Accueil › Glossaire › Prompt Engineering

Prompt Engineering : maitriser l’art de communiquer avec l’IA

Qu’est-ce que le prompt engineering ?

Le prompt engineering est la pratique systematique de redaction et d’optimisation des prompts envoyes aux LLM. Ce n’est pas juste « poser une bonne question ». C’est une ingenierie a part entiere qui combine la comprehension du fonctionnement interne des modeles avec des techniques de communication structuree.

Un prompt engineer sait comment les modeles tokenisent le texte, comment la temperature influence la generation, comment la position des instructions dans le context window affecte leur prise en compte, et comment structurer les informations pour maximiser la qualite des sorties.

Cette competence est devenue strategique pour les entreprises qui deploient l’IA a grande echelle. Un prompt bien concu peut multiplier par 5 ou 10 la pertinence d’un modele sur une tache donnee, sans aucun cout de fine-tuning ou de developpement supplementaire.

Techniques fondamentales

Role prompting

Attribuer un role au modele est la technique la plus simple et la plus efficace. Elle cadre le registre de langue, le niveau de detail et la perspective de la reponse.

Tu es un architecte logiciel senior avec 15 ans d'experience 
en systemes distribues. Tu privilegies les solutions pragmatiques 
et tu expliques toujours les compromis (trade-offs) de chaque 
approche que tu proposes.

Le role modifie la distribution de probabilites du modele : en activant le « persona » d’un expert, le modele favorise le vocabulaire technique, les raisonnements structures et les nuances propres a ce domaine.

Few-shot learning

Fournir des exemples au modele avant la tache reelle est la methode la plus fiable pour controler le format et la logique de sortie. Le nombre optimal d’exemples se situe entre 2 et 5 pour la plupart des taches.

Extrait les entites nommees de chaque phrase au format JSON.

Phrase : "Apple a annonce l'iPhone 16 lors de sa keynote a Cupertino."
Resultat : {"entreprise": "Apple", "produit": "iPhone 16", "lieu": "Cupertino"}

Phrase : "Elon Musk a lance xAI depuis son siege a San Francisco."
Resultat : {"personne": "Elon Musk", "entreprise": "xAI", "lieu": "San Francisco"}

Phrase : "Mistral AI leve 600 millions d'euros a Paris."
Resultat :

Les exemples doivent etre representatifs de la diversite des cas reels. Si tous vos exemples suivent le meme schema, le modele generalisera mal sur les cas atypiques.

Chain-of-Thought (CoT)

Le Chain-of-Thought force le modele a decomposer son raisonnement. Au lieu de sauter directement a la conclusion, il explicite chaque etape intermediaire. Cette technique ameliore considerablement les performances sur les taches de logique, mathematiques et analyse complexe.

Il existe trois variantes principales du CoT :

CoT explicite : ajoutez « Raisonne etape par etape » a la fin de votre prompt. Simple et efficace.

CoT avec exemples : montrez le raisonnement attendu dans vos exemples few-shot, pas seulement la reponse finale.

CoT zero-shot : les modeles recents (GPT-4o, Claude 3.5 Sonnet) activent naturellement le raisonnement par etapes pour les questions complexes, meme sans instruction explicite.

Self-Consistency

Cette technique genere plusieurs reponses independantes au meme prompt (en augmentant la temperature), puis selectionne la reponse majoritaire. C’est l’equivalent d’un vote : si 4 reponses sur 5 arrivent a la meme conclusion, elle est probablement correcte.

En pratique, vous envoyez la meme requete 3 a 5 fois avec une temperature de 0,7-0,8, puis vous comparez les resultats. Cette approche est couteuse en tokens mais extremement fiable pour les taches critiques.

Techniques avancees

ReAct (Reasoning + Acting)

ReAct combine le raisonnement avec l’execution d’actions. Le modele alterne entre reflexion (« Je dois d’abord verifier X ») et action (« J’appelle l’outil de recherche »). C’est la base des agents IA modernes.

Question : Quel est le cours actuel de l'action Nvidia ?

Pensee : Je dois chercher le cours boursier actuel de Nvidia.
Action : search("cours action Nvidia NVDA")
Observation : NVDA se negocie a 142,50 $ au 17 mars 2026.
Pensee : J'ai l'information. Je peux repondre.
Reponse : Le cours de l'action Nvidia (NVDA) est de 142,50 $.

