Partagé par Extrait d’une formation sur le prompting :
Cet extrait présente quelques techniques de “prompting“, c’est-à-dire la manière de formuler une demande efficace à un modèle d’IA générative. Ces systèmes ne “devinent” pas l’intention de l’utilisateur : le rôle du prompt est donc de fournir un contexte suffisamment riche pour réduire l’ambiguïté et orienter la réponse vers ce qui est réellement attendu. Par exemple, la technique du “few-shot”, consiste à fournir un ou plusieurs exemples de la tâche attendue ; cette technique est particulièrement efficace lorsque l’on souhaite que le modèle adopte un style, une méthode ou une structure spécifiques.
L’extrait aborde également une démarche essentielle dans les usages réels des IA : le prompting itératif, dans lequel l’utilisateur discute avec le modèle pour clarifier les objectifs, préciser les contraintes ou affiner la demande. Cette interaction peut être mise à profit dans une logique de brainstorming : l’IA contribue elle-même à la formulation du prompt optimal, en s’appuyant sur l’analyse de la conversation en cours. Autrement dit, l’utilisateur ne produit pas seul son prompt ; il le co-construit avec le modèle.
L’ingénierie du prompt est en train de devenir une technique sophistiquée, notamment dans les environnements industriels où un prompt peut être lancé des milliers de fois par jour, dans des processus automatisés (workflows agentiques). Dans ces contextes, les prompts sont calibrés, testés et versionnés, parfois adaptés à un modèle particulier, voire optimisés par des méthodes expérimentales systématiques.
Mais cette sophistication n’est pas nécessaire pour un usage courant des enseignants, des étudiants ou des chercheurs : dans la plus part des cas les deux enjeux majeurs sont :
- connaître les limites du modèle utilisé, c’est-à-dire ce qu’il peut faire, ce qu’il ne peut pas faire, et les risques d’erreur propres à sa génération ;
- définir clairement le cahier des charges, en explicitant les objectifs, le format attendu, les contraintes et les contextes disciplinaires (éventuellement formaliser des exemples pour les rajouter au contexte du chat : few-shot).
Partant de là, l’une des techniques les plus efficaces consiste précisément à tirer parti de la capacité conversationnelle de l’IA pour l’amener à construire elle-même un prompt optimisé. Le rôle de l’utilisateur n’est plus de trouver d’emblée la meilleure formulation, mais d’encadrer progressivement la demande, comme on le ferait avec un étudiant ou un collègue à qui l’on confie une tâche : préciser, reformuler, tester, ajuster. Cette méthode, simple et accessible, permet déjà d’obtenir des résultats fiables et adaptés dans la grande majorité des usages pédagogiques ou professionnels non industriels. Un exemple de cette technique présenté dans l’extrait est basé le “méta-prompt” suivant : le but de ce prompt est d’engager et de guider l’utilisateur dans un “brainstorming” dont le but est de produire d’affiner le cahier des charge de la demande afin de produire un prompt optimisé.
Ton objectif est de m'aider à créer le meilleur prompt possible pour répondre à ma demande : voilà le processus décrit étape par étape
1. Ta première réponse sera de me demander de décrire le sujet du prompt. Je te répondrai en fournissant ma réponse, mais nous devrons l'améliorer par des itérations continues en passant par les étapes suivantes.
2. Sur la base de ma description du sujet du prompt à l'étape 1), tu dois :
a) me proposer un prompt révisé : la reformulation doit être claire et structurée
b) me proposer des suggestions à inclure dans le prompt pour l'améliorer. Tes suggestions sont numérotées S1, S2,...
c) me poser des questions pertinentes concernant les informations supplémentaires dont tu as besoin pour améliorer le prompt. Tes questions sont numérotées Q1, Q2,... 3.
A partir des éléments de mes réponses aux questions que tu m'as posées en c) tu dois me proposer une version améliorée et complétée du prompt. 4. Il faut réitérer les étapes 2) et 3) tant que tu penses pouvoir améliorer le prompt.
As-tu compris mes instructions ?Langage du code : Markdown (markdown) 
