À retenir
- Le prompt engineering commence par une explication claire de la tâche, des contraintes, des exemples et de l’output souhaité.
- De bons prompts peuvent améliorer les résultats, mais ils ne remplacent ni les données, ni l’évaluation, ni la conception du workflow, ni le jugement propre au domaine.
- En entreprise, la compétence utile consiste à savoir quand un prompt suffit et quand le système a besoin de plus de structure.
Regardez la vidéo pour une version plus divertissante!
Parlons de la façon de « parler à l’IA »! Avant d’introduire des termes et des approches trop complexes, la règle est simple : si vous pouvez expliquer précisément ce que vous voulez, vos chances de l’obtenir augmentent. C’est la principale chose à retenir, et vous aurez déjà fait 80 % du travail. Les 20 % restants varient selon la tâche et le LLM. C’est là que les techniques dont nous allons maintenant parler deviennent utiles. Voici donc les meilleurs conseils à retenir lorsque vous promptez un LLM, ce qui fonctionne bien et ce qui ne fonctionne pas.
Pour partir d’une base commune, nous définirons un prompt comme l’input que nous fournissons à un LLM pour lui dire ce que nous voulons. Il prend souvent la forme d’une question, d’une description de tâche ou d’un ensemble d’exemples et d’instructions. Voyez-le comme l’interface entre l’intention humaine et l’output de la machine. Un vieux principe informatique dit : garbage in, garbage out. Si vous fournissez un prompt mal construit, vous obtiendrez probablement une mauvaise réponse.
Le prompt engineering est maintenant devenu, dans certains cas, un titre de poste à part entière. Mais, plus largement, c’est surtout une nouvelle compétence précieuse, un peu comme savoir utiliser Google ou une feuille de calcul. Vous n’avez pas besoin d’un doctorat en apprentissage automatique. Il suffit de vous exercer et de faire preuve de bon sens. Que vous construisiez des produits avec des LLMs ou que vous les utilisiez dans des applications quotidiennes, améliorer vos compétences en prompting sera rentable dans de nombreux rôles.
Les techniques précises de prompting changeront, mais cette compétence consiste fondamentalement à développer une intuition pour utiliser les LLMs, leur donner des instructions et interagir avec eux en langage naturel afin d’obtenir les outputs les plus productifs et de profiter de la technologie.
Certaines formes de prompt engineering sont des « hacks » relativement fragiles que les gens ont trouvés pour obtenir les résultats souhaités du modèle. Mais la discipline plus large consiste simplement à communiquer efficacement avec les LLMs, ce qui peut ressembler beaucoup à une bonne communication entre humains. Plus précisément, il faut souvent donner des instructions claires et concises à ce que vous pouvez considérer comme un « assistant » ou un « stagiaire » assez novice, tout en anticipant les façons dont il pourrait se tromper ou dévier de sa tâche.
En pratique, vous ne pouvez pas anticiper toutes ces erreurs potentielles. Il y aura encore de nouveaux cas limites où votre prompt ne sera pas suivi. Le prompting est donc un processus itératif au cours duquel vous testez et améliorez votre prompt avec le temps, soit dans la même discussion continue, soit en réessayant après avoir modifié les prompts originaux. Pour obtenir le meilleur output, il faut évaluer les résultats sur un large éventail de scénarios d’usage possibles. La patience deviendra alors votre meilleure alliée.
Dans cet article, nous donnerons seulement un aperçu des techniques de prompting les plus populaires et les plus utiles que nous partageons aussi dans notre cours L’IA pour les entreprises. Pour aller plus loin, je recommande fortement la ressource Learn Prompting, au contenu de laquelle nous avons contribué très tôt.
Tout d’abord, vous vous demandez peut-être : « Pourquoi apprendre à prompter puisque je sais déjà communiquer mon intention? »
C’est simple : parce que « votre intention » et la compréhension que l’IA a de « votre intention » sont légèrement différentes, et cette différence influence énormément la qualité de ses réponses. Si vous savez construire un prompt solide, vous guiderez l’IA vers de bien meilleures réponses tout en économisant beaucoup de temps et d’argent. La façon dont vous formulez les choses, les détails que vous incluez et la structure de votre demande jouent tous un rôle dans l’obtention de la meilleure réponse possible.
