Prompt Engineering

Le prompt engineering regroupe les techniques utilisées pour formuler des instructions efficaces à un grand modèle de langage (LLM) afin d’obtenir des réponses utiles, fiables et adaptées à un objectif. Un « bon » prompt réduit l’ambiguïté, précise le contexte et encadre le format de sortie attendu.

Comment ça fonctionne

Un LLM génère du texte en se basant sur des probabilités apprises durant l’entraînement. La manière dont vous présentez la tâche influence fortement son interprétation : choix des mots, contraintes, exemples, ordre des informations, et critères de réussite. On combine souvent :

• Contexte (données, objectif, public)
• Rôle (ex. “agis comme un relecteur technique”)
• Contraintes (longueur, style, langues, règles)
• Format (JSON, tableau, étapes)
• Exemples (few-shot) pour guider le comportement

À quoi ça sert

• Améliorer la qualité et la cohérence des réponses
• Réduire les hallucinations via des consignes de vérification et de citations
• Standardiser des sorties pour l’automatisation (APIs, pipelines)
• Optimiser le coût/latence en évitant les échanges inutiles

Exemples

• Générer un résumé structuré d’un document en sections fixes.
• Extraire des champs (nom, date, montant) d’e-mails en JSON.
• Produire des tests unitaires avec contraintes de couverture et de style.