une application Next.js de démonstration, la sortie de base a commencé par un remplissage conversationnel : "Ceci est un système d'authentification simulé." Elle a ensuite détaillé la nature du système – "Pas de backend, pas de mots de passe, pas de vraie sécurité. Il existe pour démontrer le suivi des utilisateurs de Better Stack RUM" – en utilisant un tiret cadratin et une formulation verbeuse, le tout optimisé pour la lisibilité humaine plutôt que pour l'efficacité du transfert de données brutes.

La compétence Caveman élimine impitoyablement cette verbosité. La même invite a produit une réponse radicalement différente, hautement compressée : "Démo uniquement, authentification côté client. Pas de vraie sécurité. Conçu pour les démos de suivi Better Stack RUM." Cette franchise élimine les amabilités, les mots de remplissage, les tirets cadratins et même les phrases complètes, présentant immédiatement les faits techniques essentiels. Le résultat se lit comme une spécification laconique, se concentrant exclusivement sur les détails pertinents.

De manière cruciale, la compétence recadre également les flux opérationnels complexes. Au lieu d'explications verbeuses et en anglais simple pour le processus d'authentification, la sortie de Caveman a utilisé des flèches concises pour la causalité : "Chargement de l'application -> vérifier localStorage pour l'utilisateur enregistré." Ce format privilégie l'information technique pure, détaillant les étapes exactes, les fichiers principaux et les points d'intégration avec une brièveté inégalée, rendant la logique sous-jacente instantanément claire sans surcharge conversationnelle.

Malgré la compression drastique, le résultat conserve toute la précision technique critique et les détails clés. Les informations essentielles, telles que la nature côté client, l'absence de sécurité réelle et la dépendance à `localStorage`, restent entièrement intactes et facilement digestibles. Cette efficacité impitoyable signifie que les développeurs reçoivent les données essentielles plus rapidement, éliminant le bruit qui gonfle traditionnellement l'utilisation des jetons jusqu'à 45 % par rapport aux réponses de base de Claude, prouvant que moins peut vraiment être plus.

La promesse fondamentale de la compétence Caveman repose sur une réduction substantielle des coûts des jetons. Les développeurs sont souvent confrontés à des factures croissantes dues aux sorties verbeuses des LLM, faisant de l'efficacité une préoccupation primordiale. Cette technique cible directement ce problème, visant à réduire la verbosité inutile et, par conséquent, les dépenses.

Better Stack a mené une comparaison directe, opposant les réponses standard de Claude Code à celles générées avec la compétence Caveman. Leurs tests complets, sur 10 invites diverses, ont révélé une réduction significative de 45 % des jetons de sortie lors de l'utilisation de la compétence par rapport à la référence. Cette constatation valide immédiatement l'affirmation principale : moins de sortie signifie des coûts d'API inférieurs.

Cette efficacité des jetons se traduit directement par des économies tangibles sur l'utilisation de l'API. Par exemple, l'explication du système d'authentification Next.js, qui coûtait environ 8 cents en jetons de sortie avec une invite de base Claude Code, est tombée à seulement 4 cents lorsqu'elle a été traitée via la compétence Caveman. Une réduction aussi spectaculaire offre un argument financier convaincant pour l'adoption, en particulier pour les utilisateurs d'API à fort volume.

La réduction a également dépassé les instructions simples comme "soyez concis", qui n'ont produit qu'une économie de 39 % dans les tests de Better Stack, soulignant l'efficacité supérieure des contraintes conçues. Cette précision dans la gestion des jetons offre un avantage clair pour optimiser les interactions LLM. Pour une compréhension technique plus approfondie des mécanismes des jetons et de leur impact sur la tarification, les développeurs peuvent consulter les Token counting - Claude API Docs.

Cependant, se concentrer uniquement sur les jetons de sortie ne donne qu'une moitié du tableau financier. Bien que les économies sur le contenu généré semblent claires et immédiates, l'impact économique total nécessite une analyse plus complète. Le coût de génération de ces réponses laconiques implique un autre facteur crucial – l'invite d'entrée elle-même – qui modifie considérablement l'équation économique globale.

Alors que la compétence Caveman promet des économies significatives sur les output tokens, une nuance cruciale apparaît lorsqu'on considère les input tokens. La section précédente a mis en évidence des réductions impressionnantes du texte généré, mais atteindre cette concision exige que le LLM traite des instructions supplémentaires en amont. Ce surcoût persistant a un impact direct sur l'équation des coûts.