De plus, les différents modèles d’IA ont chacun leurs particularités. Certains sont bavards, d’autres vont droit au but, et certains suivent mieux les instructions que d’autres. Connaître ces différences vous aide à ajuster vos prompts pour obtenir exactement ce dont vous avez besoin.
Au bout du compte, le prompting est la façon de faire en sorte qu’une IA fasse réellement ce que vous voulez.
L’une des façons les plus simples de prompter un LLM consiste simplement à lui demander. C’est ce qu’on appelle le zero-shot prompting. Vous ne lui donnez aucun exemple ni aucune instruction supplémentaire. Vous lui lancez simplement votre demande pour voir ce qui se passe. Les LLMs sont devenus assez bons pour traiter beaucoup de tâches dès le départ. Si vous lui demandez de résumer un paragraphe, vous pourriez simplement écrire « Résumez le texte suivant : », puis coller le texte à résumer. Si vous avez besoin d’une traduction rapide, vous pourriez dire quelque chose comme « Traduisez la phrase “I am learning how to code” en espagnol. » Parfois, c’est tout ce qu’il faut.
Aucune préparation, aucun contexte. Une simple demande directe. Et parfois, cela fonctionne parfaitement. D’autres fois, l’IA produit n’importe quoi, ce qui explique pourquoi il existe des façons plus structurées de prompter, comme le few-shot prompting.
Parfois, les LLMs ont besoin d’un peu plus d’aide pour comprendre ce que vous leur demandez. Fournir quelques exemples de tâches et de réponses peut faire une grande différence. C’est ce qu’on appelle l’apprentissage en contexte ou few-shot prompting. En voyant quelques exemples d’inputs et d’outputs, l’IA repère des tendances et les applique à des tâches semblables. Cela améliore à la fois la précision et la cohérence du style.
Par exemple, si vous voulez que le LLM résume des romans en une seule phrase, vous pouvez d’abord lui donner quelques exemples comme ceux-ci :
Moby-Dick pourrait être décrit en une ligne ainsi : Achab, un capitaine de navire animé par la vengeance, pourchasse obsessionnellement la baleine blanche qui l’a mutilé.
Orgueil et Préjugés pourrait être expliqué ainsi : Elizabeth Bennet navigue entre l’amour, les classes sociales et les malentendus dans l’Angleterre de la Régence.
Puis demandez peut-être à l’IA de faire la même chose pour Frankenstein →
Le LLM pourrait alors répondre par quelque chose comme ceci
Un scientifique crée une créature douée de conscience, mais recule d’horreur, déclenchant une tragique chaîne d’événements.
C’est bien mieux que de simplement dire « Résumez Frankenstein », parce que l’IA comprend maintenant le format et le ton que vous recherchez. En gros, vous lui enseignez comment réfléchir à l’aide d’exemples.
Cette idée n’est pas nouvelle. Un article scientifique révolutionnaire, Language Models are Few-Shot Learners (GPT-3), a montré comment l’IA moderne peut accomplir toutes sortes de tâches langagières après avoir vu seulement quelques exemples, alors qu’il fallait auparavant d’énormes quantités de données d’entraînement pour chaque tâche précise. Pour les LLMs actuels, l’apprentissage few-shot est courant, mais à l’époque, il a changé la donne. Et il change encore la donne! C’est toujours la première chose que j’essaie lorsque je m’attaque à une nouvelle tâche.
Mais l’apprentissage few-shot a aussi ses limites, surtout pour les tâches complexes. Des techniques plus avancées comme le prompting chain-of-thought deviennent alors utiles en aidant l’IA à réfléchir aux problèmes étape par étape. C’est nécessaire parce que les LLMs ont l’habitude de sauter directement aux réponses, en omettant parfois des étapes importantes du raisonnement. Vous ne voulez pas répondre directement à une équation mathématique complexe ou à une énigme qui vous casse la tête. Vous prenez votre temps et la décomposez en plusieurs étapes. Le chain-of-thought (CoT) encourage le modèle à faire exactement cela et à ralentir pour expliquer son processus de réflexion avant de donner une réponse finale. C’est comme obliger le modèle à « penser à voix haute ». Parfois, il suffit de dire « Réfléchissons étape par étape » pour que le modèle décompose un problème en étapes plus petites et logiques plutôt que de se précipiter vers une conclusion.
