Guide · Prompting
Comment apprendre le prompt engineering
Le prompt engineering consiste à obtenir d'un modèle de langage un résultat fiable délibérément plutôt que par chance. Cela couvre le choix du modèle, le contexte qu'on lui donne, la structuration de la demande pour que la réponse soit vérifiable, et le test qui dit si une modification a amélioré quelque chose ou seulement changé quelque chose.
Combien de temps faut-il pour l'apprendre ?
Les patterns se lisent en un après-midi et se sentent en une semaine. L'évaluation, qui est ce qui sépare un praticien de quelqu'un qui a un bon prompt, demande un mois sur du travail réel. Les astuces vont vite. Le jugement non.
Le chemin le plus rapide, dans l'ordre
- 01
Comprendre ce que fait le modèle
Tokens, fenêtre de contexte, température, et le fait qu'il prédit au lieu de retrouver. Toutes les bonnes habitudes de prompting découlent de là, et toutes les superstitions viennent de ne pas l'avoir compris.
- 02
Choisir le modèle avant d'écrire le prompt
Un modèle de raisonnement, un modèle rapide et bon marché et un modèle à long contexte échouent dans des directions différentes. La moitié de ce qu'on appelle un problème de prompt est un problème de choix de modèle, et tester trois modèles ne coûte rien.
- 03
Donner du contexte, pas des adjectifs
Des exemples du résultat attendu battent n'importe quelle quantité de consignes du type sois professionnel. Deux ou trois exemples travaillés dans le prompt surpassent presque toujours un paragraphe de description.
- 04
Rendre la sortie vérifiable
Demandez une structure que vous pouvez valider : des champs, un schéma, une liste d'une longueur annoncée. Une réponse contrôlable par machine est une réponse à laquelle on peut faire confiance en volume, et c'est ce qui rend un prompt utilisable dans un produit.
- 05
Construire un petit jeu d'évaluation
Vingt entrées réelles avec la réponse que vous accepteriez. Passez chaque modification de prompt dessus. Sans ça vous n'améliorez rien, vous changez et vous vous souvenez des bons essais.
- 06
Savoir où le prompting s'arrête
Certains problèmes sont des problèmes de recherche documentaire, d'autres demandent des outils, d'autres un autre modèle. Reconnaître le plafond évite la semaine passée à reformuler contre un mur.
Les outils qui valent votre temps
| Outil | À quoi ça sert |
|---|---|
| Anthropic Console | Atelier pour tester des prompts sur les modèles Claude côte à côte, avec variables. |
| OpenAI Playground | Même principe pour les modèles GPT : paramètres exposés, sorties comparées directement. |
| Google AI Studio | Surface gratuite pour tester Gemini, généreuse sur les essais en long contexte. |
| promptfoo | Évaluation open source : un prompt passé sur des cas et des modèles, et ce qui a régressé. |
| LangSmith | Traçage et évaluation des prompts qui tournent à l'intérieur d'une application. |
| Un simple tableur | Vingt entrées, réponses attendues, une colonne par version de prompt. Sans gloire et suffisant. |
Les bibliothèques de prompts valent environ un après-midi de lecture et rien ensuite. Les patterns sont publics et peu nombreux. Ce qui ne se transfère pas, c'est de savoir lequel s'applique à votre problème, et cela vient uniquement de vos propres cas.
Les erreurs qui coûtent des semaines
Traiter les prompts comme des formules magiques
Ajouter tu es un expert de classe mondiale partout. Le cadrage par rôle aide parfois, mais c'est négligeable à côté de donner au modèle un exemple concret du résultat voulu.
Changer trois choses à la fois
La réponse s'est améliorée, et vous ne savez pas quelle modification l'a fait. Un changement, un passage sur vos cas. C'est l'habitude qui transforme le prompting en travail plutôt qu'en folklore.
Juger un prompt sur une bonne réponse
Les modèles sont variables par construction. Un prompt qui a produit une chose brillante une fois et médiocre quatre fois est moins bon qu'un prompt régulier, et on ne peut pas les distinguer sans les passer plusieurs fois.