Mots-clés pour agents IA : ce que la preuve soutient, et les dix que nous enseignons

Des listes de mots déclencheurs pour agents IA circulent : invariant, précondition, falsification, idempotent, verdict, rollback. Chaque mot est censé activer un mode caché du modèle, et plusieurs sont attribués à des articles célèbres. Nous avons vérifié les articles et les guides éditeurs actuels, puis comparé ces listes au vocabulaire que nous enseignons réellement chez Junyr.

En bref, ces mots sont utiles et ne sont pas magiques. Ils fonctionnent quand ils nomment quelque chose que l’agent peut vérifier, et ceux qui protègent des boucles sans fin relèvent du harnais, où ils peuvent être appliqués.

Trois attributions à vérifier avant de les répéter

Les listes s’appuient sur trois articles de recherche de 2022 et 2023, et chacun se voit prêter quelque chose qu’il ne contient pas. Nous les citons ici uniquement pour corriger l’attribution, pas comme preuve du comportement des modèles de 2026.

• L’article d’optimisation de Google DeepMind [1] a bien trouvé la phrase « Take a deep breath and work on this problem step-by-step. » Elle est sortie d’une boucle d’optimisation, au pas 107, avec un modèle qui propose des candidats et un autre qui les note. Ce n’est pas une analyse statistique de milliers de formulations. Avec PaLM 2-L comme évaluateur sur GSM8K, elle atteint 80,2 %, contre 71,8 % pour « Let’s think step by step » et 34,0 % pour une consigne vide. C’est un banc d’essai sur un modèle de 2023.
• L’article Reflexion [2] décrit trois modèles de langage, un Actor, un Evaluator et un modèle d’auto-réflexion, avec une mémoire épisodique de réflexions écrites. Il rapporte des gains de 22 % sur ALFWorld (en absolu, sur 12 itérations), de 20 % sur HotPotQA et jusqu’à 11 % sur HumanEval. Il ne décrit aucun jeton spécial nommé Evaluate et Reflect.
• L’article DSPy [3] compile des modules déclaratifs et optimise prompts et démonstrations selon une métrique. Son résumé annonce des pipelines compilés qui dépassent le few-shot standard de plus de 25 % avec GPT-3.5 et de plus de 65 % avec llama2-13b-chat. Le texte ne contient aucune balise <critique>, <plan> ou <validation> et ne dit rien des adjectifs vagues.

Une affirmation attribuée à un article mérite un numéro de page.

Ce que soutiennent les preuves et les guides actuels

Les travaux de 2026 soutiennent une thèse plus étroite que celle des listes : les consignes fonctionnent quand elles énoncent une destination et un critère vérifiable, et l’arrêt se garantit par une preuve plutôt que par un mot.

• Le guide d’Anthropic pour les modèles Claude actuels [4] recommande des consignes générales plutôt que des étapes prescrites (« think thoroughly » donne souvent mieux qu’un plan écrit à la main) et d’expliquer pourquoi un comportement compte. Il conseille de baisser le ton emphatique, de sorte que « CRITICAL: You MUST use this tool when… » devienne « Use this tool when… ». Il ajoute que Claude Opus 5 vérifie bien son propre travail et que des consignes de vérification héritées d’anciens prompts peuvent provoquer une sur-vérification. La sensibilité au mot « think » est documentée pour Claude Opus 4.5 quand la réflexion étendue est désactivée, avec « consider », « evaluate » ou « reason through » comme alternatives.
• Le guide d’OpenAI pour GPT-5.6 [5] dit « Describe the destination rather than prescribing every step » et réserve les mots absolus aux règles qui ne plient jamais : « Use ALWAYS, NEVER, must, and only for true invariants such as safety rules, required fields, or actions that should never happen. »
• Un préprint sur l’arrêt des agents [6] propose qu’un agent ne puisse renvoyer COMPLETE que si un certificat relie chaque affirmation requise à une preuve valide et dans le périmètre, tirée de sa propre trace. Sous des fautes de terminaison contrôlées, il produit 0 arrêt prématuré non étayé sur 66 dans l’étude de validation, contre 40 sur 66 pour le contrôleur de référence, et 0 complétion dangereuse sur 288 contre 252 sur 288 dans l’étude statique (figure 1). Il certifie le soutien dans la trace enregistrée, pas la vérité, et il est signé d’un seul auteur.
• Une étude de 2026 sur la complaisance [7] a fait varier le cadrage des prompts. Les indices de recherche de validation et de pression émotionnelle augmentent souvent l’accord, tandis que le contre-cadrage et les consignes anti-complaisance tendent à le réduire. Elle teste des cadrages, pas un vocabulaire de mots isolés.
• Une étude sur les personas d’expert [8] porte sur 1 140 questions, 38 rôles et six domaines. Le rôle augmente la profondeur d’expertise et réduit la clarté. Les questions de conseil en médecine et en psychologie en profitent le plus, alors que les questions techniques et juridiques réussissent mieux avec des explications directes.

