Guide du prompt engineering
Un guide gratuit du prompt engineering pour ChatGPT, Claude et Gemini : écrire un prompt, les techniques essentielles, les prompts pour coder et les limites des modèles. Chaque prompt de ces pages se modifie et s'ouvre dans votre application d'IA.
Commencer un parcours guidé en AI PromptsPour commencer
- Qu'est-ce qu'un promptUn prompt est le texte que vous donnez à un modèle d'IA pour lui dire quoi produire. Ce qu'il contient, de vrais prompts pour du texte, du code et des images, et la différence avec la réponse et le prompt système.
- Prompt engineeringLe prompt engineering consiste à écrire et tester les instructions données à un modèle d'IA pour qu'il produise le résultat voulu. Ce guide explique pourquoi ça marche et présente toutes les techniques de base.
- Comment écrire un promptUn bon prompt est un brief court : un rôle, une tâche, le contexte que le modèle ne peut pas deviner, le contenu à traiter, la forme de la réponse et les limites. Chaque élément corrige une façon différente dont une réponse dérape.
- Exemples de promptsTreize prompts prêts à copier pour apprendre, coder, rédiger et s'organiser. Remplissez les champs, puis copiez le prompt ou ouvrez-le dans ChatGPT ou Claude.
- Prompt systèmeUn prompt système est un ensemble d'instructions permanentes qui s'applique à toute une conversation avec un modèle d'IA. Où il se trouve, quoi y mettre et en quoi il diffère d'un message utilisateur.
- Tokens et contexteLes modèles d'IA lisent le texte sous forme de tokens, de petits morceaux de mots, et ne peuvent en garder qu'un nombre limité à la fois : la fenêtre de contexte. Comment les deux fonctionnent et que faire quand une conversation s'allonge.
- TempératureLa température contrôle la part de hasard qu'utilise un modèle de langage pour choisir chaque mot suivant. Comment elle modifie les probabilités, quand la régler bas ou haut, et en quoi elle diffère de top_p.
Techniques de base
- Prompting zero-shotLe prompting zero-shot consiste à demander une tâche à un modèle à partir de consignes seules, sans exemple de réponse. C'est ainsi que la plupart des gens utilisent ChatGPT, Claude et Gemini, et ça marche bien quand la tâche est courante et la consigne précise.
- Prompting few-shotLe prompting few-shot place dans le prompt quelques exemples résolus, chacun avec une entrée et la réponse voulue, pour que le modèle reproduise le schéma. C'est le moyen le plus rapide d'enseigner un format, un jeu d'étiquettes ou un style maison que le modèle ne devinerait pas.
- Chain of thoughtLe prompting chain of thought (chaîne de pensée) demande à un modèle d'écrire son raisonnement avant de donner la réponse. Il aide surtout sur les problèmes de maths et de logique à plusieurs étapes, et compte moins pour les modèles de raisonnement qui réfléchissent déjà avant de répondre.
- Prompting par rôleLe prompting par rôle donne au modèle un personnage à jouer, comme un tuteur, un relecteur de code ou un recruteur. Un rôle change le destinataire de la réponse et le niveau d'exigence ; il n'ajoute pas de connaissances qui manquent au modèle.
- Sortie structuréeLa sortie structurée consiste à demander au modèle une réponse de forme fixe, comme du JSON, un tableau ou un modèle, pour qu'un programme ou une personne puisse l'utiliser sans la remanier. Donnez le schéma, dites quoi faire des valeurs manquantes et validez le résultat dans le code.
- Délimiteurs et balises XMLLes délimiteurs marquent où commence et où finit un contenu collé, pour que le modèle distingue vos consignes du texte à traiter. Guillemets, triples backticks, lignes ### et balises XML fonctionnent tous ; les balises XML tiennent le mieux quand un prompt contient plusieurs contenus.
- Modèles de promptsUn modèle de prompt est un prompt déjà testé, avec des champs pour les parties qui changent à chaque fois. Copiez des modèles prêts à remplir, puis transformez votre meilleur prompt en modèle en cinq étapes.
Techniques avancées
- Chaînage de promptsLe chaînage de prompts découpe un travail en une suite de prompts plus petits, où la sortie de chaque étape devient l'entrée de la suivante. Chaque étape fait une seule chose, et vous pouvez vérifier son résultat avant que la suivante ne démarre.
- Self-consistencyLe prompting par self-consistency pose plusieurs fois la même question de raisonnement, laisse chaque exécution raisonner à sa façon et garde la réponse qui revient le plus souvent. Comment ça marche, comment le faire à la main et comment le faire dans le code.
- Tree of thoughtLe prompting tree of thought (arbre de pensées) fait explorer au modèle plusieurs solutions partielles, les évalue une à une et ne garde que les branches prometteuses. Comment fonctionne la méthode d'origine, une version en un seul prompt à essayer, et ses limites.
- ReActLe prompting ReAct fait alterner un modèle entre le raisonnement sur une tâche et l'appel d'un outil, en lisant chaque résultat avant de décider de l'étape suivante. C'est la boucle qui fait tourner la plupart des agents d'IA.
- Méta-promptingLe méta-prompting consiste à faire travailler un modèle sur des prompts : en écrire un de zéro, améliorer celui que vous avez, ou découper une tâche en prompts pour d'autres appels au modèle. Comment faire chacun sans récupérer un prompt boursouflé.
- Context engineeringLe context engineering consiste à décider de tout ce qui entre dans la fenêtre de contexte d'un modèle à chaque appel : consignes, documents, résultats d'outils, mémoire et historique de conversation, et leur ordre. Le prompt que vous tapez n'en est qu'une partie.
Des prompts pour coder
- Prompts pour coderUn prompt de code fonctionne quand il se lit comme une petite spécification : le langage et sa version, les entrées et sorties, les cas limites et les tests que le code doit passer. Demandez une petite étape à la fois.
- Prompts pour déboguerPour déboguer avec ChatGPT ou Claude, collez l'erreur complète et le code qui l'a levée, dites ce que vous attendiez et ce qui s'est passé, listez ce que vous avez déjà essayé, et demandez la cause avant la correction.
- Expliquer du codeDemandez à l'IA d'expliquer du code ligne par ligne, à votre niveau, avec un tableau de l'évolution des valeurs pendant l'exécution. Dites ce que vous savez déjà pour que l'explication parte de là où vous en êtes.
- Prompts pour la revue de codeUn bon prompt de revue de code dit quoi chercher, demande une gravité pour chaque problème, exige une entrée concrète qui le déclenche et un diff, et demande d'ignorer le style. Ensuite, vous vérifiez chaque problème, car certains seront faux.
Limites et sécurité
- Hallucinations de l'IAUne hallucination de l'IA est une réponse assurée mais fausse : un fait, une citation, une fonction ou un paquet inventés. Elle vient de ce qu'un modèle de langage prédit un texte probable au lieu de chercher quoi que ce soit. Les prompts la réduisent ; seule la vérification l'attrape.
- Injection de promptL'injection de prompt est une attaque où un texte lu par le modèle, tapé par un utilisateur ou caché dans un e-mail, une page web ou un fichier, prend le pas sur les consignes que l'application lui a données. Les délimiteurs aident sans l'arrêter ; limiter ce que le modèle peut faire, si.
- Itérer sur un promptAméliorer un prompt marche le mieux comme une petite expérience : définir ce qu'est une bonne réponse, garder quelques entrées de test fixes, changer une seule chose à la fois et comparer les sorties côte à côte.
