Ce guide synthétise les connaissances essentielles du livre «Prompt Engineering» de Lee Boonstra (Février 2025) pour maîtriser l’art de communiquer efficacement avec les modèles d’intelligence artificielle. Comme l’explique l’auteure : «Vous n’avez pas besoin d’être un data scientist — tout le monde peut écrire un prompt.»
Vous cherchez un guide spécifique à ChatGPT ? Consultez notre Guide Prompt ChatGPT.
1. Comprendre l’ingénierie de prompts
Un prompt est l’entrée textuelle que tu fournis au modèle pour obtenir une réponse spécifique. L’efficacité d’un prompt dépend de :
- Le modèle utilisé et ses données d’entraînement
- La configuration (température, longueur de sortie, etc.)
- Ton choix de mots, style, ton et structure
- Le contexte fourni et les exemples donnés
Un modèle de langage est un moteur de prédiction : il prédit le prochain token en fonction du texte précédent. L’objectif du prompt engineering est de guider ces prédictions.
2. Configuration des sorties LLM
La température
- Température basse (proche de 0) : réponses plus prévisibles et déterministes
- Température élevée (proche de 1) : réponses plus créatives et variées
- Règle générale : 0.2 pour des tâches factuelles, 0.7-0.9 pour des tâches créatives
Top-K et Top-P
- Top-K : sélectionne les K tokens les plus probables
- Top-P (nucleus sampling) : sélectionne les tokens dont la probabilité cumulée ne dépasse pas P
Configurations recommandées
- Cohérent mais créatif : température 0.2, top-P 0.95, top-K 30
- Très créatif : température 0.9, top-P 0.99, top-K 40
- Factuel : température 0.1, top-P 0.9, top-K 20
- Réponse unique correcte : température 0
3. Techniques de prompting de base
Zero-shot prompting
Instruction directe sans exemple. Parfait pour des tâches simples. Ex : «Classifie cette critique comme POSITIVE, NEUTRE ou NÉGATIVE.»
One-shot et few-shot prompting
Fournis un ou plusieurs exemples de ce que tu attends. Règle : 3 à 5 exemples pour le few-shot. Les exemples doivent être pertinents, diversifiés et de haute qualité.
System prompting
Définit le cadre global. Indique au modèle comment formater sa réponse ou quel ton adopter.
Role prompting
Assigne un rôle spécifique au modèle (expert, enseignant, guide). Aide à adapter style, ton et perspective.
Contextual prompting
Fournis des informations contextuelles pertinentes. Aide le modèle à mieux comprendre la situation.
4. Techniques de prompting avancées
Step-back prompting
Demande d’abord une question générale liée à la tâche, puis utilise cette réponse comme contexte. Particulièrement utile pour les tâches complexes ou créatives.
Chain of Thought (CoT)
Guide le modèle à travers des étapes de raisonnement intermédiaires. Très efficace pour les problèmes mathématiques ou logiques. Format : «Réfléchissons étape par étape».
Self-consistency
Génère plusieurs chaînes de raisonnement et sélectionne la réponse la plus fréquente. Améliore la précision mais augmente les coûts.
Tree of Thoughts (ToT)
Explore plusieurs chemins de raisonnement simultanément. Extension du Chain of Thought pour des problèmes encore plus complexes.
ReAct (Reason & Act)
Combine raisonnement avec actions (recherche d’informations). Le modèle raisonne, agit, observe, puis met à jour. Idéal pour des agents IA.
Automatic Prompt Engineering (APE)
Utilise un modèle pour générer et optimiser des prompts pour d’autres modèles.
5. Prompting pour le code
- Rédaction : Sois précis sur le langage, les entrées/sorties et les contraintes
- Explication : Demande le niveau de détail souhaité (débutant, expert)
- Traduction : Précise les spécificités de chaque langage
- Débogage : Fournis le code avec l’erreur et demande l’explication du problème
6. Bonnes pratiques
- Fournis des exemples pertinents — la méthode la plus efficace pour guider le modèle
- Privilégie la simplicité et la clarté — verbes d’action spécifiques : Analyse, Classifie, Décris, Génère
- Sois spécifique sur le format de sortie — JSON pour l’extraction de données, structure qui limite les hallucinations
- Préfère les instructions aux contraintes — «Écris un résumé concis» plutôt que «Ne sois pas verbeux»
- Expérimente — teste différents formats, styles et niveaux de détail
- Pour CoT : place la réponse finale après le raisonnement, température 0
7. Documentation des tentatives
Conserve toutes les versions de tes prompts avec : nom et version, objectif, modèle utilisé, configuration (température, top-K, top-P), prompt complet et sortie générée. Maintiens les prompts séparés du code et intègre des tests automatisés.
8. Applications pratiques
- Marketing : emails personnalisés, descriptions produits, analyse de sentiment
- Développement : génération de code, débogage, documentation technique
- Service client : chatbots, classification de demandes, FAQ automatisées
- Éducation : matériel pédagogique adapté, quiz, simplification de concepts
- Recherche : résumé d’articles, extraction d’informations, génération d’hypothèses
Exemples concrets
Zero-shot : Analyse SQL
Analyse le code SQL suivant et identifie les problèmes potentiels de performance.
Liste les 3 principales optimisations recommandées.
SELECT a.*, b.*, c.*
FROM customers a
JOIN orders b ON a.customer_id = b.customer_id
JOIN order_items c ON b.order_id = c.order_id
WHERE a.signup_date > '2023-01-01'
ORDER BY b.total_amount DESCChain of Thought : Analyse business
Notre boutique en ligne a connu les taux de conversion suivants :
2,3% en janvier, 2,5% en février, 3,1% en mars, 2,8% en avril,
puis une chute à 1,6% en mai.
Nous n’avons apporté aucun changement au site, mais avons lancé
une campagne publicitaire fin avril.
Identifie les causes possibles et propose des solutions.
Raisonne étape par étape.En résumé
L’ingénierie de prompts est un art qui demande expérimentation et itération. Les clés du succès : comprendre ton modèle, fournir des exemples clairs, expérimenter différentes techniques, documenter tes tentatives, et affiner constamment tes prompts.
Besoin d’accompagnement pour maîtriser l’IA ? Noxcod peut t’aider à mettre en place les meilleures pratiques. Découvrez aussi nos formations.
