Formation : Le prompt

Module 1 — Anatomie d'un prompt efficace

• Distinguer les quatre briques fondamentales : rôle, contexte, tâche et format de sortie attendu.
• Rédiger des instructions spécifiques et positives : décrire ce qu'il faut faire plutôt que ce qu'il faut éviter.
• Utiliser le prompt système pour fixer la persona et les contraintes, et le prompt utilisateur pour la demande concrète.
• Spécifier explicitement le format de réponse (liste, tableau, JSON, longueur) pour obtenir des sorties exploitables.
• Comprendre la différence entre zero-shot (aucune démonstration) et prompt instruit, et quand chacun suffit.

Module 2 — Few-shot et exemples de démonstration

• Appliquer le few-shot prompting : fournir quelques paires entrée/sortie de qualité pour conditionner le modèle.
• Mesurer l'impact de l'ordre des exemples et de leur diversité sur la stabilité des résultats.
• Choisir des démonstrations représentatives des cas réels afin de réduire les biais de sélection.
• Arbitrer entre zero-shot, one-shot et few-shot selon la complexité de la tâche et le budget de tokens.
• Éviter la sur-spécialisation : trop d'exemples similaires peuvent enfermer le modèle dans un schéma unique.

Module 3 — Chaînage de raisonnement

• Mettre en œuvre le chain-of-thought : demander un raisonnement étape par étape avant la réponse finale.
• Utiliser le zero-shot CoT via des amorces comme « raisonnons étape par étape » pour les tâches de logique.
• Décomposer un problème complexe en sous-tâches enchaînées (prompt chaining) pour fiabiliser le résultat.
• Réserver le chaînage de raisonnement aux tâches de raisonnement, calcul ou analyse, où il apporte un gain réel.
• Séparer la trace de raisonnement de la réponse finale pour garder des sorties propres et vérifiables.

Module 4 — Fiabilisation et réduction des erreurs

• Appliquer la self-consistency : générer plusieurs réponses et retenir la réponse majoritaire.
• Contraindre le modèle à citer ses sources ou à signaler son incertitude pour limiter les hallucinations.
• Fournir les données de référence dans le contexte plutôt que de compter sur la mémoire du modèle.
• Définir des critères de vérification explicites que la sortie doit respecter avant d'être acceptée.
• Tester la robustesse en variant la formulation du prompt, car de petits changements modifient fortement les résultats.

Module 5 — Itération et industrialisation

• Adopter une démarche empirique : tester, mesurer, comparer les versions d'un prompt sur des cas réels.
• Constituer un jeu d'évaluation de cas types pour objectiver les améliorations.
• Documenter et versionner les prompts comme des artefacts réutilisables au sein d'une équipe.
• Ajuster les prompts en fonction du modèle cible, l'efficacité variant sensiblement d'un modèle à l'autre.
• Surveiller la consommation de tokens et le coût pour équilibrer qualité de sortie et budget.

Few-shot : montrer plutôt que décrire

Donnez 2 à 5 exemples d'entrée/sortie. Le modèle imite le motif, ce qui est souvent plus efficace qu'une longue consigne.

Chaîne de raisonnement

Pour les tâches qui demandent de la logique, invitez le modèle à détailler ses étapes avant de conclure. Cela réduit les erreurs sur les problèmes en plusieurs étapes.

Découper la tâche

Un gros problème se résout mieux en plusieurs prompts enchaînés : d'abord un plan, puis la rédaction, puis la relecture. C'est la base du travail avec des agents.

Garde-fous

• Demandez au modèle de dire « je ne sais pas » plutôt que d'inventer.
• Fixez des critères de validation explicites (« vérifie que chaque point cite une source »).