Maîtrise de l'Ingénierie des Prompts — L'Art de Parler à l'IA

Pourquoi les Prompts Comptent — Déchets en Entrée, Déchets en Sortie 🗑️

Vous avez appris comment fonctionnent les LLM. Maintenant vient la compétence la plus importante en pratique : l'ingénierie des prompts — formuler des instructions qui obtiennent les résultats souhaités.

❌ Mauvais prompt :  "Parle-moi du climat"
   → Essai vague de 2 000 mots

✅ Bon prompt :  "Explique trois causes clés du changement climatique
                  en points, adapté pour un adolescent de 14 ans.
                  Limite à 100 mots."
   → Réponse ciblée et utile

---

Techniques de Base : Zero-Shot, Few-Shot, Chaîne de Pensée 🎯

Prompting Zero-Shot

Donnez au modèle une tâche sans exemples. Repose entièrement sur l'entraînement du modèle.

Prompting Few-Shot

Fournissez quelques exemples avant votre demande. Le modèle apprend le pattern :

"Classifie ces avis :
Avis : 'J'adore ce produit !'     → POSITIF
Avis : 'Cassé après deux jours.'  → NÉGATIF
Avis : 'Ça va, rien de spécial.'  → NEUTRE

Avis : 'Le design est élégant mais le logiciel plante souvent.'
Sentiment : "

Réponse : "NÉGATIF"

Chaîne de Pensée (CoT)

Demandez au modèle de réfléchir étape par étape :

"Un train parcourt 120 km en 2 heures, puis accélère de 50%.
Quelle distance parcourt-il dans les 3 heures suivantes ?
Réfléchissons étape par étape."

→ Étape 1 : Vitesse = 120 / 2 = 60 km/h
→ Étape 2 : Augmentation de 50% = 60 × 1.5 = 90 km/h
→ Étape 3 : Distance en 3h = 90 × 3 = 270 km ✓

---

Prompts Système et Jeu de Rôle 🎭

Un prompt système définit le comportement et les contraintes du modèle :

messages = [
    {
        "role": "system",
        "content": """Vous êtes un réviseur de code Python senior.
        Règles :
        - Ne commentez que les bugs, problèmes de sécurité et performance
        - Ignorez le style et le formatage
        - Classez la sévérité : BAS / MOYEN / HAUT / CRITIQUE"""
    },
    {
        "role": "user",
        "content": "Révisez ce code :\n\ndef login(user, pwd):\n    query = f'SELECT * FROM users WHERE name=\"{user}\"'\n    return db.execute(query)"
    }
]

Structure efficace : RÔLE → TÂCHE → CONTRAINTES → FORMAT → EXEMPLES

---

RAG : Génération Augmentée par Récupération 📚

Les LLM ont une date limite de connaissances et peuvent halluciner. Le RAG corrige les deux en donnant au modèle accès à vos propres données : Indexer → Récupérer → Augmenter → Générer.

def answer_with_rag(question, document_store):
    relevant_chunks = document_store.search(question, top_k=3)
    context = "\n\n".join(chunk.text for chunk in relevant_chunks)

    prompt = f"""Répondez UNIQUEMENT basé sur le contexte fourni.

Contexte :
{context}

Question : {question}
Réponse :"""

    return llm.generate(prompt)

---

Sorties Structurées et Techniques Avancées 🔧

Pour les applications de production, utilisez le mode JSON ou l'appel de fonctions :

response = client.chat.completions.create(
    model="gpt-4o",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Extraire les infos produit en JSON : nom, prix, catégorie"},
        {"role": "user", "content": "Le casque Sony WH-1000XM5 coûte 349€ en Électronique."}
    ]
)

Techniques avancées : l'auto-cohérence (voter entre plusieurs réponses) et l'arbre de pensée (explorer plusieurs branches de raisonnement) poussent la précision encore plus loin.

---

Pratique : Construire une Bibliothèque de Prompts 🛠️

PROMPT_LIBRARY = {
    "résumer": """Résumez le texte suivant en {length} points.
Texte : {text}""",

    "expliquer": """Expliquez {concept} à un {audience}.
Utilisez des analogies du quotidien.
Limite : {word_limit} mots.""",

    "extraire": """Extrayez les champs suivants en JSON :
Champs : {fields}
Texte : {text}""",
}

def build_prompt(template_name, **kwargs):
    template = PROMPT_LIBRARY[template_name]
    return template.format(**kwargs)

prompt = build_prompt(
    "expliquer",
    concept="l'informatique quantique",
    audience="adolescent curieux de 15 ans",
    word_limit=150
)

---

Récapitulatif 🎯

1. La qualité du prompt détermine la qualité de la sortie
2. Zero-shot pour les tâches simples ; few-shot ajoute des exemples ; chaîne de pensée pour le raisonnement complexe
3. Les prompts système définissent le rôle et les règles du modèle
4. Le RAG ancre les réponses dans vos propres données
5. Les sorties structurées rendent les LLM prêts pour la production
6. Construisez une bibliothèque de prompts — des modèles réutilisables et testés

---

Et Ensuite ? 🚀

Vous maîtrisez maintenant les trois piliers de la pratique IA moderne : architectures profondes, modèles de langage et ingénierie des prompts. Prochainement : la conception de systèmes IA. 🏕️