Aller au contenu
Projet de développement SGBD

Prompt Engineering

Prompt Engineering

Introduction

Le Prompt Engineering, c'est l'art de formuler des instructions claires pour obtenir exactement ce qu'on veut d'une intelligence artificielle. Pas besoin d'être développeur ou data scientist : bien communiquer avec une IA, ça s'apprend.

Ce chapitre présente les techniques essentielles pour tirer le meilleur parti de ChatGPT et compagnie, du plus simple au plus sophistiqué.

Zero-shot : Quand l'IA se débrouille seule

C'est quoi ?

Le zero-shot, c'est quand on demande à l'IA d'accomplir une tâche sans lui donner d'exemple. Elle doit se débrouiller uniquement avec ses connaissances générales acquises pendant son entraînement.

C'est comme demander à quelqu'un de cultivé : "Peux-tu classer ce message comme urgent ou pas ?" Il n'a jamais fait exactement ce tri pour toi, mais il comprend ce qu'est l'urgence et peut appliquer ce concept à ta situation.

Quand ça marche ?

Le zero-shot fonctionne bien quand :

  • La tâche repose sur des concepts universels (sentiment, urgence, catégories courantes)
  • Le format de sortie est évident (oui/non, une catégorie, un résumé)
  • Il n'y a pas d'ambiguïté sur ce qu'on attend

Exemple concret : Trier ses notifications

Prompt :

Classe cette notification selon son niveau de priorité.
Notification : "Rappel : Rendez-vous dentiste demain 14h"
Catégories : Urgent, Important, Informatif, Spam

Réponse de l'IA :

Important

Ce rendez-vous médical prévu pour demain nécessite une action 
(s'y rendre), mais n'est pas une urgence immédiate.

Ça marche parce que l'IA comprend ce qu'est un rendez-vous médical, le concept de priorité, et peut raisonner sur l'urgence relative.

Quand ça ne marche PAS

Le zero-shot a ses limites. Voici un exemple où l'IA se trompe en comptant les lettres d'un mot :

L'IA répond qu'il y a 2 "r" dans "terrasser"... alors qu'il y en a 3 ! (te-r-r-asse-r) 🤦

Autre exemple avec un tri alphabétique :

L'IA met "chemin" avant "chat"... alors que "chat" devrait venir en premier alphabétiquement ! 💀

⚠️ Piège classique

Les tâches qui semblent simples (compter, trier) peuvent échouer en zero-shot car l'IA "devine" plutôt qu'elle ne calcule vraiment. Pour ces cas, le few-shot ou le Chain of Thought donnent de meilleurs résultats.

Few-shot : Apprendre par l'exemple

C'est quoi ?

Le few-shot, c'est quand on montre à l'IA quelques exemples (généralement 2 à 5) de ce qu'on attend avant de lui poser la vraie question. Elle apprend le pattern et le reproduit.

Quand l'utiliser ?

Utilisez le few-shot quand :

  • Le format de sortie est très spécifique
  • Le ton ou le style attendu n'est pas évident
  • La tâche est ambiguë sans démonstration
  • Le zero-shot a échoué (comme notre exemple de tri!)

Exemple concret : Le tri alphabétique (version corrigée)

Reprenons l'exemple du tri qui avait échoué en zero-shot. Cette fois, on donne des exemples à l'IA :

Cette fois, "chat" est bien placé avant "chemin" ! ✅

En montrant un exemple de tri correct, l'IA comprend exactement ce qu'on attend et reproduit le comportement.

Autre exemple : Reformuler des messages

Sans exemple (zero-shot) :

Transforme ce message formel en SMS décontracté :
"Je vous confirme ma présence à la réunion de demain à 14h."

Réponse probable : "Je confirme pour demain 14h 👍"

C'est correct... mais peut-être pas ton style.

Avec exemples (few-shot) :

Transforme ces messages formels en SMS, comme dans les exemples :

Formel : "Je vous remercie pour votre retour rapide."
SMS : "Merci pour le retour rapidos! 🙏"

Formel : "Pourriez-vous me transmettre le document ?"
SMS : "Tu peux m'envoyer le doc stp? 📄"

Formel : "Je vous confirme ma présence à la réunion de demain à 14h."
SMS :

Réponse : "Je serai là demain 14h, c'est noté! 📅"

L'IA a capté le style (émojis, ton décontracté, formulations courtes) et le reproduit.

⚠️ Piège classique

Donner des exemples incohérents entre eux. Si vos exemples suivent des patterns différents, l'IA sera confuse et le résultat imprévisible.