Vous verrez surtout les avantages de cette technique pour les questions de logique et de raisonnement. Par exemple, un fermier a 48 pommes, en vend 20, puis répartit le reste également dans quatre paniers. Combien de pommes y a-t-il dans chaque panier? Si le LLM essaie de résoudre le problème en un seul coup, il fera probablement une erreur. Mais si vous le guidez en disant « Réfléchissons-y étape par étape », il répondra probablement quelque chose comme : « 48 moins 20 donne 28, et 28 divisé par 4 donne 7. » Grâce à cette décomposition, la réponse finale, 7, est beaucoup plus fiable.
Cela dit, le prompting chain-of-thought ne fonctionne pas toujours parfaitement. Son efficacité dépend du modèle et de la tâche. Il est particulièrement utile pour l’arithmétique, la logique et le raisonnement symbolique, mais n’aide pas toujours avec d’autres types de problèmes.
Vous pensez probablement que chaque avantage vient avec une limite, mais c’est une excellente chose, car vous pouvez maintenant utiliser directement la technique qui fonctionne pour votre catégorie de tâche et réduire les essais et erreurs. Ces techniques seront probablement de moins en moins nécessaires à mesure que les LLMs évolueront, mais elles aident encore à améliorer les résultats. De nouvelles techniques feront leur apparition, et nous nous assurerons de les couvrir sur la chaîne et dans notre cours.
De nos jours, les modèles de raisonnement comme o1 d’OpenAI et r1 de DeepSeek effectuent automatiquement ce raisonnement semblable au chain-of-thought, dans le but de « dépenser plus de tokens » pour les requêtes complexes et moins pour les plus simples. Comme nous dépensons plus d’énergie mentale pour répondre à une question compliquée.
Le prompting de rôle est une autre technique utile. Parfois, l’IA a besoin d’un peu de jeu de rôle pour adopter le bon état d’esprit.
Par exemple, si vous demandez « Vous êtes professeur de physique. Expliquez les lois du mouvement de Newton en termes simples », l’IA adoptera le rôle d’un enseignant patient et décomposera clairement les concepts. Mais si vous dites « Vous êtes humoriste de stand-up. Expliquez les lois du mouvement de Newton », vous obtiendrez une version plus humoristique. L’information fondamentale reste la même, mais le ton et l’angle changent selon le rôle que vous attribuez.
Cette approche fonctionne dans différents domaines parce qu’elle donne au LLM un ensemble implicite de règles à suivre. C’est un peu comme la façon dont vous ajustez naturellement votre manière de parler selon que vous vous adressez à votre patron ou à votre animal de compagnie, du moins je l’espère.
Les modèles plus récents comme o1 d’OpenAI sont conçus différemment des chatbots traditionnels. Au lieu de dépendre d’astuces comme le prompting de rôle ou le prompting chain-of-thought, vous n’avez pas à les guider étape par étape comme un stagiaire. Vous pouvez les traiter davantage comme des analystes de niveau intermédiaire ou même de niveau expert (tout en gardant en tête qu’ils présentent parfois des défauts dignes d’un stagiaire). La clé pour obtenir les meilleurs résultats consiste à fournir dès le départ un contexte détaillé et structuré. Plutôt que d’aller et venir pour raffiner un prompt vague, mieux vaut commencer avec un brief bien réfléchi qui inclut toute l’information pertinente, comme les schémas de bases de données, les tentatives précédentes ou les détails sur le format souhaité de la réponse. Avec ces modèles, l’accent devrait être mis sur le fait de leur donner dès le départ tous les détails dont ils ont besoin, afin qu’ils puissent générer une réponse bien raisonnée sans directives supplémentaires. Cette approche aide o1 à générer du code complexe, des analyses structurées ou des explications techniques en un seul passage. Même s’il est puissant dans ces domaines, ce n’est pas le meilleur choix pour des tâches créatives comme écrire un haïku, que les LLMs traditionnels accomplissent plus rapidement et à moindre coût.
