Aller au contenu
TokIQ
Bases

Qu'est-ce que le prompt engineering ? Guide et exemples

Le prompt engineering, c'est écrire des entrées qui donnent des résultats fiables avec les modèles d'IA. Les parties d'un bon prompt, avec exemples avant/après.

TokIQ Editorial7 min de lecture
Dans cet article
  1. Pourquoi la formulation d'un prompt compte-t-elle autant ?
  2. À quoi ressemble un bon prompt ?
  3. Quels sont les composants d'un bon prompt ?
  4. Le prompt engineering ne concerne-t-il que les chatbots ?
  5. Un exemple détaillé : du vague au fiable
  6. Quelles techniques de prompting connaître en premier ?
  7. Ce que le prompt engineering n'est pas
  8. Comment progresser ?

Le prompt engineering est l'art de concevoir l'entrée d'un grand modèle de langage (instructions, contexte, exemples et exigences de format) pour que la sortie soit utile, exacte et cohérente. Concrètement, il s'agit de décider ce que le modèle doit savoir, ce qu'il doit faire et à quoi doit ressembler le résultat, puis de vérifier que le prompt produit bien cela.

Cette définition paraît abstraite : la majeure partie de ce guide est donc faite d'exemples. Si vous ne devez retenir qu'une chose : un modèle ne peut travailler qu'avec ce qu'il a sous les yeux. La plupart des mauvaises sorties viennent d'un prompt où manquait quelque chose que son auteur savait mais n'a jamais dit.

Pourquoi la formulation d'un prompt compte-t-elle autant ?

Un modèle de langage prédit la suite du texte qu'on lui a donné. Il n'a pas accès à votre projet, à votre public, à vos brouillons précédents ni à la discussion que vous avez eue avec votre responsable sur le ton. Tout ce qu'il sait de votre situation vient du prompt (et, dans les applications de chat, des messages précédents et des éventuelles fonctions de mémoire).

Quand un prompt dit « écris un résumé de ce rapport », le modèle comble donc chaque trou par une supposition. Quelle longueur ? Pour qui ? Des puces ou de la prose ? Faut-il signaler les risques ou rester neutre ? La supposition sera plausible et générique, car le générique est le pari le plus sûr quand l'information manque.

Le prompt engineering est surtout la discipline qui consiste à combler ces trous volontairement.

À quoi ressemble un bon prompt ?

Voici une demande que des gens envoient chaque jour à des assistants de chat :

Écris un e-mail à mon équipe sur le nouveau délai.

Le modèle produira un e-mail poli et fade, avec des espaces réservés comme « [nouvelle date] ». Pas faux, mais inutilisable sans retouche.

Voici maintenant une version écrite par quelqu'un qui l'a déjà fait quelques fois :

Écris un court e-mail à mon équipe de cinq ingénieurs backend.

Contexte : l'échéance de la migration de l'API est passée du 14 mars au
28 mars parce que le prestataire de paiement a retardé son sandbox.
Personne dans l'équipe n'est responsable du retard. Deux personnes
avaient prévu des vacances autour de l'ancienne date.

Objectif : leur annoncer la nouvelle date, expliquer la raison en une
phrase et dire que les plans de vacances ne doivent pas changer.

Ton : direct et calme, sans langue de bois. Moins de 120 mots.
Signe "Dana".

Rien d'astucieux là-dedans. Le second prompt contient simplement les faits, le public, l'objectif, le ton et une limite de longueur. C'est l'essentiel du prompt engineering pour un usage courant.

Quels sont les composants d'un bon prompt ?

Les guides les nomment différemment, mais les mêmes éléments reviennent. Vous n'aurez pas besoin de chacun dans chaque prompt.

La tâche. Le verbe et son objet. « Résumer », « classer », « réécrire », « extraire », « comparer ». Des verbes vagues comme « aider pour » ou « regarder » obligent le modèle à deviner ce que vous voulez qu'il fasse.

Le contexte. Les informations de fond que le modèle ne peut pas déduire : qui est le public, à quoi sert le document, ce qui a déjà été essayé. C'est de là que vient l'essentiel de la qualité. Nous l'approfondissons dans le thème rôle et contexte.

Les contraintes. Longueur, ton, niveau de lecture, ce qu'il faut éviter, ce qui doit figurer. Les contraintes sont peu coûteuses à écrire et évitent beaucoup d'allers-retours.

