L'Art du Prompt Engineering

Astuce

Le Prompt Engineering, c’est l’art de savoir poser les bonnes questions à une IA pour obtenir le meilleur résultat possible.

Note

En quelque sorte, c’est de la programmation en langage naturel.

Note

Le Prompt Engineering a émergé notamment via les modèles de diffusion qui permettent de générer des images et des vidéos.

Le choix des mots était essentiel dans ce cadre pour obtenir l’image voulue, avec des étapes de réécriture du prompt pour le raffiner et l’optimiser — car il n’y a pas de conversation.

Attention

C’est une raison majeure du succès des LLM : toute personne sachant écrire peut en utiliser un, la barrière est (relativement) basse.

Pour autant, l’expérience courante des utilisateurs est qu’il faut du temps pour parvenir au résultat attendu.

L’objectif est de réduire ce temps pour améliorer l’efficacité et réduire les coûts d’exploitation.

Source : L’art du prompting selon Lee Boonstra — Tech Lead chez Google

Quick Win

Astuce

Utilisez l’interface LLM de votre choix et lancez le prompt suivant.

Décris le prompt engineering sous forme de haiku en français.

La Structure d’un Prompt Parfait

Un prompt n’est pas une simple phrase. Pour structurer vos prompts, on va utiliser des techniques de prompting — des frameworks mnémoniques. La méthode ACTIF de Matthieu Corthesy (actif.numedu.org) propose un cadre simple et efficace :

Élément	Description	Exemple
Action	L’objectif, ce que vous voulez	”Rédige un article de blog”
Contexte	Les informations de fond	”Mon entreprise vend des chaussures éco-responsables”
Tonalité	Le style, l’ambiance	”Ton professionnel mais accessible”
Identité	Le rôle de l’IA	”Tu es un expert en marketing digital”
Format	La structure de sortie	”Article de 500 mots avec 3 sections”

Exemple complet :

[Identité]  Tu es un expert en marketing digital spécialisé dans l'éco-responsabilité.
[Action]    Rédige un article de blog pour promouvoir notre nouvelle collection.
[Contexte]  Mon entreprise vend des chaussures fabriquées à partir de matériaux recyclés.
[Tonalité]  Utilise un ton professionnel mais accessible, engageant.
[Format]    Article de 500 mots avec introduction, 3 bénéfices clés, et conclusion.

Attention

Il existe d’autres techniques comme la méthode RCTF, ou pour les développeurs des techniques avancées (few-shot learning, chain-of-thought, agents autonomes…). Mais commençons par maîtriser ces bases qui s’appliquent à tous les usages.

Ressource : Guide complet de la méthode ACTIF

Les bonnes pratiques

• Le prompt doit être clair et précis : le choix des mots est essentiel
• Le prompt inclut un contexte, des informations de fond pertinentes
• Le prompt définit la sortie attendue, via un template par exemple
• Le prompt définit la profondeur de raisonnement et de réflexion

Un guide complet pour approfondir le sujet : promptingguide.ai

Les types de prompt

Il existe deux types de prompts : le System Prompt et le User Prompt.

• Le System Prompt définit le rôle du modèle et les règles à respecter. C’est l’instruction invisible, définie par le développeur, qui conditionne le modèle avant même que l’utilisateur ne parle.
• Le User Prompt définit la demande de l’utilisateur — ce que vous tapez dans le chat.

Pour des exemples de system prompts :

• TheBigPromptLibrary — SystemPrompts
• leaked-system-prompts

Note pour les devs

Sur des modèles locaux (Llama, Mistral) ou via API, vous avez le contrôle total du System Prompt. C’est là que réside la vraie puissance pour créer des applications robustes.

Au final, les deux prompts sont concaténés pour former le prompt final :

[CONTEXTE TOTAL = Limite technique (ex: 128K tokens)]
│
├── 📜 SYSTEM PROMPT
│   (Instructions permanentes : rôle, style, règles)
│
├── ❓ USER PROMPT
│   (Requête actuelle)
│
└── 💬 OUTPUT
    (Réponse générée en cours, token par token)

La Contrainte Critique : La Fenêtre de Contexte

Qu'est-ce que la Context Window ?

La Context Window (ou fenêtre de contexte), c’est la mémoire à court terme de l’IA pendant votre discussion.

Une limite de “capacité d’attention”

Imaginez la Context Window comme la “mémoire vive” du modèle à un instant T : le nombre maximum d’informations (mesuré en tokens) que l’IA peut traiter en une seule fois.

Ce “budget” de tokens est partagé entre trois éléments :

• Votre entrée (Prompt) : Ce que vous demandez
• La sortie (Output) : Ce que l’IA répond
• L’historique : Tous les messages précédents de la conversation

Attention

Si vous dépassez cette limite, le modèle “oubliera” le début de la conversation (l’historique) pour faire de la place aux nouvelles informations.

