Cisco ouvre FAPO : l'optimisation automatique des pipelines LLM avec diagnostic à chaque étape

Cisco Foundation AI a mis FAPO en accès libre, un système d'optimisation automatique de prompts qui agit à l'échelle du pipeline entier, et non d'une requête isolée. Claude Code assure l'orchestration et transforme le réglage en boucle entièrement autonome.

Pourquoi un seul prompt ne suffit pas

La plupart des produits d'IA actuels ne se résument pas à une requête unique adressée à un modèle de langage : ce sont des chaînes d'étapes interdépendantes. L'une extrait des données, la deuxième classe, la troisième raisonne, la quatrième génère la réponse finale. Quand la qualité globale baisse, trouver à la main l'étape où la précision se perd est une tâche longue et peu évidente. Les systèmes d'optimisation de prompts existants, dont le populaire GEPA, traitent chaque prompt isolément : ils ne tiennent pas compte de l'effet d'une modification sur les entrées et la qualité des étapes suivantes. FAPO repose sur un principe radicalement différent : il voit le pipeline dans son ensemble et l'optimise comme un système connecté.

Comment fonctionne la boucle d'optimisation

FAPO procède en quatre étapes qui se répètent de façon itérative :

• Diagnostic : le système exécute le pipeline sur un jeu de test et mesure la précision à chaque étape. Il identifie ainsi l'étape précise où la qualité se dégrade ; les auteurs parlent de step-level failure attribution.
• Génération de variantes : pour l'étape problématique, FAPO propose des correctifs sur trois niveaux à la fois : le prompt (nouvelle formulation de l'instruction), les paramètres (température, top-p) et la structure de la chaîne (ajouter ou retirer une étape).
• Validation indépendante : chaque variante est évaluée par un agent relecteur LLM distinct, qui tranche uniquement sur les métriques, sans le biais de l'auteur du changement.
• Itération : la boucle se répète jusqu'à atteindre la précision visée ou épuiser le budget de tentatives.

Claude Code joue le rôle d'orchestrateur : il lance le diagnostic, appelle les générateurs de variantes, transmet les données au relecteur et applique les changements validés. Tout cela se déroule sans intervention humaine.

Benchmarks : FAPO contre GEPA

Cisco a comparé FAPO à GEPA, l'une des principales méthodes d'optimisation automatique de prompts. Le résultat est convaincant : FAPO l'emporte dans 15 comparaisons sur 18, par combinaisons « modèle + tâche ».

« L'approche d'attribution des erreurs au niveau de l'étape est

particulièrement efficace lorsque le problème n'est pas localisé dans un seul prompt, mais diffus sur plusieurs transitions de la chaîne », indiquent les auteurs dans la documentation technique.

L'avantage clé de FAPO tient au contexte multi-étapes : GEPA et ses équivalents examinent chaque prompt séparément. FAPO comprend que la sortie d'une étape est l'entrée de la suivante et optimise la chaîne en tenant compte de ces dépendances. C'est crucial pour les systèmes d'agents, où la modification d'une étape précoce se répercute en cascade sur toutes les suivantes.

Ce que cela signifie

Cisco a publié FAPO sous licence ouverte : le système peut être déployé dès maintenant sur ses propres pipelines. Pour les équipes qui développent des agents d'IA multi-étapes, c'est un moyen d'automatiser ce qui exigeait auparavant des semaines de tâtonnements manuels. Le choix de Claude Code comme moteur d'orchestration est un signal révélateur : les outils d'IA d'entreprise reposent de plus en plus sur l'écosystème Claude.