Versionner prompts et modèles

Ce qu'une « version » doit figer

Le comportement d'un appel LLM dépend de tout ce qui part au modèle. Une version qui ne fige que le texte du prompt est incomplète :

flowchart TD
  R["prompts.json"] --> A["router.production = v1"]
  R --> V1["v1 : modèle, config, system, template, sha256"]
  R --> V2["v2 : modèle, config, system, template, sha256"]
  A --> V1
  C["call_llm(router, production)"] --> A
  V1 --> J["Chaque appel journalise version et sha256"]

Le registre du lab

Un simple fichier JSON, relu en revue de code comme le reste. Chaque version porte une date, une note et son empreinte :

"v2": {
  "created": "2026-10-14",
  "note": "Prompt raccourci pour économiser des tokens (proposition à évaluer).",
  "model": "gemini-3.5-flash-lite",
  "config": {"temperature": 0, "response_mime_type": "application/json"},
  "system": "Indique en JSON le service concerné et l'urgence de la demande.",
  "template": "{demande}",
  "sha256": "0aaa739777c1"
}

L'empreinte (hash) est un résumé de 12 caractères calculé à partir du modèle, des paramètres, du prompt système et du gabarit. Si un seul caractère change, l'empreinte change. Le chargement la recalcule et refuse une version modifiée :

def fingerprint(v: dict) -> str:
    payload = json.dumps({k: v[k] for k in ("model", "config", "system", "template")},
                         sort_keys=True, ensure_ascii=False)
    return hashlib.sha256(payload.encode()).hexdigest()[:12]


def load(prompt_id: str, version: str = "production", path: Path = REGISTRY) -> PromptVersion:
    entry = json.loads(path.read_text(encoding="utf-8"))[prompt_id]
    if version == "production":
        version = entry["production"]
    v = entry["versions"][version]
    if fingerprint(v) != v["sha256"]:
        raise ValueError(f"{prompt_id}@{version} a été modifié après publication : créez une nouvelle version")

Pourquoi l'immuabilité ? Parce que les journaux disent « l'appel de mardi 10 h utilisait router@v1 ». Si v1 a été modifié depuis, cette information ne vaut plus rien.

Déployer et revenir en arrière

L'alias "production": "v1" désigne la version servie. Le code applicatif appelle call_llm("router") sans version : déployer v3, c'est changer une ligne dans prompts.json, revue et CI comprises. Revenir en arrière, c'est remettre v1. Pas de redéploiement de code.

Versionner le modèle aussi

• Utilisez un nom de modèle stable dans le registre ; évitez les alias du type « dernière version », qui changent sans prévenir.
• Un changement de modèle est une nouvelle version de prompt, même si le texte ne bouge pas : il passe le même test de non-régression.
• Surveillez les annonces de fin de vie des modèles : remplacer un modèle retiré est un projet planifié, pas une urgence.
• Sur Vertex AI, un modèle réglé (formation précédente) se référence par son endpoint : c'est une version de modèle comme une autre dans le registre.

Exercice : créer v3

Créez une version v3 qui reprend v1 mais ajoute une ligne au prompt système : « Une demande d'accès à un logiciel relève de it. ». Calculez son empreinte et vérifiez que le registre la charge.

Résultat obtenu

Exécution réelle le 2026-10-15 : vérification du registre, puis chargement d'une copie où la température de v1 a été modifiée à 0,7 sans créer de version :

$ python prompt_registry.py
router@v1 sha256=7dc8e870b139 ok
router@v2 sha256=0aaa739777c1 ok

$ python -c "from pathlib import Path; from prompt_registry import load; load('router', 'v1', path=Path('prompts_modifie.json'))"
ValueError: router@v1 a été modifié après publication : créez une nouvelle version

Je sais faire

• Lister ce qu'une version de prompt doit figer
• Détecter une modification de version publiée grâce à une empreinte
• Déployer ou revenir en arrière en changeant un alias
• Traiter un changement de modèle comme une nouvelle version