Aucune de ces sources ne dit qu’un mot rare fonctionne comme un interrupteur.

Les dix mots-clés que nous enseignons

Notre mémo de formation du 18 septembre 2026 [9] ramène le vocabulaire à dix mots en deux familles : sept pour ce qu’il faut faire et trois pour l’intensité de l’effort. Il est né de deux ateliers du 11 septembre, où les prompts les plus efficaces se lisaient comme un algorithme, employaient un vocabulaire précis et nommaient explicitement les outils, et où « vérifie tes sources » fonctionnait mieux que « n’invente pas ».

Les sept mots d’action nomment chacun un type de livrable :

Mot-clé	Ce qu’il demande
AUDIT	Un diagnostic factuel d’un état existant. Il signale les écarts et ne les corrige pas.
EVAL	Une comparaison d’options selon des critères donnés, avec une recommandation argumentée.
INVESTIGATE	Une recherche des causes à travers plusieurs sources, sans s’arrêter à la première explication plausible.
TEST	Une vérification sur un petit échantillon avant le traitement complet.
REVIEW	Une relecture de sa propre sortie : lister ce qui ne tient pas, puis corriger. À demander explicitement, car en instruction permanente elle finit par être sautée.
ALIGN	Un document ou un process rapproché d’une référence donnée.
HYGIÈNE	Un dossier de travail rangé, archivé et renommé.

Les trois mots d’effort règlent la profondeur. LIGHT est une passe rapide pour dégrossir un gros volume. DEEP creuse chaque écart et mobilise plusieurs sources. GOLDEN STANDARD exige un alignement complet sur les meilleures pratiques ou sur une référence validée, et se réserve aux livrables de conformité ou de référence. Ils se combinent avec les mots d’action : un light audit repère les deux ou trois sujets évidents, un deep audit documente chaque écart, un golden standard audit vérifie la conformité totale à une référence.

L’exemple du mémo montre la structure : « Deep audit du fichier de suivi des stocks : Input = les 6 derniers mois de mouvements. Objectif = un seul livrable, la liste des écarts. Avant de commencer, pose les questions d’arbitrage nécessaires. À la fin, review critique de ta propre sortie. » Il nomme la source, le volume, un seul objectif formulé en livrable, le niveau d’effort, et il referme la boucle par une review.

Trois tensions avec les guides de 2026 méritent d’être dites ouvertement :

• Vérification. Anthropic dit que Claude Opus 5 vérifie son propre travail et que des consignes de vérification héritées peuvent coûter des jetons pour rien. Nous demandons REVIEW une fois, sur chaque sortie importante, plutôt qu’en règle permanente. Savoir si elle apporte encore quelque chose sur votre modèle relève du test ci-dessous.
• Majuscules. Notre support écrit les mots-clés en capitales, alors qu’Anthropic conseille de baisser le ton emphatique. Lire les capitales comme l’étiquette d’un mot défini, et non comme du volume, est une position défendable, et le test ci-dessous tranche pour votre modèle.
• Effort. Notre mémo rapporte que le seul mot DEEP change concrètement le résultat. C’est notre observation de terrain, pas une mesure, et les sources vérifiées n’isolent pas cet effet. Sur les modèles Claude actuels, la durée de réflexion est aussi un réglage d’effort hors du prompt [4].

Où loge chaque mot : prompt, outil ou harnais

Les mots des listes qui circulent sont du vrai vocabulaire d’ingénierie, et la plupart se logent dans l’outil ou le harnais, où ils peuvent être appliqués, plutôt que dans le prompt, où ils ne peuvent qu’être demandés. En nous appuyant sur le compte rendu remis aux participants de notre journée sur les processus agentiques du 23 septembre 2026 [10], nous les rangeons en trois couches (figure 2).

• Prompt : des verbes qui déclenchent une action (« planifie avant d’agir », « vérifie tes sources pour chaque chiffre cité », « liste tes hypothèses », « arrête-toi si… ») et des adjectifs qui calibrent (réversible, minimal, exhaustif, déterministe). Les règles se formulent en positif : « tu peux agir si l’action est réversible » remplace une double négation qui ne débloque rien. Les mots à éviter sont les vagues (bien, correct, honnête, « ne mens pas ») et les ambigus (appel, agenda, événement, « vérifie » seul, « client existant », devenu « client actif » avec des conditions cumulatives).
• Outil : un outil, un verbe, un droit. Un schéma étroit, des erreurs typées et une provenance vérifiée rendent un connecteur sûr, et idempotent est ici une propriété de conception : répéter l’appel ne produit pas de second effet, donc une nouvelle tentative est sans danger. C’est là que le mot des listes trouve sa vraie place.
• Harnais : une barrière bloque et se code hors du prompt, un gate exige une signature humaine, un cliquet verrouille l’acquis. La règle d’arrêt s’écrit avant le lancement, les cas limites s’écrivent comme des tests avant le premier essai, le journal fait foi, et un audit se termine par un verdict écrit : autonomie encadrée, supervisé, ou assainir d’abord.