Le format de sortie. Des puces, un tableau, un JSON avec des clés précises, un seul mot. Si un programme lit la sortie, le format n'est pas facultatif. Le thème de la sortie structurée traite ce cas en détail.

Les exemples. Une à quelques paires entrée/sortie qui montrent le schéma voulu. Les exemples sont puissants et faciles à mal utiliser, d'où un article à part sur zero-shot et few-shot.

Un rôle (« Tu es un fiscaliste senior ») figure parfois aussi parmi les composants. Il peut aider à fixer le vocabulaire et le niveau de détail, mais un rôle sans contexte fait bien moins qu'on ne le croit. « Tu es un expert en marketing » n'apporte presque rien ; « Les lecteurs sont des responsables achats d'hôpitaux qui lisent en diagonale sur mobile » apporte beaucoup.

Le prompt engineering ne concerne-t-il que les chatbots ?

Non, et c'est là que le terme mérite le mot « engineering ». Deux métiers assez différents partagent ce nom.

Le premier est le prompting conversationnel : vous, en train de taper dans ChatGPT, Claude ou Gemini, en itérant jusqu'à ce que la réponse soit bonne. Vous pouvez corriger le tir au tour suivant : un prompt un peu faible vous coûte une minute.

Le second, ce sont les prompts à l'intérieur de logiciels : un bot de support, un classifieur de documents, un outil de revue de code, un agent qui appelle des API. Le prompt tourne des milliers de fois sur des entrées que vous n'avez jamais vues. Personne n'est là pour dire « non, plus court ». Une petite ambiguïté que vous corrigeriez dans un chat devient un taux d'échec de 4 % en production.

Le second métier ajoute des éléments dont le premier a rarement besoin :

  • Un prompt système qui définit le comportement dans chaque conversation (comment l'écrire).
  • Des formats de sortie stricts pour que le code puisse analyser le résultat.
  • L'ancrage du modèle dans des documents retrouvés pour qu'il n'invente pas de faits.
  • Des défenses contre la prompt injection, car les entrées des utilisateurs et les documents peuvent contenir leurs propres instructions.
  • Un jeu de test : quelques dizaines d'entrées réelles que vous relancez à chaque modification du prompt.

Ce dernier point est celui que les débutants sautent et que les praticiens ne sautent jamais. Si vous modifiez un prompt de production sans relancer vos cas de test, vous devinez.

Un exemple détaillé : du vague au fiable

Disons que vous voulez qu'un modèle classe des messages de clients en catégories. Premier essai :

Catégorise ce message client.

Message : "J'ai été débité deux fois pour ma facture de mars, merci de corriger."

Vous obtenez quelque chose comme « Ce message relève de la catégorie Facturation, car le client signale un double prélèvement. » Parfait pour un humain, pénible pour du code. Et le message suivant pourrait revenir avec « Paiements » au lieu de « Facturation », parce que vous n'avez jamais dit quelles catégories existent.

Deuxième essai :

Classe le message client dans exactement une catégorie.

Catégories :
- billing : paiements, remboursements, factures, moyens de paiement
- account : connexion, mot de passe, profil, suppression du compte
- bug : quelque chose dans le produit est cassé ou se comporte mal
- other : tout le reste

Réponds uniquement avec le nom de la catégorie en minuscules, rien d'autre.

Message : """J'ai été débité deux fois pour ma facture de mars, merci de corriger."""

Trois changements ont fait le travail. L'ensemble d'étiquettes est fixe, chaque étiquette a une courte définition pour que les cas limites aient une place, et le format de sortie est précisé. Les triples guillemets marquent où commence et finit le texte de l'utilisateur, ce qui aide le modèle à séparer les données des instructions (même si ce n'est pas une barrière de sécurité contre des attaques délibérées).

Testez ensuite sur vingt vrais messages, dont des cas tordus comme « Je n'arrive pas à me connecter pour voir ma facture ». Facturation ou compte ? Vos définitions doivent trancher. Sinon, le modèle choisira de façon incohérente, et le correctif est une définition plus nette, pas un ton plus sévère.

Quelles techniques de prompting connaître en premier ?