ReAct est nativement integre dans les frameworks d’agents comme LangChain, CrewAI et le SDK agents d’OpenAI. Il permet aux modeles d’utiliser des outils externes (function calling, tool use) de maniere structuree.

Tree-of-Thought (ToT)

Le Tree-of-Thought etend le Chain-of-Thought en explorant plusieurs chemins de raisonnement en parallele, puis en evaluant et selectionnant le plus prometteur. C’est une forme de recherche arborescente appliquee au raisonnement.

Cette technique est particulierement utile pour les problemes qui admettent plusieurs approches (planification, strategie, resolution de puzzles). Elle est implementee nativement dans les modeles de raisonnement comme o1 et o3.

Meta-prompting

Le meta-prompting consiste a demander au modele de generer ou d’ameliorer un prompt. Au lieu d’ecrire directement votre prompt, vous demandez au modele : « Genere un prompt systeme optimal pour un assistant de service client qui doit gerer des reclamations en francais. »

Cette technique est puissante car le modele connait mieux que quiconque les structures de prompt qui produisent les meilleurs resultats avec lui-meme. C’est aussi un excellent moyen de demarrer quand vous ne savez pas comment formuler votre tache.

Construire un prompt systeme efficace

Le prompt systeme est la piece maitresse de toute application basee sur un LLM. Voici une structure eprouvee en 6 blocs :

Bloc 1 : Identite. Qui est le modele ? Quel est son domaine d’expertise ? Quelle est sa mission principale ?

Bloc 2 : Contexte. Quelles informations de fond le modele doit-il connaitre ? Base de connaissances, contraintes metier, profil utilisateur.

Bloc 3 : Instructions. Que doit faire le modele ? Taches autorisees et interdites, etapes a suivre, logique de decision.

Bloc 4 : Format. Comment structurer les reponses ? JSON, Markdown, texte libre, longueur maximale.

Bloc 5 : Exemples. 2 a 3 exemples d’echanges ideaux (paires question/reponse) pour calibrer le comportement.

Bloc 6 : Garde-fous. Que faire en cas d’incertitude ? Comment gerer les questions hors perimetre ? Quand rediriger vers un humain ?

Les erreurs classiques en prompt engineering

Surcharger le prompt. Un prompt systeme de 5 000 mots avec des dizaines de regles contradictoires va noyer le modele. Priorisez et structurez : les regles les plus importantes en premier.

Ne pas iterer. Le premier prompt n’est jamais le bon. Le prompt engineering est un processus iteratif : testez, analysez les echecs, ajustez, retestez. Les meilleurs prompts passent par 10 a 20 iterations.

Ignorer les cas limites. Votre prompt fonctionne avec vos tests ? Testez-le avec des entrees vides, des langues inattendues, des questions hors sujet, des inputs malveillants. Un prompt robuste gere les edge cases.

Confondre prompting et fine-tuning. Le prompting a ses limites. Si votre tache requiert un vocabulaire specialise que le modele ne connait pas, ou un format tres specifique a votre entreprise, le fine-tuning sera plus efficace qu’un prompt de 2 000 mots.

Outils pour le prompt engineering

Plusieurs outils facilitent le travail du prompt engineer :

Playgrounds IA. Les interfaces de test d’OpenAI, Anthropic et Google permettent d’experimenter rapidement differents prompts avec des parametres ajustables (temperature, top-p, max tokens).

LangSmith / Braintrust / Promptfoo. Ces plateformes permettent de versionner vos prompts, de les tester sur des jeux de donnees, de comparer les performances et de detecter les regressions. Indispensables pour les deployements en production.

Prompt libraries. Des bases de prompts pretes a l’emploi (Awesome ChatGPT Prompts, PromptBase, FlowGPT) offrent un point de depart pour de nombreuses taches courantes.

Prompt engineering vs Fine-tuning : quand passer a l’autre ?

La regle empirique : commencez toujours par le prompt engineering. Passez au fine-tuning uniquement si les performances plafonnent malgre un prompt optimise, ou si le cout des prompts longs devient prohibitif a grande echelle.

FAQ