Un récent article de blog technique chinois met en lumière une tendance pratique parmi les utilisateurs d'agents de codage IA : la réduction de la consommation de tokens grâce au prompt engineering. L'approche « Caveman » demande aux agents de répondre dans un langage extrêmement bref et primitif, réduisant les tokens de sortie d'environ 65 % tout en laissant le code, les commandes et les messages d'erreur intacts. Elle contraste avec la philosophie « Ponytail », qui équilibre probablement la brièveté avec d'autres facteurs comme la clarté ou la rétention du contexte. Pour les développeurs exécutant des workflows d'agents intensifs, ces techniques offrent un moyen direct de réduire les coûts d'API et la latence sans changer de modèle. L'article reflète un changement plus large vers la conception de prompts comme levier central d'optimisation des coûts dans le développement assisté par IA. Bien que les détails soient encore émergents, l'idée sous-jacente – que la verbosité de sortie est un facteur de coût contrôlable – gagne du terrain dans la communauté des développeurs. Les équipes devraient expérimenter ces styles pour trouver le bon équilibre pour leurs cas d'utilisation, surtout lors du passage à l'échelle des outils de codage IA en production.
Un blog technique chinois compare deux approches de prompt engineering pour les agents de codage IA : le style 'Caveman' réduit les tokens de sortie d'environ 65 %, signalant une tendance à optimiser les coûts d'API LLM via la conception de prompts.