Contrairement à une simple requête, activer Caveman signifie envoyer de manière persistante un system prompt plus étendu à chaque message. Ce prompt n'est pas anodin ; c'est un ensemble complet de règles dictant le style de communication concis. Il instruit l'IA à « supprimer les articles comme 'a', 'an' et 'the' », à « supprimer tout mot de remplissage », à « supprimer les amabilités » et à « utiliser des synonymes courts » comme « big » au lieu de « extensive ».

En substance, la compétence charge un fichier markdown entier de configuration dans le contexte de Claude pour chaque interaction. Pour un prompt de base, envoyer seulement quelques mots coûte des fractions de centime. Cependant, la configuration détaillée de la compétence Caveman augmente considérablement les coûts d'input, atteignant parfois plusieurs centimes par interaction avant même qu'un quelconque output ne soit généré.

Les développeurs effectuant des requêtes uniques et brèves sont confrontés à un surcoût immédiat. La vidéo de Better Stack a clairement démontré cet effet contre-intuitif, en comparant la compétence Caveman aux interactions de base de Claude Code. Le coût du prompt d'input plus volumineux, envoyé à chaque requête, a rapidement annulé les économies réalisées grâce à la réduction des output tokens.

Dans un scénario isolé impliquant un seul prompt court, la compétence Caveman est en fait devenue 10% plus chère que la référence. Cette découverte cruciale est le résultat de la combinaison des coûts des input et output tokens, révélant que les économies substantielles sur le texte généré ont été entièrement consommées par l'augmentation du coût de l'input initial.

Ce résultat particulier souligne que l'efficacité de l'IA n'est pas universelle ; elle dépend entièrement des schémas de charge de travail de l'utilisateur. Pour des interactions ponctuelles et minimales, le surcoût contextuel d'une technique de prompt engineering puissante comme Caveman peut l'emporter sur ses avantages, en faisant une option plus coûteuse.

Les tests initiaux, qui ont mis en évidence l'augmentation du coût des input tokens pour la compétence Caveman, n'ont capturé qu'une petite partie de l'interaction réelle avec l'IA. Les développeurs posent rarement une seule question isolée à un LLM ; au lieu de cela, ils s'engagent dans des sessions itératives et conversationnelles pour affiner le code, déboguer des problèmes ou explorer des modèles architecturaux complexes. Cette distinction cruciale modifie fondamentalement l'analyse des coûts, révélant où Caveman offre réellement des économies substantielles.

De manière cruciale, ces dialogues continus bénéficient d'un mécanisme connu sous le nom de prompt cache pricing. Claude, comme d'autres LLM avancés, met intelligemment en cache les input tokens précédemment traités de l'historique de conversation. Lorsqu'un utilisateur pose une question de suivi, le modèle ne traite que le *nouvel* input, réduisant considérablement le coût des tokens pour les prompts ultérieurs par rapport à l'envoi répété du contexte complet. Cet effet de mise en cache atténue efficacement l'impact de la taille initialement plus grande du prompt de Caveman pour la compétence elle-même.

Cette dynamique modifie fondamentalement l'équation économique. La vidéo de Better Stack a démontré que dans un contexte conversationnel, la compétence Caveman devient globalement 39% moins chère par rapport à Claude de base. Cette réduction significative découle directement du coût considérablement plus faible des input tokens ultérieurs, qui n'ont plus besoin d'inclure le prompt complet et verbeux de la requête initiale. Les économies d'output dues à la concision de Caveman se cumulent ensuite sur plusieurs tours, réduisant le coût global de la session.

Caveman n'est pas optimisé pour des questions singulières et autonomes. Sa conception et son efficacité inhérente sont maximisées pour des sessions interactives et multi-tours où les développeurs affinent continuellement leurs requêtes, déboguent des problèmes complexes ou explorent des problèmes complexes avec l'IA. Cela positionne le skill comme un outil puissant pour des flux de travail de développement durables et rentables, où les économies cumulées grâce à des sorties concises et directes l'emportent finalement sur le coût initial de l'entrée.

Au-delà des simples économies de coûts, le Caveman skill révèle un avantage secondaire intrigant, peut-être contre-intuitif : une précision accrue. Forcer la brièveté pourrait en fait rendre les modèles d'IA plus intelligents, les obligeant à fournir des résultats plus précis et factuels. Cet avantage inattendu devient une raison impérieuse d'intégrer de telles techniques de prompt engineering.