L’évolution des modèles

La taille de cette fenêtre varie selon les modèles. Par exemple, GPT-4 Turbo possède une fenêtre de 128K tokens — l’équivalent d’un livre de 300 pages (votre prompt + l’historique + sa réponse) traité comme un seul bloc cohérent.

Pourquoi cette notion est cruciale ?

• Contexte trop court : L’IA “oublie” le début de la conversation → perte d’informations
• Contexte trop long : Le modèle se noie, confond les instructions contradictoires (“bruit”), et son adhérence diminue

Le problème du contexte trop court

Si ta fenêtre est petite (disons 4K tokens), au bout de quelques échanges, le modèle doit “éjecter” les premiers messages pour faire de la place.

Exemple concret : Tu commences par “Je suis végétarien et allergique aux noix”. Après 10 échanges, tu demandes “Qu’est-ce que je pourrais cuisiner ce soir ?” → L’IA te propose un poulet aux noix de cajou.

Le problème du contexte trop long (le plus subtil)

Même avec une grande fenêtre (128K tokens), tout n’est pas rose. Imagine qu’on te donne un livre de 300 pages à lire, puis qu’on te pose une question sur un détail de la page 47.

Pour le modèle :

• Le “bruit” : plus il y a d’informations, plus certaines peuvent se contredire ou diluer l’importance de tes instructions principales
• L’adhérence qui diminue : le modèle “perd le fil” et accorde moins d’attention à tes consignes initiales noyées dans la masse

L’adhérence au prompt

Astuce

L’adhérence est la capacité de l’IA à suivre scrupuleusement vos instructions sans s’en écarter.

Attention

C’est l’objectif ultime du Prompt Engineering : s’assurer que le modèle respecte vos contraintes (format, langage, style) pour éviter de perdre du temps à tout corriger.

Les 3 signes d’une mauvaise adhérence

1. Le Hors-Sujet (Incompréhension globale) — L’IA n’a pas compris la nature même de la tâche.

• ❌ La réponse est totalement à côté de la plaque
• 💡 Vous demandez de traduire un texte, et le modèle vous en fait un résumé

2. L’Oubli de Contrainte (Dérapage contextuel) — L’IA comprend la tâche principale mais ignore les détails techniques.

• ❌ Le fond est bon, mais la forme est fausse
• 💡 Vous demandez du code en TypeScript, et le modèle vous répond en Python

3. Le “Radotage” ou l’Hallucination (Incohérence interne) — L’IA tourne en rond ou invente des faits.

• ❌ Elle répète une erreur que vous venez de signaler
• 💡 Vous demandez de corriger un bug spécifique, et l’IA vous renvoie le code avec exactement le même bug

Le Mode Discussion : L’illusion de la mémoire

Nous sommes habitués à discuter avec ChatGPT comme avec un humain. Mais attention, c’est une illusion technique.

Comment ça marche vraiment ?

L’IA n’a pas de mémoire persistante d’une phrase à l’autre. À chaque nouvelle question, le système renvoie tout l’historique de la conversation + votre nouvelle question. C’est comme si, pour chaque réplique d’un film, on obligeait l’acteur à relire tout le scénario depuis le début avant de parler.

Le piège de la longueur

Situation	Conséquence
Contexte trop court	Le système coupe le début de la conversation. L’IA oublie les consignes initiales.
Contexte trop long	L’IA se noie dans trop d’informations, d’erreurs passées ou de contradictions → hallucinations.

Quand utiliser le mode discussion ?

Malgré ses défauts, la conversation est excellente pour deux cas précis :

1. La “Recherche Google” (Tâche simple) — Je veux une réponse factuelle et rapide. L’historique n’a pas d’importance.

   • Exemple : “Quel est le débit du Rhône ?” → Réponse immédiate, fin de la discussion.

2. L’Exploration (Découverte) — Je veux dégrossir un sujet inconnu. L’historique est utile car l’IA se souvient du contexte général.

   • Exemple : “Je connais Python, explique-moi les différences avec Scala.” Puis : “Et pour les bases de données ?” (L’IA sait qu’on parle toujours de Scala vs Python).

Le conseil

Ne mélangez pas tout ! Une discussion “brouillon” d’exploration devient souvent inutilisable pour un autre sujet. Si vous voulez passer de la découverte à la production de code, recommencez une nouvelle conversation propre avec un prompt structuré.

L’édition sur place (mode document)

Attention

Si le mode “Discussion” ressemble à un échange de SMS, l’Édition sur place ressemble à la rédaction d’une lettre officielle ou d’un plan d’architecte.

Astuce

Le principe : plutôt que d’expliquer ton besoin petit à petit en plusieurs messages, tu rédiges un seul prompt détaillé contenant toutes tes instructions. Ensuite, tu l’améliores par itérations successives jusqu’à obtenir le résultat parfait.

Note

Exemple : C’est comme rédiger une recette de cuisine. Tu ne donnes pas les ingrédients un par un au cuisinier pendant qu’il travaille. Tu lui donnes la recette complète, puis tu l’ajustes : “Ajoute une étape de repos”, “Précise la température du four”, etc.

