Le méta-prompting, c'est faire des prompts sur les prompts : au lieu de demander à un modèle d'accomplir une tâche, vous lui demandez d'écrire le prompt pour cette tâche, d'améliorer un prompt que vous avez déjà, ou de découper la tâche en prompts plus petits que d'autres appels au modèle exécuteront. Les deux premiers sont des astuces du quotidien qui marchent dans ChatGPT, Claude et Gemini. Le troisième est une technique issue de la recherche, où une instance du modèle joue le chef d'orchestre pour plusieurs autres.
Les trois reposent sur le même fait : les modèles actuels ont vu énormément de texte sur la façon d'instruire des modèles, ils repèrent donc bien ce qu'un prompt omet. Ils sont tout aussi doués pour combler ces trous par des suppositions, et c'est la principale chose contre laquelle se prémunir.
Demander au modèle d'écrire le prompt
La façon la plus faible de générer un prompt est "écris-moi un prompt pour X". Le modèle ne sait rien de votre X, il écrit donc un prompt générique pour la version moyenne de la tâche. La solution est de le faire questionner d'abord. Les questions font apparaître le contexte manquant, et vos réponses deviennent la substance du prompt.
- Qui lit l'e-mail : seulement les personnes présentes à la réunion, ou aussi des responsables et d'autres équipes ?
- Que doit contenir chaque synthèse ? Par exemple les décisions prises, les actions avec un responsable et une échéance, et les questions ouvertes.
- Quelle longueur, et préférez-vous des puces ou de courts paragraphes ?
- Quel ton votre équipe utilise-t-elle par e-mail : formel, neutre ou décontracté ?
- Y a-t-il des choses qui ne doivent jamais apparaître, comme des apartés, des remarques personnelles ou des chiffres confidentiels ?
Répondez aux questions en un seul message et vous obtenez un prompt qui contient vos décisions plutôt que les choix par défaut du modèle. Gardez-le : un prompt avec des emplacements est un modèle de prompt que vous pouvez utiliser chaque semaine.
Améliorer un prompt que vous avez déjà
"Améliore ce prompt" est l'un des méta-prompts les plus courants, et son échec typique est visible dans le premier onglet ci-dessous. Le modèle allonge le prompt et le rend plus assuré en inventant des détails : un public, un nombre de mots, un appel à l'action. Chaque invention est plausible, et chacune est une décision que vous n'avez pas prise. Le second onglet donne au modèle des règles pour la réécriture.
Voici une version améliorée de votre prompt :
"Tu es un rédacteur et éditeur expert, avec des années d'expérience dans la publication numérique. Résume l'article suivant pour ma newsletter, lue par des professionnels pressés du secteur technologique. Rédige un résumé accrocheur de 150 à 200 mots, sur un ton à la fois amical et professionnel. Commence par une accroche, mets en avant les trois idées les plus importantes et termine par un appel à l'action qui incite les lecteurs à lire l'article complet."
Cette version ajoute un rôle, un public, une longueur, un ton et une structure claire, ce qui vous donnera des résumés plus ciblés et plus utiles.
La première réponse n'est pas fausse ; elle est présomptueuse : si votre newsletter s'adresse à des jardiniers amateurs, "des professionnels pressés du secteur technologique" orientera discrètement chaque résumé. La seconde réponse en fait moins et vous laisse maître des décisions qui comptent. Les emplacements vous montrent aussi quel contexte manquait à votre prompt d'origine, ce qui reste utile même si vous jetez la réécriture.
Vérifier un prompt généré avant de lui faire confiance
Un prompt écrit par un modèle se lit bien, et c'est ce qui rend ses défauts faciles à rater. Cherchez ceci avant de l'utiliser :
- Des exigences inventées. Toute longueur, tout public, tout ton ou toute règle que vous n'avez pas demandés. Supprimez-les ou remplacez-les par votre vraie réponse.
- Un rôle générique. "Tu es un expert de renommée mondiale" ajoute de la longueur et pas grand-chose d'autre. Un rôle aide quand il nomme le public et le niveau d'exigence ; voir prompting par rôle.
- Les répétitions. Les prompts générés disent souvent la même consigne de trois façons. Une seule phrase claire marche aussi bien et laisse moins de place aux contradictions.
- L'absence de test. Lire un prompt en dit peu sur ses résultats. Lancez-le sur trois ou quatre vraies entrées, dont une difficile, et comparez les sorties avec celles de votre ancien prompt. Itérer sur un prompt explique comment le faire sans vous leurrer.