Une étude récente a souligné ce potentiel, démontrant que contraindre les large language models à des réponses brèves améliorait la précision de 26 points de pourcentage significatifs sur des benchmarks spécifiques. Cette preuve suggère une corrélation directe : la concision peut mener à la justesse, remettant en question l'idée que les explications verbeuses équivalent à une meilleure compréhension.

Le mécanisme derrière cette amélioration est clair. Supprimer les amabilités, le langage évasif et les explications verbeuses oblige le modèle à distiller sa sortie en faits essentiels. Les règles intégrées dans le Caveman skill, telles que la suppression des articles ("a," "an," "the"), des filler words et des amabilités, éliminent l'ambiguïté. Il interdit également explicitement le hedging, forçant l'IA à s'engager sur une réponse définitive.

De plus, le skill exige l'utilisation de synonymes courts (par exemple, "fix" au lieu de "implement a solution for") tout en préservant strictement les termes techniques, les code blocks et les error messages. Cette sortie structurée, suivant souvent un modèle "chose, action, raison, étape suivante", supprime le contexte superflu. L'IA est ainsi poussée vers une sortie plus factuelle et moins ambiguë, évitant le syndrome "too long, not reading" prévalent avec les LLM non contraints.

Pour les développeurs et les ingénieurs, cela se traduit non seulement par un traitement plus rapide et des coûts de token réduits, mais aussi par des informations plus fiables et exploitables. La précision obtenue grâce à la brièveté forcée augmente directement l'utilité des réponses de l'IA, rendant le débogage complexe ou les explications de système plus clairs et moins sujets à des interprétations erronées. Cette puissante incitation secondaire complète l'objectif principal de réduction des coûts de token. Pour des informations plus approfondies sur l'optimisation des interactions avec l'IA, explorez des ressources comme Effective context engineering for AI agents - Anthropic.

Le Caveman skill fonctionne via un system prompt méticuleusement élaboré, intégrant des règles strictes pour la sortie de Claude. Cet ensemble d'instructions force le LLM à abandonner la verbosité, priorisant la concision et la précision technique. Les développeurs activent ce prompt, transformant les réponses en sorties épurées et directes.

Le prompt de Caveman inclut des "drop" rules explicites. Claude élimine les éléments linguistiques contribuant à l'encombrement des tokens, assurant une livraison directe d'informations sans fioritures conversationnelles ni équivoques. Ces règles imposent la suppression de : - Articles : "a," "an," et "the" - Superfluous filler words - Amabilités - Langage évasif

Au-delà de la suppression, le prompt applique des "transformation" rules, guidant Claude à reformuler pour une brièveté maximale. Il dirige le modèle à employer des synonymes courts et percutants : "fix" au lieu de "implement a solution for", "big" au lieu de "extensive". Cette compression sémantique assure la clarté tout en réduisant drastiquement le nombre de tokens.

De manière cruciale, l'invite de Caveman inclut des règles de « conservation » spécifiques, empêchant la perte d'informations vitales. Elle instruit Claude de conserver tous les termes techniques, garantissant que le vocabulaire spécifique au domaine reste intact. Les blocs de code passent sans filtre, préservant la syntaxe et la fonctionnalité. L'invite protège explicitement les messages d'erreur, reconnaissant leur importance critique dans le débogage et le développement.

Cette approche structurée s'étend au format de réponse. L'invite Caveman guide souvent Claude à structurer les réponses comme « chose, action, raison, étape suivante ». Ce flux standardisé et concis garantit que les développeurs reçoivent des informations exploitables sans explications verbeuses, rationalisant l'interaction et accélérant la résolution de problèmes.

Ces règles sont sous-tendues par la philosophie fondamentale : « Pourquoi perdre du temps, dire beaucoup de mots quand peu de mots suffisent ? » L'invite incarne ce principe, servant d'outil puissant pour l'optimisation des tokens. Elle offre divers modes d'intensité, de « lite » à « ultra », permettant aux utilisateurs d'affiner la compression. Le mode « full », souvent par défaut, offre une réduction significative ; « ultra » supprime les conjonctions et utilise des flèches pour la causalité, atteignant une brièveté extrême.

La conception de l'invite garantit que les réponses concises restent entièrement compréhensibles pour un public technique. C'est un compromis délibéré : la fluidité du langage naturel contre la livraison de données brutes et non altérées. Cet ensemble d'instructions précises entraîne la réduction observée de 45 % des tokens de sortie, prouvant que moins peut être plus dans les interactions avec l'IA.

