✍️ LLM · Page 5/5

L'art du prompt

Comment bien formuler ses demandes pour obtenir des réponses précises et utiles

La métaphore

Un LLM, c'est comme un stagiaire ultra-compétent mais très littéral. Il fait exactement ce que tu lui demandes. Si ta demande est vague, la réponse sera vague. Si tu lui donnes un contexte précis, un rôle clair, et un format attendu — il te donnera quelque chose d'excellent. La qualité de la sortie dépend directement de la qualité de l'entrée.

Pourquoi le prompt est crucial

La même question formulée différemment peut produire des résultats radicalement différents. Voici un exemple frappant :

❌ Prompt vague

"Parle-moi de Python"

✅ Prompt précis

"Tu es formateur Python pour débutants. Explique la différence entre une liste et un tuple en 3 points, avec un exemple de code simple pour chacun."

Le premier prompt génère un article généraliste d'encyclopédie. Le second génère exactement ce dont tu as besoin.

Les 4 piliers d'un bon prompt

🎭 Le rôle

« Tu es un expert en… », « Tu es un enseignant qui… ». Le rôle oriente le ton et le niveau de détail.

📋 Le contexte

Qui tu es, pourquoi tu poses cette question, à qui s'adresse la réponse. Plus le LLM a de contexte, mieux il répond.

🎯 La tâche

Ce que tu veux exactement — « résume », « compare », « écris un email », « liste 5 idées ».

📐 Le format

« En 3 points », « en 100 mots max », « sous forme de tableau ». Le LLM respecte le format demandé.

Le Chain-of-Thought : raisonner étape par étape

Pour les problèmes complexes (logique, maths, planification), ajouter « Raisonne étape par étape avant de répondre » améliore considérablement les résultats.

Pourquoi ? Parce que ça force le LLM à « montrer son travail », ce qui réduit les erreurs logiques. C'est comme demander à un élève de ne pas juste donner la réponse, mais d'écrire tous les intermédiaires de calcul.

ℹ️ Chain-of-Thought en pratique

Essaie de remplacer « Quelle est la réponse ? » par « Réfléchis étape par étape, puis donne la réponse. » Sur des problèmes complexes, la différence est souvent spectaculaire.

Le Few-shot : montrer des exemples

Plutôt qu'expliquer ce que tu veux (ce qui peut être ambigu), montre des exemples de ce que tu attends. Le LLM comprendra le pattern et le reproduira.

Exemple de few-shot

# Transforme ces phrases en titres accrocheurs :

# Exemple 1 :

# Original : "Les pommes sont bonnes pour la santé"

# Titre : "5 raisons étonnantes de manger une pomme par jour"

# Exemple 2 :

# Original : "Le sport améliore l'humeur"

# Titre : "Ce que 30 minutes de marche font vraiment à ton cerveau"

# Maintenant transforme :

# Original : "L'IA peut aider les médecins à diagnostiquer"

# Titre :

Le prompt système

Quand tu utilises un chatbot commercial (Claude, ChatGPT…), il y a souvent un prompt système caché — un ensemble d'instructions permanentes que tu ne vois pas mais qui définit le comportement de l'assistant.

Dans Claude Code par exemple, le prompt système est très long : il définit le comportement, les outils disponibles, la façon de coder, les priorités de sécurité… C'est la « personnalité » de l'assistant.

💡 Pour les développeurs

Quand tu crées ta propre application IA via l'API, c'est toi qui écris le prompt système. C'est là que tu définis le rôle, les règles de comportement, et les instructions permanentes de ton assistant.

Les erreurs les plus communes

Trop vague : « Aide-moi avec mon projet » → que faire exactement ?

Trop long et confus : 5 demandes dans un seul message → le LLM fait un mix

Aucun format spécifié : tu veux un tableau ? demande-le explicitement

Pas de contexte : sans savoir à qui s'adresse la réponse, le niveau sera aléatoire

Accepter la première réponse : « Reformule en plus court » ou « Refais en changeant X » est souvent la meilleure option

✅ Le secret du bon prompting

Traite le LLM comme quelqu'un qui veut vraiment bien faire — mais qui n'a aucun contexte sur ta vie, ton projet, ou tes attentes. Donne-lui tout le contexte dont il a besoin. Aucun détail n'est trop évident.

🤖 Agent IA — Vue d'ensemble

→