L’ingénierie de prompts en pratique : écrire des prompts de qualité
Avec le même modèle, deux prompts différents donnent souvent des résultats radicalement différents. Ce tutoriel rassemble les techniques de prompting les plus utiles pour obtenir des sorties de qualité, de façon constante.
ParAI Resource Hub
Donnez des instructions claires et précises
À question floue, réponse floue. Dites au modèle exactement ce que vous voulez : plus la tâche, l’objectif, le format de sortie, la longueur et le ton sont précis, mieux c’est.
Par exemple, remplacez « aide-moi à écrire un texte » par « écris 3 slogans de 10 mots maximum pour un outil d’IA destiné aux développeurs, dans un style concis et professionnel ».
Fournissez du contexte et des exemples
Donnez au modèle le contexte nécessaire pour une réponse adaptée à votre situation : placez directement dans le prompt les éléments pertinents et les contraintes.
Si la sortie doit suivre un format précis, donner un ou deux exemples (few-shot) marche généralement mieux qu’une longue explication.
Guidez le modèle vers un raisonnement pas à pas
Pour les tâches de raisonnement et de calcul, ajouter une consigne comme « réfléchis étape par étape » (Chain-of-Thought) améliore nettement la précision.
Vous pouvez aussi découper une tâche complexe en plusieurs étapes, interroger le modèle sur chacune séparément, puis lui demander de synthétiser les résultats.
Fixez un rôle et un format de sortie
Attribuer un rôle au modèle — « tu es un ingénieur front-end senior » — rend les réponses plus professionnelles et mieux ciblées.
Pour des résultats structurés, demandez explicitement du JSON, un tableau Markdown ou une liste numérotée : le traitement en aval en sera bien plus simple.
Pièges courants
N’empilez pas des exigences contradictoires dans une même demande ; ne supposez pas que le modèle connaît vos prémisses implicites ; et gardez toujours une étape de vérification pour les contenus factuels.
Traitez le prompt comme un « programme » itérable : lancez une première version, puis affinez-la au fil des sorties pour vous rapprocher du résultat idéal.
Patrons avancés
Au-delà des techniques de base, plusieurs patrons avancés améliorent considérablement les résultats. Chain-of-Thought (CoT) demande au modèle de raisonner à voix haute avant de répondre, ce qui booste la précision sur les tâches de maths et de logique. ReAct combine raisonnement et action : le modèle réfléchit, appelle un outil, observe le résultat et itère. Tree-of-Thought explore plusieurs chemins de raisonnement en parallèle et choisit le meilleur. Self-Consistency génère plusieurs réponses et prend la majorité, réduisant les erreurs ponctuelles.
Flux de travail de raffinement itératif
Traitez le prompting comme une boucle d’ingénierie itérative plutôt qu’une supposition unique. Étape 1 : rédigez un prompt brouillon et exécutez-le sur 5 à 10 entrées représentatives. Étape 2 : inspectez les sorties — où échouent-elles ? Contexte manquant ? Mauvais format ? Ton incorrect ? Étape 3 : ajoutez des contraintes ciblées et relancez. Étape 4 : une fois la qualité acceptable, automatisez avec une sortie structurée (mode JSON, appel de fonction) et ajoutez des métriques d’évaluation. Ce cycle construire-mesurer-apprendre est la façon dont les systèmes de prompts en production fonctionnent réellement.