Les bases du prompting

#L'idée en une phrase

Un LLM répond d'autant mieux qu'on lui dit qui il est, ce qu'on attend de lui, dans quel contexte, et sous quelle forme. Tout le reste — température, modèle, quantization — compte beaucoup moins que la formulation du prompt.

#Anatomie d'un bon prompt

Quatre ingrédients suffisent à couvrir 90 % des cas. On parle de pattern RTCF : Rôle, Tâche, Contexte, Format.

Rôle

Qui le modèle doit "incarner". Ex : "Tu es un correcteur de français pointilleux." Change le vocabulaire et le niveau de rigueur.

Tâche

Le verbe d'action, le plus précis possible. "Résume" < "Résume en 5 puces" < "Résume en 5 puces factuelles, sans adjectifs subjectifs".

Contexte

Les données brutes sur lesquelles travailler : texte, extraits, exemples. Délimitez-les clairement entre balises.

Format

La structure attendue : nombre de lignes, Markdown, JSON, tableau, longueur. Sans ça, le modèle improvise.

Tu es un assistant juridique qui explique en français simple.

Tâche : résume le contrat ci-dessous en 5 points, du plus
risqué au moins risqué pour le signataire.

Contexte :
<<<
[le texte du contrat ici]
>>>

Format : liste à puces Markdown, 1 phrase par puce, maximum 20 mots.

#Les 5 erreurs classiques

Prompt en mots-clés

"résumé contrat risques" → le modèle ne sait pas si c'est une question ou une commande. Faites des phrases.

Pas de contexte délimité

Le modèle ne voit pas où finissent vos instructions et où commence le texte à traiter. Utilisez <<< >>> ou ``` ```.

Double négation

"Ne fais pas de résumé sans citer les articles" → préférez "Cite toujours l'article concerné."

Attentes implicites

Vous vouliez 3 lignes et vous en avez 30 ? Dites-le. Le modèle n'est pas devin.

Prompt trop long sans structure

Au-delà de 500 mots, le modèle perd le début. Hiérarchisez avec des titres, des puces, du gras.

#7 patterns qui marchent partout

Few-shot

Donnez 2-3 exemples de paires entrée/sortie. Le modèle imite le format. Très efficace pour classification et extraction.

Chain of Thought

"Raisonne étape par étape avant de conclure." Améliore les tâches logiques, math, code. Coût : réponse plus longue.

Persona

Un rôle précis change le registre. "Tu es prof de CE2" produit une réponse différente de "Tu es chercheur".

Contrainte négative

"Interdit : ne commence pas par 'En conclusion'. Pas de formules creuses. Pas d'émoji." Rigueur immédiate.

Auto-critique

"Écris une première version. Relis-la. Liste 3 défauts. Réécris une version corrigée." Gain de qualité notable.

Décomposition

Une grosse tâche en 3 sous-prompts chaînés (extraire → normaliser → résumer) bat souvent un seul prompt monolithique.

Template à trous

Donnez la structure à remplir, le modèle colle le contenu : "Titre : ___\nContexte : ___\nDécision : ___\nRisques : ___".

#Imposer un format de sortie

C'est la variable qui change le plus la vie. Pour parser la sortie dans un script, ou simplement pour relire vite, un format imposé économise des heures.

Réponds STRICTEMENT au format JSON suivant,
sans texte avant ni après, sans backticks :

{
  "titre": string,
  "risques": [string],
  "score_risque": number (0 à 10)
}

#Itérer sans repartir de zéro

Une réponse imparfaite n'est pas une réponse à jeter. Au lieu de relancer le prompt de départ, continuez la conversation avec une instruction ciblée.

Trop long

"Refais, mais en 3 puces, 12 mots max par puce."

Trop formel

"Rewrite en ton plus direct, sans "Il convient de" ni "Par ailleurs"."

Trop générique

"Ajoute les 3 risques les plus concrets, chiffrés si possible."

Hallucinations

"Pour chaque affirmation, cite le passage du contexte qui la justifie. Sinon marque [non vérifié]."

#Ce qui change sur un modèle local

Un 7B local n'est pas GPT-4. Ajustez vos attentes et vos habitudes :

Prompts plus explicites

Les petits modèles ont moins d'intuition. Dites-leur tout, y compris ce qui paraît évident.

Chain of Thought systématique

Sur les tâches de raisonnement, demandez-leur de poser les étapes. Gros gain sur Mistral, Qwen, Llama 3 8B.

Moins de français nuancé

Un 7B fait parfois des fautes de grammaire. Ajoutez "Relis et corrige les accords" en fin de prompt.

Contexte plus court

Beaucoup de modèles locaux tournent à 4k-8k tokens. Chunkez vos gros documents.

#Pense-bête

Commencez par le rôle

Une ligne. "Tu es X qui fait Y pour Z."

Délimitez le contexte

Toujours entre balises (<<<, ```, ---). Pas de confusion instructions/données.

Spécifiez le format

Longueur, structure, langue, ton. Le modèle improvise sinon.

Interdisez explicitement

Les tics de langage du modèle se contournent par des interdictions directes.

Itérez plutôt que recommencer

Une conversation, c'est une série de raffinements. Gardez le fil.