Présentation de la migration

Ploy a migré son agent de production vers GPT-5.6 Sol, le modèle phare de la famille de modèles OpenAI. Cette migration a permis d'améliorer les performances de l'agent, avec une réduction du temps de traitement de 2,2 fois et une diminution des coûts de 27 %.

Architecture et fonctionnement

L'agent de Ploy utilise Vercel's AI SDK, un kit de développement universel pour les modèles de langage. Cependant, la migration vers GPT-5.6 Sol a nécessité des ajustements pour prendre en compte les différences de comportement entre les modèles, notamment en termes de remplissage des arguments d'outils, de mise en cache des invites et de répétition de la logique entre les tours.

Les étapes clés de la migration ont inclus la correction de l'harnais d'évaluation, la mise à jour des schémas d'outils, la reconstruction de la mise en cache des invites et la modification de la répétition de la logique.

Analyse des impacts et limites

La migration vers GPT-5.6 Sol a présenté des défis, notamment en termes de comportement du modèle et d'interaction avec les outils. Les résultats ont montré que GPT-5.6 Sol peut produire des sorties de haute qualité, mais qu'il tend à converger vers des dispositions modernes et propres, à moins d'être guidé pour respecter les systèmes de conception existants.

Les détails de la correction de ces problèmes sont importants, car ils nécessitent une expertise approfondie en conception et en ingénierie pour guider les modèles vers une adhésion de marque de classe mondiale.

Exemples de code et de données

Voici un exemple de code qui montre la différence entre les appels d'outils de Claude Opus 4.8 et de GPT-5.6 Sol :


// Avant : 25 clés, chaque valeur inventée
{ "action": "read", "file_paths": [...], "offset": 0, "timeout": 120000, ... }
// Après : 25 clés, 4 valeurs réelles, 21 nulls explicites (supprimés avant la validation)
{ "action": "read", "file_paths": [...], "offset": null, "timeout": null, ... }

Ces exemples montrent comment la migration vers GPT-5.6 Sol a nécessité des ajustements pour prendre en compte les différences de comportement entre les modèles et comment ces ajustements ont permis d'améliorer les performances de l'agent.