Un mot peut demander l’arrêt. Seul le harnais peut l’imposer.

Tester un mot-clé sur son propre modèle

Les guides éditeurs changent à chaque génération de modèle : n’adoptez un mot-clé qu’après un petit test sur le modèle que vous utilisez. Le protocole ci-dessous est notre recommandation, avec des tailles données à titre d’illustration, et il applique notre propre mot TEST au vocabulaire lui-même (figure 3).

• Choisissez 10 à 20 cas réels dont le résultat se vérifie, par exemple un fichier dont vous connaissez les écarts.
• Faites tourner chaque cas avec et sans le mot-clé, sur le même modèle et les mêmes réglages, et répétez les essais parce que les sorties varient.
• Notez avec des critères fixés à l’avance : écarts trouvés, fausses alertes, jetons consommés, temps passé.
• Gardez le mot-clé seulement si le score s’améliore, consignez le modèle et la date, et rejouez le test à chaque changement de modèle.

Choisir le mot que l’on peut vérifier

Un mot-clé mérite sa place quand on peut dire ce qu’il change, quand on l’a testé sur son modèle et quand la partie qui compte est appliquée hors du prompt. Les dix mots ci-dessus sont notre jeu de travail, et ils seront révisés quand les modèles changeront.

Sources

1. Chengrun Yang, Xuezhi Wang, Yifeng Lu, Hanxiao Liu, Quoc V. Le, Denny Zhou et Xinyun Chen, ‘Large Language Models as Optimizers’, arXiv:2309.03409, 2023 (ICLR 2024). Cité uniquement pour vérifier ce qu’il énonce ; hors de la fenêtre de fraîcheur.
2. Noah Shinn, Federico Cassano, Edward Berman, Ashwin Gopinath, Karthik Narasimhan et Shunyu Yao, ‘Reflexion: Language Agents with Verbal Reinforcement Learning’, arXiv:2303.11366, 20 mars 2023. Cité uniquement pour vérifier ce qu’il énonce ; hors de la fenêtre de fraîcheur.
3. Omar Khattab et collègues, ‘DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines’, arXiv:2310.03714, 5 octobre 2023. Cité uniquement pour vérifier ce qu’il énonce ; hors de la fenêtre de fraîcheur.
4. Anthropic, Prompting best practices, documentation de la plateforme Claude, page non datée, lue le 13 octobre 2026.
5. OpenAI, Prompt guidance for GPT-5.6, documentation de l’API, page non datée, lue le 13 octobre 2026.
6. Jason Liu, ‘When May an Agent Stop? Evidence-Carrying Termination for Tool-Using LLMs’, arXiv:2608.23623, 22 août 2026.
7. Lijia Huang, Yao Fu et Sihao Ren, ‘SyPS: Measuring Sycophancy Prompt Sensitivity in Large Language Models’, arXiv:2608.23837, 24 août 2026 (Findings of EMNLP 2026).
8. Shuai Xiao, Su Liu, Weikai Zhou, Jialun Wu, Xinjie He, Zhiyuan Lin et Qiyang Xie, ‘When Does Persona Prompting Actually Help? A Retrieval and Metric Analysis of Expert Role Injection in LLMs’, arXiv:2605.29420, 28 mai 2026.
9. Junyr, Trucs et astuces pour mieux prompter : mots-clés d’action et d’effort, mémo de formation du 18 septembre 2026 (document interne, non public).
10. Junyr, Compte rendu aux participants : processus agentiques d’entreprise, 23 septembre 2026, v2 relue (document interne, non public).

Les mots-clés, le vocabulaire de formation et les observations d’effet proviennent du mémo de formation de Junyr du 18 septembre 2026 et du compte rendu aux participants du 23 septembre 2026. Ils décrivent notre pratique, et l’effet d’un mot isolé est une observation de terrain, pas un résultat mesuré. Les articles de 2022 et 2023 sont cités uniquement pour vérifier des attributions, pas comme preuve du comportement des modèles de 2026. Les guides éditeurs sont des pages non datées lues le 13 octobre 2026 et évolueront. La figure 1 reprend des chiffres du préprint cité, signé d’un seul auteur, qui mesure le soutien dans des traces enregistrées ; les figures 2 et 3 sont conceptuelles et ne portent aucune donnée.