Prompt Engineering — Le Guide de Référence

Résumé exécutif

Un prompt structuré améliore la qualité de réponse de 30 à 70% sans changer de modèle.
La structure optimale combine rôle, contexte, tâche, format et contraintes.
Les techniques avancées (CoT, few-shot, decomposition) sont indispensables au-delà du chatbot.
Un prompt en production doit être versionné, testé et monitoré comme du code.

Section 01

Les fondamentaux du prompting

Un bon prompt suit la structure C.R.A.F.T : Contexte, Rôle, Action, Format, Ton. Cette grille couvre 90% des cas courants et améliore significativement la cohérence des réponses.

Contexte : situation, contraintes, audience
Rôle : persona du modèle (ex: 'expert RGPD')
Action : tâche unique et précise
Format : structure attendue (JSON, markdown, tableau)
Ton : registre, longueur, niveau de détail

Section 02

Zero-shot, Few-shot et Chain-of-Thought

Trois techniques fondamentales à maîtriser. Le choix dépend de la complexité de la tâche et de la disponibilité d'exemples.

Technique	Quand l'utiliser	Gain typique
Zero-shot	Tâches simples et bien définies	Baseline
Few-shot	Tâches avec exemples disponibles	+20-40%
Chain-of-Thought	Raisonnement multi-étapes	+30-50%
Decomposition	Tâches complexes hétérogènes	+40-70%

Section 03

Role prompting et personas

Assigner un rôle au modèle active des patterns spécifiques de son entraînement. 'Tu es un avocat spécialisé RGPD' produit des réponses différentes de 'Tu es un consultant business'. Le rôle doit être spécifique, pas générique.

Section 04

Templates de prompts business

Cinq templates à industrialiser pour les usages courants en entreprise. Chaque template est versionné et testé sur un dataset de référence.

Un prompt en production est du code. Versionnez-le. Testez-le. Monitorez-le.

Section 05

Prompting pour agents

Les prompts d'agents ajoutent : objectif global, liste d'outils disponibles, format de réflexion (Thought/Action/Observation), critère d'arrêt. Le system prompt fait souvent 1000+ tokens.

Section 06

Erreurs fréquentes à éviter

Sept erreurs récurrentes en prompt engineering : prompts vagues, double tâche, négations excessives, exemples non représentatifs, format implicite, manque de contraintes, absence de tests systématiques.

Checklist opérationnelle

Avant de passer en production

Structurer chaque prompt selon C.R.A.F.T
Spécifier le format de sortie explicitement
Ajouter 2 à 5 exemples pour les tâches non triviales
Versionner les prompts dans Git ou un prompt manager
Créer un dataset de tests par prompt critique
Mesurer la qualité avec des évaluateurs (LLM-as-judge)
Réviser les prompts à chaque montée de version du modèle

Questions fréquentes

FAQ

Le prompt engineering va-t-il disparaître ?+

Non. Les modèles deviennent plus tolérants aux prompts approximatifs, mais le prompt engineering reste critique pour la qualité, le coût et la fiabilité en production.

Faut-il payer un prompt engineer ?+

Pour des usages individuels, non. Pour des usages industriels (agents, génération à grande échelle, RAG production), un prompt engineer dédié paie son ROI en 2-3 mois.

Les techniques varient-elles selon les modèles ?+

Oui. Claude apprécie les structures XML, GPT-4 les markdowns, Mistral les instructions directes. Adaptez vos templates par famille de modèles.

Combien de temps consacrer au prompt engineering ?+

Comptez 20% du temps de développement d'une feature IA pour le prompt engineering initial, et 5% en maintenance continue.

Glossaire IA

Termes clés

Chain-of-Thought: Technique demandant au modèle de raisonner étape par étape.
Few-shot: Prompt incluant plusieurs exemples de la tâche attendue.
System prompt: Instructions de haut niveau définissant le comportement du modèle.
LLM-as-judge: Utilisation d'un LLM pour évaluer la qualité d'autres réponses.

Passer à l'action

Optimiser vos prompts IA

Audit complet de vos prompts en production + bibliothèque de templates premium.

Demander l'audit prompts