Fondamentaux de l'ingénierie des prompts : Entrée d'un glossaire pratique

L'ingénierie des prompts est la pratique d'écrire du texte d'entrée qui pousse un modèle de langage à produire la sortie que vous voulez réellement. Elle se situe quelque part entre l'écriture et le débogage : vous ne codez pas au sens traditionnel, mais vous testez des hypothèses sur la façon dont un modèle interprète les instructions et vous itérez quand il se trompe.

Ce qu'un prompt est réellement

Un prompt est tout ce que vous envoyez à un modèle avant qu'il génère une réponse — instructions, contexte, exemples, et la question ou tâche réelle. La plupart des modèles de chat modernes divisent cela en rôles : un message système (définit le comportement et les contraintes), des messages utilisateur (la demande réelle), et parfois des messages assistant (tours précédents ou exemples). Si vous utilisez une API comme celle d'OpenAI ou d'Anthropic, vous définirez ces éléments explicitement dans le code. Si vous utilisez une interface de chat, le prompt système est souvent caché ou défini une fois au début d'une conversation.

Pourquoi la même question reçoit des réponses différentes

Les modèles de langage prédisent le token suivant en fonction de tout ce qui l'a précédé, y compris votre formulation, l'ordre des mots, et même la ponctuation. Demandez « Expliquer la récursion » et vous obtiendrez une réponse générique de manuel. Demandez « Expliquer la récursion à un développeur junior qui comprend les boucles mais pas la récursion, en utilisant un seul exemple Python avec un cas de base et un cas récursif » et vous obtiendrez quelque chose de beaucoup plus utile. La spécificité de votre entrée façonne directement la spécificité de la sortie. C'est l'insight principal que les débutants doivent comprendre : le modèle ne lit pas dans vos pensées, il fait de la reconnaissance de motifs sur vos mots.

Techniques fondamentales à apprendre en premier

Zero-shot prompting signifie demander directement sans exemples : « Écris une regex qui correspond aux numéros de téléphone américains. » Cela fonctionne bien pour les tâches courantes et bien définies.

Few-shot prompting signifie donner au modèle un ou plusieurs exemples du motif entrée/sortie que vous voulez avant de lui demander de continuer le motif. Si vous voulez qu'un modèle classe les tickets d'assistance en catégories, lui montrer d'abord trois exemples étiquetés produira des résultats plus cohérents que simplement décrire les catégories en prose.

Chain-of-thought prompting demande au modèle de raisonner étape par étape avant de donner une réponse finale, souvent en ajoutant littéralement « raisonne étape par étape » ou en lui demandant de montrer son travail. Cela aide pour les mathématiques, la logique et les tâches multi-étapes, bien que cela augmente aussi l'utilisation de tokens et la longueur de la réponse.

Role prompting assigne au modèle un rôle — « Tu es un ingénieur en sécurité senior examinant ce code pour détecter les vulnérabilités » — ce qui peut modifier le ton, le vocabulaire, et le type de détail qu'il priorise. Cela ne donne pas au modèle de nouvelles capacités, mais cela ancre le style de sa sortie.

La structure prime sur la créativité

Les débutants supposent souvent que l'ingénierie des prompts consiste à trouver une phrase magique. En pratique, la structure bat presque toujours la créativité. Divisez votre prompt en parties claires : contexte, tâche, contraintes, et format. Par exemple :

Contexte : Tu examines une application Python Flask pour un audit de sécurité.
Tâche : Identifie les risques d'injection SQL dans le code ci-dessous.
Contraintes : Signale uniquement les problèmes dans les routes /login et /search.
Format : Retourne une liste numérotée avec le numéro de ligne et une explication d'une phrase.

Ce type de formatage explicite réduit l'ambiguïté et rend les sorties plus faciles à analyser programmatiquement si vous chaînez des prompts ensemble dans un script.

Erreurs courantes au début

Une erreur fréquente est le manque de clarté déguisé en concision — demander « rends ceci meilleur » sans définir ce que « meilleur » signifie (plus rapide ? plus lisible ? plus sécurisé ?). Une autre est de charger un seul prompt avec cinq tâches sans rapport, ce qui a tendance à produire des réponses superficielles à ces cinq tâches au lieu d'une réponse solide à l'une d'elles. Les débutants oublient aussi que les modèles n'ont pas de mémoire entre les appels API séparés sauf si vous passez explicitement l'historique de conversation précédent, ce qui trompe les gens quand ils construisent quelque chose avec état.

Tester et itérer comme un ingénieur

Traitez les prompts comme du code que vous versionnez et testez, pas du texte unique que vous jetez. Conservez un journal des variations de prompt et de leurs sorties, surtout pour tout ce que vous réutiliserez en production, comme un bot d'assistance client ou un assistant d'examen de code. De petits changements de formulation — « résume » vs « résume en exactement trois points » — peuvent produire des résultats significativement différents, et le seul moyen de savoir ce qui fonctionne pour votre cas d'usage est de faire la comparaison vous-même au lieu de supposer.

Comment cela s'intègre à la construction de choses réelles

Une fois que les prompts deviennent fiables, l'étape suivante est généralement l'utilisation programmatique : appeler une API avec les paramètres temperature et max_tokens réglés pour votre tâche, ajouter de la logique de réessai pour les sorties mal formées, et valider les réponses avant qu'elles n'atteignent un utilisateur. C'est là que l'ingénierie des prompts commence à chevaucher la discipline d'ingénierie logicielle régulière, et c'est un bon point pour passer de l'expérimentation dans une fenêtre de chat à l'écriture de scripts réels.

Si vous voulez aller plus loin, consultez les segments de Korra Studio sur le travail avec les API LLM en Python et sur la construction de petits outils alimentés par l'IA à partir de zéro.