🎁 Ce que tu reçois : la méthode pour récupérer la philosophie du système prompt de Claude Fable 5 et l'appliquer à DeepSeek, ou n'importe quel LLM.
Ce qu'il faut savoir
Le système prompt de Claude Fable 5 fait environ 120 000 caractères et contient plus de 1 500 lignes d'instructions. Il décrit la façon dont Anthropic souhaite que son modèle se comporte, structure ses réponses et utilise ses outils.
⚠️ Important : un système prompt ne change pas l'intelligence d'un modèle. Il améliore principalement la qualité des réponses, la structure, le raisonnement, la cohérence et le style. Un DeepSeek restera un DeepSeek… mais bien guidé, il devient beaucoup plus agréable à utiliser.
Étape 1 : Récupérer le prompt
Récupère le fichier Markdown contenant le système prompt, ou copie-le simplement dans ton éditeur préféré.
Étape 2 : Identifier les parties utiles
Ne copie pas les 120 000 caractères. Ce n'est pas « pour faire propre », sur un petit modèle, coller le prompt entier casse le modèle :
- Ça sature sa fenêtre de contexte. Beaucoup de modèles locaux tiennent 8k, 32k ou 128k tokens. Le prompt complet pèse ~24 000 à ~190 000 tokens (avec les outils). Au mieux il ne reste presque plus de place pour ta vraie demande ; au pire il ne rentre pas.
- Effet « lost in the middle ». Les modèles retiennent bien le début et la fin d'un long texte, mais perdent le milieu. La qualité du raisonnement chute dès ~3 000 tokens d'input.
- Dilution des instructions. Noyé sous 1 500 lignes, un petit LLM « oublie » la moitié des consignes, répond plus lentement et consomme plus de RAM.
👉 Trimmer le prompt n'est pas optionnel : c'est ce qui fait que ça marche. On garde 500 à 2 000 mots ciblés, on jette le reste.
Supprime : les outils internes Anthropic, les API, les permissions, les références à Claude, les règles propres à leur interface.
Conserve : les principes de raisonnement, la manière de structurer les réponses, les règles d'écriture, les bonnes pratiques.
Étape 3 : Créer ton propre System Prompt
Tu es un assistant IA expert.
Tu réfléchis avant de répondre.
Tu privilégies les réponses complètes plutôt que rapides.
Tu identifies les ambiguïtés avant de répondre.
Tu proposes toujours une solution concrète.
Tu expliques tes choix de façon concise.
Tu structures tes réponses avec des titres, listes et exemples.
Si plusieurs solutions existent, tu compares avantages et inconvénients.Cette version fait quelques centaines de mots mais reprend déjà une grande partie de la philosophie de l'original.
Étape 4 : Ajouter des règles selon ton usage
Pour le code : privilégier les bonnes pratiques, écrire un code lisible, commenter uniquement quand c'est utile, éviter les dépendances inutiles.
Pour la création de contenu : utiliser des hooks puissants, écrire des phrases courtes, éviter le jargon, toujours finir par un appel à l'action.
Pour le business : réfléchir comme un consultant, proposer plusieurs stratégies, donner des priorités, estimer les risques.
Étape 5 : Coller le prompt (3 méthodes)
Méthode 1 : Le champ « System Prompt » (le plus simple)
Dans Open WebUI, LM Studio, AnythingLLM ou OpenRouter : colle ton texte dans le champ System Prompt (ou « Custom Instructions ») avant de démarrer. Toutes tes discussions suivront ces règles. Parfait pour tester vite.
Méthode 2 : Le Modelfile Ollama (le plus propre, persistant)
Pour que le prompt soit « gravé » dans ton modèle une fois pour toutes. Crée un fichier Modelfile :
FROM deepseek-r1:7b
SYSTEM """
[colle ici ton system prompt trimmé]
"""
PARAMETER temperature 0.7
PARAMETER num_ctx 8192Puis crée et lance ton modèle :
ollama create mon-assistant -f Modelfile
ollama run mon-assistantLe prompt est baked in : chaque ollama run mon-assistant démarre avec tes règles. Le fichier se versionne (git) et se partage.
💡 num_ctx = taille de la fenêtre de contexte : augmente-la si ton prompt + ta conversation sont longs (mais ça consomme plus de RAM).
Méthode 3 : En direct dans le chat Ollama
/set system "[ton prompt]"Pratique pour ajuster à la volée.
💡 Pourquoi un Modelfile plutôt que le champ System Prompt ? Le champ = tu recolles ta méthode à chaque conversation, dans chaque appli. Le Modelfile = tu la configures une fois et ton modèle devient réutilisable partout, y compris par API (localhost:11434) dans tes automatisations (n8n, Make, scripts). C'est une brique, pas un copier-coller.
Méthode avancée : la compression « en image » (optique)
Tu as peut-être vu passer l'astuce de mettre le prompt en image. C'est réel : ça s'appelle la compression optique de contexte, popularisée par DeepSeek-OCR (oct. 2025), suivie de DeepSeek-OCR-2 (janv. 2026).
L'idée : au lieu d'envoyer du texte (coûteux en tokens), tu le rends sous forme d'image et un encodeur visuel le « lit ». Une page qui coûterait ~5 000 tokens texte peut tenir en quelques centaines de tokens visuels : jusqu'à 10 à 20× moins de tokens. Sous 10× de compression, la fidélité reste ~97 %.
Mais sois lucide : c'est conçu pour compresser des documents que tu donnes au modèle, pas pour « installer » un system prompt ; ça demande un modèle multimodal ; et au-delà de ~20× de compression la précision tombe (~60 %).
👉 Pour un system prompt, la méthode propre reste de le trimmer (étapes 2-3). Garde la compression optique pour injecter de gros documents dans un petit modèle.
Bonus : plusieurs profils
📈 Marketing · 💻 Développeur · 🎥 Créateur de contenu · 📚 Professeur · 🤖 Agent IA. Il suffit de changer le System Prompt.
Mon conseil
Le vrai gain ne vient pas du prompt leaké. Il vient de comprendre pourquoi Anthropic écrit certaines règles. Une fois cette logique comprise, tu peux créer un System Prompt beaucoup plus court (500 à 2 000 mots) parfaitement adapté à ton métier. Dans la majorité des cas, il donnera de meilleurs résultats que les 120 000 caractères de l'original.