Il existe aussi ce qu’on appelle les prompts système. Ce sont des instructions supplémentaires, parfois cachées, qui façonnent le comportement d’un modèle tout au long d’une conversation. Contrairement aux prompts utilisateur, qui sont fournis pendant une interaction, les prompts système sont définis au début et établissent des directives générales pour les réponses du modèle. Ils définissent son ton, assurent la cohérence, imposent des règles éthiques et guident la structure de l’information.
Par exemple, dans un outil de résumé de nouvelles, un prompt système pourrait demander au modèle de toujours formater ses réponses sous forme de liste à puces. De même, DALL·E d’OpenAI utilise des prompts système pour raffiner la génération d’images. Si vous demandez une image d’un robot IA, le modèle pourrait développer automatiquement votre demande afin que l’image générée respecte les normes éthiques et produise un résultat clair et structuré.
Les prompts système ne sont pas tous visibles ou modifiables par les utilisateurs. Lorsqu’on discute avec GPT-4o dans ChatGPT, le modèle fonctionne sous un prompt système invisible qui influence son comportement, et les utilisateurs ne peuvent pas le modifier. Par contre, les développeurs qui interagissent avec GPT-4o par programmation à l’aide d’une API peuvent fournir leur propre prompt système pour personnaliser la réponse du modèle et adapter son comportement à des besoins ou à des applications précises.
Toutes ces techniques constituent un excellent point de départ. Mais si vous pensez qu’elles vous donneront l’output parfait du premier coup, vous serez déçu. Trouver le prompt parfait au premier essai n’arrive pas toujours. Souvent, il faut quelques tentatives. Il faut alors une approche itérative. Vous commencez avec un prompt, regardez ce que le modèle vous donne, l’ajustez et réessayez. C’est un processus d’aller-retour au cours duquel vous raffinez graduellement votre demande pour obtenir exactement ce dont vous avez besoin. Même les experts n’y arrivent pas du premier coup. Ils testent, expérimentent et raffinent.
Disons que vous demandez « Parlez-moi de la Révolution française. » Le LLM pourrait vous donner une longue réponse détaillée alors que vous vouliez seulement un résumé rapide. Vous pourriez raffiner votre demande ainsi : « Donnez-moi trois faits clés sur la Révolution française. » Si la réponse est encore trop formelle ou trop longue, vous pourriez l’ajuster davantage : « Expliquez maintenant ces faits dans un seul paragraphe au ton décontracté. » Avec ces petits ajustements, vous façonnez la réponse de l’IA pour qu’elle corresponde à vos attentes.
Un bon workflow consiste à rédiger un prompt, le tester, examiner l’output, ajuster la formulation et recommencer jusqu’à obtenir ce que vous voulez. Chaque itération vous rapproche de la réponse idéale. Une réponse imparfaite n’est pas un échec. C’est simplement du feedback. Si le LLM n’a pas interprété votre demande comme vous le souhaitiez, reformulez-la ou ajoutez plus de détails, puis réessayez.
Au bout du compte, écrire de bons prompts revient à être clair et précis. Plus les instructions sont précises, meilleurs sont les résultats. Si un prompt ne fonctionne pas, il est essentiel de le raffiner rapidement. Une bonne approche consiste à anticiper les façons dont l’IA pourrait mal interpréter la demande, à tester les prompts dans différentes conditions et à éviter les suppositions sur ce que le modèle comprend. La simplicité aide aussi. Les prompts devraient être directs, sans complexité inutile. Il est important d’équilibrer les cas généraux et les cas limites en réfléchissant à la façon dont le prompt fonctionnera dans des situations réelles.