La compétence Caveman offre un contrôle nuancé sur la concision d'un LLM, allant au-delà d'un simple interrupteur marche/arrêt. Les développeurs peuvent affiner la sortie de l'IA à travers un spectre de modes d'intensité, allant de 'lite' à l'agressivement concis 'ultra'. Cette adaptabilité permet aux utilisateurs d'adapter la verbosité de l'IA à des besoins spécifiques, des réponses légèrement épurées aux informations extrêmement compressées.

Par défaut, la compétence fonctionne en mode `full`. Ce paramètre met en œuvre les directives principales : suppression des articles, des mots de remplissage, des formules de politesse et des hésitations, tout en conservant les termes techniques et les blocs de code. Il impose également une sortie structurée, privilégiant la concision sans sacrifier les informations essentielles, comme démontré dans les exemples précédents. Cet équilibre rend le mode `full` adapté à la plupart des requêtes techniques.

Pour les scénarios exigeant une brièveté absolue, le mode `ultra` repousse les limites de la communication IA. Ce paramètre extrême abrège chaque mot possible, supprime entièrement les conjonctions et utilise des flèches (`->`) pour indiquer la causalité ou le flux. Son objectif est une densité d'information maximale, réduisant les réponses à leurs composants sémantiques les plus élémentaires – un mot quand un mot suffit.

Une option intrigante, bien que de niche, est le Wenyan mode. Ce paramètre hautement spécialisé utilise des caractères chinois classiques pour une efficacité de token inégalée. Le chinois classique est intrinsèquement plus compact que les langues modernes, permettant de transmettre des idées complexes avec moins de caractères, et donc moins de tokens. Bien qu'impraticable pour la plupart des utilisateurs en raison de la barrière linguistique, il souligne la quête ultime de l'optimisation des tokens par le choix linguistique.

Ces cadrans d'intensité variés soulignent la flexibilité de la compétence Caveman. Elle offre une boîte à outils puissante aux développeurs pour non seulement réduire les coûts, mais aussi pour adapter précisément la sortie de l'IA aux exigences de leur flux de travail, des explications modérément concises aux résumés techniques ultra-compressés.

Au-delà de son optimisation de chat principale, le package de compétences Caveman étend sa philosophie minimaliste aux workflows de développeurs spécialisés. Cette suite de sous-compétences dédiées offre des efficacités ciblées, renforçant davantage son utilité et démontrant la profonde polyvalence d'une approche soucieuse des tokens tout au long du cycle de développement.

Les développeurs exploitent largement Caveman-commit pour rationaliser le contrôle de version. Cette compétence dédiée génère des messages de commit concis et conventionnels, adhérant aux standards établis comme Conventional Commits. Elle élimine le boilerplate et les descriptions verbeuses, garantissant que chaque message de commit fournit un maximum d'informations exploitables avec un minimum de tokens, favorisant des historiques de projet plus clairs et plus navigables. Cette brièveté ciblée contribue directement à une compréhension plus rapide du code et à une meilleure communication d'équipe.

Une autre utilité puissante est Caveman-review, précisément conçue pour un feedback de code efficace. Elle élabore des commentaires de revue de code concis, d'une seule ligne, pour chaque constatation spécifique. Au lieu de longues proses, les relecteurs obtiennent un feedback direct et exploitable, leur permettant d'identifier les problèmes rapidement et efficacement. Cela accélère le processus de revue et réduit la charge cognitive, améliorant la vélocité globale du développement.

La compétence `compress` offre une optimisation unique côté entrée, un complément essentiel aux économies de tokens en sortie. Cet utilitaire applique la logique de base de Caveman directement à vos propres fichiers d'entrée en langage naturel, les transformant en un format plus efficace en termes de tokens. En supprimant les articles, les mots de remplissage, les hésitations et les amabilités de vos prompts *avant* même qu'ils n'atteignent le LLM, `compress` économise directement sur les tokens d'entrée coûteux. Cette compression proactive reflète les économies significatives de tokens en sortie réalisées dans le chat, offrant une stratégie complète de réduction des coûts.

Ces outils spécialisés démontrent collectivement l'impact profond de la méthodologie Caveman à travers divers domaines techniques. Ils transforment les tâches de développement courantes en intégrant une communication efficace en termes de tokens directement dans le workflow, prouvant qu'une brièveté intelligente peut améliorer significativement à la fois la rentabilité et la clarté dans le développement assisté par l'IA. Pour une perspective plus large sur la façon dont une telle brièveté ciblée améliore l'utilité de l'IA, les lecteurs peuvent explorer des analyses comme CAVEMAN: Does Talking Like a Caveman Actually Make AI Better? - Rushi's.

