Garden of KnowledgeApplied Sciences › Computer Science › Software › Data Science › Machine Learning › LLM

March 20, 2026

Prompt Engineering

Le prompt engineering est l’art de formuler les instructions données à un LLM pour obtenir les réponses les plus précises, utiles et cohérentes. C’est une compétence clé pour exploiter les modèles de langage efficacement.

Anatomie d’un Bon Prompt§

graph TD
    P["Prompt efficace"]
    R["Rôle / Persona\nTu es un expert en..."]
    C["Contexte\nInformations de fond nécessaires"]
    T["Tâche\nCe que tu veux exactement"]
    F["Format\nListe · JSON · Code · Markdown"]
    E["Exemples\n(few-shot) si nécessaire"]
    CON["Contraintes\nLongueur · Langue · Ton"]

    P --> R
    P --> C
    P --> T
    P --> F
    P --> E
    P --> CON

Principe fondamental : soyez aussi précis qu’une spécification technique. Un humain qui ne connaît pas le contexte doit pouvoir exécuter la tâche en lisant votre prompt.

Techniques Fondamentales§

Zero-shot : demander directement sans exemples

Traduis ce texte en anglais : "Le soleil brille."

Few-shot : fournir des exemples pour guider le format ou le style

Classifie le sentiment (positif/négatif/neutre) :

"J'adore ce produit" → positif
"Livraison en retard" → négatif
"Le colis est arrivé" → neutre
"Ce service est fantastique" → ?

Chain-of-Thought (CoT) : demander de raisonner étape par étape

Résous ce problème étape par étape :
Si un train roule à 80 km/h et parcourt 240 km, combien de temps dure le trajet ?

Zero-shot CoT : ajouter “Pense étape par étape” ou “Let’s think step by step”

Améliore significativement le raisonnement arithmétique et logique

Prompts Système vs Utilisateur§

Type	Rôle	Exemple
System prompt	Définit le comportement global du modèle	”Tu es un assistant juridique expert en droit français. Réponds toujours en citant tes sources.”
User message	La requête de l’utilisateur	”Quelle est la durée de prescription d’une dette commerciale ?”
Assistant message	Réponse du modèle (peut être préfixée)	Utilisé dans le few-shot pour guider le style

Techniques Avancées§

Role prompting : assigner un persona expert

Tu es un ingénieur senior spécialisé en sécurité des systèmes embarqués.
Analyse les risques de ce code C en termes de buffer overflow :
[code]

Prompt chaining : décomposer une tâche complexe en étapes

Étape 1 : Résume ce document en 5 points clés.
Étape 2 : Pour chaque point, génère une question de compréhension.
Étape 3 : Évalue les réponses à ces questions.

Self-consistency : générer plusieurs réponses et prendre la majorité

Utile pour les problèmes de raisonnement où les LLM sont inconsistants

ReAct (Reason + Act) : alterner raisonnement et appel d’outils

Pensée : Je dois chercher le prix actuel de l'or.
Action : [search("prix or aujourd'hui")]
Observation : L'or est à 1950 $/oz.
Pensée : Maintenant je peux calculer...

Paramètres de Génération§

Paramètre	Valeur	Effet
Temperature	0	Déterministe, toujours le token le plus probable
Temperature	0,7	Équilibre créativité/cohérence (défaut courant)
Temperature	1,5+	Très créatif, parfois incohérent
Top-p	0,9	Choisit parmi les tokens couvrant 90% de la probabilité
Max tokens	—	Limite la longueur de la réponse
Stop sequences	—	Arrêter la génération à certains tokens

Règle pratique : pour des tâches factuelles → temperature basse (0-0.3). Pour des tâches créatives → temperature plus haute (0.7-1.0).

Pièges Courants§

Prompt trop vague

Mauvais : "Écris quelque chose sur Python."
Bon     : "Écris un tutoriel de 300 mots sur les list comprehensions Python pour débutants,
           avec 3 exemples progressifs en code."

Demander plusieurs choses à la fois

Mauvais : "Explique Docker, Kubernetes et compare-les avec des exemples."
Bon     : Trois prompts séparés, ou prompt chaîné avec étapes définies.

Ne pas donner de format

Mauvais : "Liste les avantages de Linux."
Bon     : "Liste 5 avantages de Linux pour les développeurs.
           Format : tableau markdown avec colonnes Avantage | Description | Exemple."

Ignorer les contraintes de contexte : les LLM ont des fenêtres de contexte limitées — envoyer trop de texte dégrade la qualité sur les dernières parties.

Évaluation des Prompts§

Un bon prompt se mesure à :

Précision : la réponse est-elle correcte ?
Format : respect du format demandé ?
Consistance : même résultat sur plusieurs runs ?
Robustesse : fonctionne avec des variations légères ?

Pour les applications en production, créer un jeu d’évaluation (eval set) : exemples d’inputs et outputs attendus pour mesurer les régressions lors des changements de prompt.

—The Gardener