Exemple 1 — Email pour une augmentation :

Version 1 du prompt :
  Écris-moi un email professionnel pour demander une augmentation.

Itération 1 : Le ton est trop agressif
  → Ajouter "sur un ton diplomate"

Itération 2 : Il manque du contexte
  → Ajouter "Je suis dans l'entreprise depuis 3 ans, j'ai géré 2 projets majeurs"

Itération 3 : Préciser le format
  → Ajouter "Maximum 150 mots, avec une phrase d'accroche percutante"

Prompt final :
  Écris-moi un email professionnel de maximum 150 mots, sur un ton diplomate,
  pour demander une augmentation. Contexte : je suis dans l'entreprise depuis
  3 ans et j'ai géré 2 projets majeurs. Commence par une phrase d'accroche
  percutante.

Exemple 2 — Microservice Go :

Génère le code source complet d'un microservice Go.

Le microservice doit :
1. Gérer les alertes client (id_client, niveau_priorite, date_reception...)
2. Utiliser PostgreSQL pour la persistance
3. Utiliser Kafka pour la messagerie asynchrone
4. Intégrer Redis pour le cache
5. Implémenter une authentification OIDC
6. Exposer une API RESTful (CRUD)
7. Suivre une architecture en couches (handler, service, repository, model)

Itérations possibles :
  "Utilise le framework Gin plutôt que Echo"
  "Ajoute un middleware de logging"
  "Renomme la variable alerteClient en clientAlert"

Pourquoi cette approche est puissante ?

Avantage	Explication
Reproductibilité	Tu peux réutiliser ton prompt perfectionné pour des besoins similaires
Partage	Tu peux le transmettre à des collègues comme un “template”
Variabilisation	Tu peux créer des “trous” à remplir : [NOM_PROJET], [LANGAGE], etc.
Meilleure adhérence	L’IA a tout le contexte d’un coup, pas de risque d’oubli

Le multi-fenêtres (approche modulaire)

Le problème : la contamination contextuelle

Quand tu utilises un seul chat pour tout faire, les informations s’accumulent et se mélangent. L’IA peut confondre des instructions, mélanger des contextes, ou appliquer des consignes d’une partie à une autre.

Note

Analogie : Imagine que tu rédiges un livre entier sur un seul post-it. Au bout d’un moment, tu ne retrouves plus rien et tout se mélange.

La solution : diviser pour mieux régner. L’idée est simple : un chat = un objectif précis.

Exemple 1 — Organiser un voyage :

Chat	Type	Objectif
Chat 1	Exploration	Définir les destinations possibles selon mon budget
Chat 2	Exploration	Rechercher les meilleures périodes pour partir
Chat 3	Exploration	Comparer les options de transport
Chat 4	Rédaction	Créer mon itinéraire jour par jour
Chat 5	Rédaction	Rédiger ma checklist de bagages
Chat 6	Rédaction	Écrire les emails de réservation

Comment ça fonctionne : tu demandes une synthèse dans le Chat 1, puis tu la colles dans le Chat 4 pour que l’IA construise l’itinéraire avec ces informations.

Exemple 2 — Créer un microservice :

Chat	Type	Objectif
Chat 1	Exploration	Besoins clients et fonctionnalités attendues
Chat 2	Exploration	Technologies et dépendances
Chat 3	Exploration	Architecture logicielle et technique
Chat 4	Exploration	Rédaction de prompts réutilisables
Chat 5	Rédaction	Contrat de service OpenAPI
Chat 6	Rédaction	Code source de la librairie Go
Chat 7	Rédaction	Code source du microservice HTTP
Chat 8	Rédaction	Tests unitaires
Chat 9	Rédaction	Tests d’intégration
Chat 10	Rédaction	Pipeline CI/CD

┌─────────────┐     Synthèse      ┌─────────────┐
│   Chat 1    │ ──────────────►   │   Chat 5    │
│ Exploration │  "Voici les       │  Rédaction  │
│  (besoins)  │   besoins..."     │  (OpenAPI)  │
└─────────────┘                   └─────────────┘

┌─────────────┐    Code source    ┌─────────────┐
│   Chat 7    │ ──────────────►   │   Chat 8    │
│  Rédaction  │  "Voici le        │  Rédaction  │
│   (code)    │   code à tester"  │   (tests)   │
└─────────────┘                   └─────────────┘

En pratique :

• Dans les chats d’exploration → tu demandes des synthèses à copier ailleurs
• Dans les chats de rédaction → tu colles le contexte nécessaire (code, specs, décisions)

Avantages	Limites actuelles
Pas de mélange entre les contextes	Beaucoup d’onglets à gérer manuellement
Chaque chat reste focalisé	Copier-coller entre fenêtres = fastidieux
Idéal pour les projets complexes	Obtenir des formats précis (JSON, YAML) reste difficile
Approche méthodique et structurée	Faire respecter des normes de code demande de l’insistance