La compétence Caveman, développée par Julius Brussee, marque un tournant décisif dans l'interaction avec l'IA, allant bien au-delà d'une astuce astucieuse. Son succès souligne une demande croissante d'efficacité et de franchise de la part des grands modèles linguistiques, défiant directement le défaut prédominant des assistants IA excessivement verbeux et évasifs. Il ne s'agit pas seulement d'une optimisation de niche ; cela représente une puissante contestation menée par les utilisateurs contre le modèle d'IA "taille unique", où chaque interaction par défaut adopte une personnalité bavarde et serviable.

Cette approche innovante met en lumière l'immense pouvoir du prompt engineering dans la mise en forme des sorties de l'IA. En élaborant méticuleusement des prompts système, Caveman transforme le comportement de Claude, atteignant une réduction vérifiée de 45 % des tokens de sortie par rapport aux réponses de base. De plus, des études suggèrent que contraindre les grands modèles à des réponses brèves peut améliorer la précision de 26 points de pourcentage sur certains benchmarks, prouvant que la concision ne concerne pas seulement le coût. Un tel contrôle précis sur le comportement de l'IA va au-delà du chat de base, démontrant que les LLM sont des outils hautement configurables et axés sur la performance.

Caveman illustre également un écosystème florissant de LLM skills spécialisées. Des plateformes comme skills.sh favorisent un environnement modulaire où les développeurs déploient des fonctionnalités d'IA ciblées, un peu comme l'installation d'une application. Ces « skills » vont au-delà de la conversation générale, offrant des solutions ciblées pour des tâches professionnelles spécifiques. Les exemples incluent Caveman-commit, conçu pour des messages concis et exacts au format conventional commits, ou Caveman-review, qui fournit des commentaires de révision de code concis d'une ligne par constatation. La skill 'compress' pré-traite même les fichiers de langage naturel pour réduire les tokens d'entrée.

L'adaptabilité de l'outil, des modes d'intensité « lite » à « ultra » et son mode Wenyan exploitant les caractères chinois classiques pour une efficacité maximale des tokens, illustre davantage cette tendance. Les utilisateurs ne se contentent plus d'une IA générique ; ils exigent des agents qui s'intègrent parfaitement à leurs flux de travail spécifiques, en privilégiant la rapidité, la rentabilité et la précision technique. La possibilité d'activer Caveman avec de simples commandes comme `/caveman` ou « talk like caveman » démocratise encore cette interaction spécialisée.

La « Révolution Caveman » prouve que lorsque les utilisateurs dictent les conditions d'engagement, l'IA évolue d'un assistant générique en un outil indispensable et spécialement conçu. Ce contrôle granulaire sur le comportement de l'IA, alimenté par une ingénierie de prompt intelligente et un riche écosystème de skills, promet de débloquer des niveaux de productivité et des économies de coûts sans précédent dans l'ensemble de l'industrie technologique. Cela marque un mouvement définitif vers une ère où l'IA s'adapte à l'utilisateur, plutôt que l'utilisateur ne s'adapte à l'IA. Ce changement de paradigme définira la prochaine génération de systèmes intelligents, en privilégiant l'utilité et l'efficacité avant tout.

Qu'est-ce que la skill Caveman pour Claude ?

La skill Caveman est une technique de prompt engineering qui instruit les modèles d'IA comme Claude à répondre avec une concision extrême, en supprimant les mots de remplissage, les formules de politesse et les hésitations pour réduire les tokens de sortie et fournir des réponses directes et techniques.

La skill Caveman permet-elle réellement d'économiser de l'argent ?

Oui, mais avec une nuance. Elle peut réduire les coûts des tokens de sortie jusqu'à 45 %, mais le prompt de la skill elle-même augmente les tokens d'entrée. Les véritables économies apparaissent dans les conversations multi-tours où le prompt caching réduit considérablement le coût global.

Comment installer la skill Caveman ?

Vous pouvez généralement l'installer avec une seule instruction de ligne de commande, telle que `npx skills add JuliusBrussee/caveman`, ce qui facilite son intégration dans votre flux de travail.

La skill Caveman est-elle compatible avec d'autres modèles d'IA ?

Bien qu'optimisée pour Claude Code, les principes sous-jacents fonctionnent avec d'autres modèles comme Codex et Gemini. Son efficacité peut varier en fonction de la capacité du modèle à suivre des prompts système complexes.