Une courte liste honnête, dans l'ordre où elles comptent en général :

  1. Soyez précis sur la tâche et le format de sortie. Cela règle la plupart des problèmes courants.
  2. Donnez du contexte. Public, objectif, contraintes, à quoi ressemble « bon ».
  3. Montrez des exemples quand le format ou le style est difficile à décrire avec des mots.
  4. Demandez le raisonnement avant la réponse pour les problèmes à plusieurs étapes. C'est l'idée du chain-of-thought, même si les modèles de raisonnement récents font beaucoup de cela seuls.
  5. Ancrez les réponses dans des sources quand les faits comptent, grâce à la recherche documentaire. C'est l'objet du thème de l'ancrage (RAG).
  6. Définissez clairement les outils si le modèle peut agir.

Vous remarquerez qu'aucune phrase magique ne figure sur cette liste. Au début, les gens s'échangeaient des incantations comme « respire profondément » ou promettaient un pourboire au modèle. Certaines avaient des effets mesurables sur des modèles anciens précis, mais elles ne se transposent pas de façon fiable, et ne remplacent pas un prompt qui dit ce que vous voulez.

Ce que le prompt engineering n'est pas

Ce n'est pas un moyen de faire savoir au modèle ce qu'il ne sait pas. Si la réponse dépend de la politique interne de votre entreprise, aucune formulation ne la produira, sauf si cette politique est dans le prompt ou y est injectée par recherche.

Ce n'est pas non plus un acte ponctuel. Les modèles sont mis à jour, les entrées dérivent, et un prompt qui marchait sur un modèle peut se comporter autrement sur un autre. Testez sur le modèle que vous utilisez vraiment, et retestez quand il change.

Et ce n'est pas que de l'écriture. Une grande partie du travail consiste à lire les sorties d'un œil critique : repérer où le modèle a suivi la lettre de la consigne mais manqué l'intention, puis trouver quelle phrase manquante en est la cause.

Comment progresser ?

Écrivez des prompts pour de vraies tâches, lisez les sorties de près et ne changez qu'une chose à la fois. Lisez les guides de prompting qu'OpenAI, Anthropic et Google publient pour leurs modèles ; ils sont gratuits, précis et écrits par des gens qui voient beaucoup de cas d'échec.

Il est aussi utile de s'entraîner aux décisions isolément : laquelle de ces quatre consignes corrige cette sortie, où exactement ce prompt échoue-t-il. C'est ce type d'entraînement que vise TokIQ, une application de quiz que nous développons (sur Google Play, bientôt sur iPhone). Quel que soit l'outil, l'habitude qui compte est la même : traitez chaque sortie décevante comme une information sur votre prompt. Pour un parcours structuré, voir comment apprendre le prompt engineering ou commencez par le thème des fondamentaux.

Questions fréquentes

Qu'est-ce que le prompt engineering en termes simples ?

Le prompt engineering consiste à écrire les instructions, le contexte et les exemples que vous donnez à un modèle d'IA pour qu'il produise le résultat dont vous avez réellement besoin. Cela couvre aussi bien la formulation d'une demande isolée que la conception de prompts réutilisables dans des applications.

Le prompt engineering est-il encore utile maintenant que les modèles sont plus intelligents ?

Oui. Les meilleurs modèles pardonnent plus souvent une formulation vague, mais ils ne peuvent toujours pas deviner un contexte que vous ne leur avez pas donné, votre niveau d'exigence ou le format exact qu'attend votre code. Le travail est passé des astuces vers la spécification claire et les tests.

Faut-il savoir coder pour faire du prompt engineering ?

Non. L'essentiel de la compétence est de bien écrire et de tester avec soin. Coder aide quand vous intégrez des prompts dans un logiciel, par exemple pour valider une sortie JSON ou lancer le même prompt sur de nombreuses entrées de test.

Quelles sont les principales parties d'un prompt ?

Un prompt utile comporte en général une tâche, le contexte dont le modèle a besoin, des contraintes comme la longueur ou le ton, le format de sortie, et parfois des exemples. Tous les prompts n'ont pas besoin de tout cela, mais un contexte manquant et un format manquant sont les causes les plus courantes de résultats médiocres.

  • #prompt engineering
  • #bases
  • #exemples de prompts
  • #LLM

À vous de jouer

TokIQ transforme le prompt engineering en courts quiz, avec une explication pour chaque réponse.

Bientôt surApp StoreDisponible surGoogle Play

Écrivez de meilleurs prompts, quelques questions par jour.

De courts quiz sur de vraies décisions de prompting, avec une explication pour chaque réponse. Gratuit pour commencer sur iPhone et Android.

Bientôt surApp StoreDisponible surGoogle Play