Une chose que vous devez toujours garder à l’esprit, c’est que les LLMs inventent parfois des choses. Ce sont les hallucinations, qui surviennent lorsque le modèle présente avec assurance de l’information fausse ou trompeuse. Le cas le plus courant est celui des erreurs factuelles, comme affirmer que New York est la capitale des États-Unis. Les données d’entraînement désuètes posent aussi problème. Si vous demandez qui est le 47e président des États-Unis, mais que le modèle a été entraîné pour la dernière fois avant l’élection, il n’aura pas l’information la plus récente et pourrait deviner.
Parfois, les hallucinations découlent de la façon dont nous formulons un prompt. Si nous demandons à un LLM de confirmer quelque chose de faux ou si nous lui fournissons de l’information incomplète, il peut la prendre pour un fait et construire sa réponse dessus. Malheureusement, il est impossible d’éliminer complètement les hallucinations en raison du fonctionnement des LLMs. Ils génèrent des réponses à partir de tendances, sans accès direct à une base de connaissances en temps réel. C’est pourquoi il est toujours bon de vérifier vous-même l’information importante, surtout lorsqu’elle est factuelle ou que les enjeux sont élevés.
Cela dit, il existe maintenant une solution partielle. Vous pouvez demander au LLM de fournir des sources en activant la recherche Web lorsqu’elle est disponible. ChatGPT, par exemple, cite seulement des sources lorsque la navigation est activée. Si le chatbot que vous utilisez n’a pas accès au Web, il ne pourra pas récupérer des références en temps réel. Compter sur ses citations sans les vérifier n’est donc pas une bonne idée. Lorsque l’exactitude compte, prenez les réponses des LLMs avec un grain de sel et vérifiez-les auprès de sources fiables.
En fin de compte, obtenir de bons résultats d’un LLM est un processus continu de raffinement. La clarté, le contexte et la précision font toute la différence. Un prompt vague peut mener à des réponses non pertinentes ou même incorrectes, tandis qu’un prompt bien structuré donne au LLM une voie claire à suivre. Comme un modèle de langage aussi avancé ne vient pas avec un manuel d’utilisation adapté à chaque requête, votre prompt fait office de manuel. Voyez le prompt engineering comme l’apprentissage d’une nouvelle façon de communiquer, qui fait le pont entre l’intention humaine et la compréhension de la machine. Il ne faut pas d’expertise technique, seulement de la pratique et la volonté d’expérimenter.
Enfin, rappelez-vous que les modèles répondent différemment. L’optimisation des prompts n’est donc pas universelle. Les modèles de raisonnement comme o1 demandent une approche distincte, tandis que les LLMs traditionnels profitent de techniques de prompting plus structurées. Si vous avez aimé cet article, découvrez notre cours complet pour les entreprises sur la Towards AI Academy!
Merci d’avoir lu, et on se retrouve dans le prochain article!
FAQ
Qu’est-ce que le prompt engineering pour les gens d’affaires?
C’est la pratique qui consiste à donner aux systèmes d’IA des tâches, du contexte, des exemples et des contraintes clairs afin que leurs outputs soient plus faciles à utiliser.
Faut-il des compétences techniques pour écrire de meilleurs prompts?
Vous n’avez pas besoin d’un doctorat, mais vous devez réfléchir clairement, fournir des exemples et être capable de juger si la réponse est utile.
Quel est le piège du prompt engineering?
Le piège consiste à blâmer le prompt pour tout. Certains problèmes exigent de la recherche d’information, des outils, un nettoyage des données ou un autre workflow.
Quand un prompt d’entreprise devrait-il inclure des exemples?
Les exemples aident lorsque l’output doit respecter un ton, une structure, une règle de classification ou un comportement précis dans les cas limites.
Pourquoi demander à un modèle de décomposer une tâche difficile?
Les étapes intermédiaires peuvent réduire les réponses précipitées, même si le résultat final doit tout de même faire l’objet d’une vérification indépendante.
Pourquoi traiter un LLM comme un assistant compétent, mais inexpérimenté?
Vous devez préciser l’objectif, le contexte, les contraintes et les points d’échec probables au lieu de supposer qu’il sait déjà comment vous voulez que la tâche soit traitée.