Un modèle peut aussi vous aider à diagnostiquer un prompt qui a échoué. Quand un prompt donne un mauvais résultat, collez le prompt, l'entrée et la mauvaise sortie, et demandez : "Quelle partie de ce prompt a le plus probablement causé cette sortie ? Propose la plus petite modification qui la corrigerait." Un diagnostic ciblé est plus utile qu'une réécriture complète, car vous apprenez quelle consigne était en cause.
La méthode du chef d'orchestre (Suzgun et Kalai, 2024)
Dans la recherche, "meta-prompting" désigne aussi une méthode précise tirée de l'article de Suzgun et Kalai de 2024, "Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding". Une instance du modèle, le chef d'orchestre, reçoit la tâche avec des consignes générales fixes, identiques pour toutes les tâches. Elle découpe la tâche en morceaux et, pour chacun, écrit un prompt pour un "expert" : un nouvel appel au même modèle, avec des consignes que le chef d'orchestre a rédigées pour ce morceau. Les experts ne voient que ce que le chef d'orchestre leur envoie, pas tout l'historique, ils vérifient donc le travail avec un regard neuf. Le chef d'orchestre lit leurs réponses, demande une vérification quand il doute de l'une d'elles et assemble la réponse finale. Dans certaines expériences, l'un des experts pouvait exécuter du code Python.
Les auteurs l'ont testée avec GPT-4 sur un ensemble de tâches, dont l'énigme Game of 24, trouver un mat en un coup aux échecs, des énigmes de programmation Python et l'écriture de sonnets. En moyenne sur les tâches, la configuration chef d'orchestre avec un interpréteur Python battait le prompting standard et les autres structures de prompting auxquelles ils la comparaient.
C'est un programme, pas un simple message de chat : chaque appel à un expert est une requête séparée faite par votre code, de la même façon que le chaînage de prompts transmet les sorties d'une étape à l'autre. La différence : dans une chaîne, vous concevez les étapes à l'avance, alors que le chef d'orchestre les décide à l'exécution. Cette souplesse coûte plus d'appels et se débogue plus difficilement ; pour une tâche dont vous connaissez déjà les étapes, une chaîne fixe est donc en général le meilleur choix.
Questions fréquentes
Qu'est-ce que le méta-prompting ?
Le méta-prompting consiste à utiliser un modèle de langage pour travailler sur des prompts plutôt que sur la tâche elle-même : lui demander d'écrire un prompt, d'en réécrire un pour obtenir de meilleurs résultats, ou de découper une tâche en sous-prompts pour d'autres appels au modèle. Ce dernier sens désigne la méthode de l'article de Suzgun et Kalai de 2024, "Meta-Prompting", où un appel au modèle coordonne de nouveaux appels au même modèle.
Quel prompt utiliser pour que ChatGPT écrive des prompts ?
Décrivez la tâche à laquelle le prompt est destiné, puis demandez au modèle de vous interroger avant d'écrire quoi que ce soit : "Avant d'écrire le prompt, pose-moi jusqu'à cinq questions sur ce que tu dois savoir." Répondez-y, puis demandez le prompt final dans un bloc de code, avec des emplacements pour les parties qui changent à chaque fois. Les questions apportent l'essentiel de la valeur, car elles font ressortir le contexte que vous aviez oublié de donner.
Les prompts générés par l'IA sont-ils meilleurs que ceux que j'écris ?
Ils sont en général mieux organisés et plus complets, et en général plus longs que nécessaire. Un modèle ne peut pas connaître votre public, vos données ni vos exigences, donc un prompt généré comble ces trous par des suppositions plausibles. Traitez-le comme un brouillon : supprimez tout ce que vous n'avez pas demandé, puis testez-le sur de vraies entrées.
Pourquoi le modèle ajoute-t-il "Tu es un expert" à chaque prompt qu'il améliore ?
Sans doute parce que tant de prompts publiés commencent ainsi que le modèle considère cette phrase comme un élément normal d'un prompt amélioré. Un rôle d'expert générique change rarement grand-chose ; un rôle précis qui nomme le public et le niveau d'exigence, si. Quand vous demandez une amélioration, précisez quels types d'ajouts vous voulez et demandez-lui de ne pas ajouter d'exigences que vous n'avez pas formulées.