Chain of Thought : Réfléchir étape par étape

C'est quoi ?

La Chain of Thought (chaîne de pensée), c'est demander à l'IA de montrer son raisonnement étape par étape avant de donner sa réponse finale. Ça force l'IA à réfléchir plutôt qu'à deviner.

Quand l'utiliser ?

  • Problèmes avec plusieurs étapes de calcul
  • Décisions impliquant plusieurs critères à peser
  • Questions où la réponse directe risque d'être fausse
  • Tâches de comptage ou de vérification

La formule magique

Ajoutez simplement : "Réfléchissons étape par étape." ou "Explique ton raisonnement."

Exemple concret : Compter les lettres (version corrigée)

Souvenez-vous du fail où l'IA trouvait 1 "r" dans "cochon" alors qu'il n'y en a aucun :

Maintenant, demandons-lui de réfléchir étape par étape :

En décomposant le mot lettre par lettre (c-o-c-h-o-n), l'IA trouve correctement 0 ! 🎉

Autre exemple : Évaluer si une promo vaut le coup

Sans Chain of Thought :

Un magasin propose -30% sur un article à 89€, mais les frais de 
livraison sont de 12€. Un autre magasin vend le même article à 75€ 
avec livraison gratuite. Lequel choisir ?

Réponse directe (risquée) : "Le deuxième magasin."

C'est... faux! Mais l'IA aurait pu se tromper sans montrer son calcul.

Avec Chain of Thought :

Un magasin propose -30% sur un article à 89€, mais les frais de 
livraison sont de 12€. Un autre magasin vend le même article à 75€ 
avec livraison gratuite. Lequel choisir ?

Réfléchissons étape par étape.

Réponse :

Étape 1 : Calculons le prix avec la réduction
89€ × 0,70 = 62,30€

Étape 2 : Ajoutons les frais de livraison
62,30€ + 12€ = 74,30€

Étape 3 : Comparons avec l'autre offre
Magasin 1 : 74,30€
Magasin 2 : 75€

Conclusion : Le premier magasin est légèrement moins cher (0,70€ d'économie).

La réponse intuitive était fausse! Le CoT permet de s'en rendre compte. 🎯

⚠️ Piège classique

Utiliser le CoT pour des questions simples qui n'en ont pas besoin. Pour "Quelle est la capitale de la France ?", pas besoin de réfléchir en 4 étapes.

Les modèles de raisonnement

Certains modèles récents intègrent automatiquement la Chain of Thought dans leur fonctionnement. C'est le cas de GPT5, DeepSeek V3.2, Grok 4 et Gemini 3.

Ces modèles "réfléchissent avant de répondre" : ils génèrent une chaîne de raisonnement interne (parfois visible, parfois cachée) avant de fournir leur réponse finale.

Avantage : Plus précis sur les problèmes complexes.
Inconvénient : Temps de réponse plus long (le modèle "pense" vraiment).

ChatGPT

Deepseek

Grok

Qwen

Gemini

Autocorrection : L'IA qui se relit

C'est quoi ?

L'autocorrection, c'est demander à l'IA de critiquer et améliorer sa propre réponse. Un processus en boucle qui affine progressivement la qualité du résultat.

Le processus

  1. Prompt initial → L'IA génère une première réponse
  2. Rédaction → L'IA produit une version (v1, v2...)
  3. Relecture & évaluation → L'humain (et/ou l'IA) examine le résultat
  4. Itération → Si ce n'est pas bon, on donne du feedback et on recommence
  5. Réponse finale → Quand c'est validé!

Comment faire ?

Étape 1 - Obtenir une première réponse

Explique simplement pourquoi le ciel est bleu.

Réponse v1 :

Le ciel est bleu parce que la lumière du soleil est diffusée 
par l'atmosphère.

Étape 2 - Demander une auto-évaluation

Évalue ta réponse précédente. Est-elle complète et précise ? 
Que pourrait-on améliorer ?

Auto-évaluation :

Ma réponse est correcte mais incomplète :
- Je n'explique pas POURQUOI c'est le bleu spécifiquement
- Je n'ai pas mentionné la diffusion de Rayleigh
- C'est trop vague pour vraiment comprendre le phénomène

Étape 3 - Corriger

Corrige ta réponse en tenant compte de ces points.

Réponse v2 :

Le ciel est bleu à cause de la diffusion de Rayleigh : la lumière 
du soleil contient toutes les couleurs, mais les courtes longueurs 
d'onde (bleu, violet) rebondissent davantage sur les molécules de 
l'atmosphère. Le bleu domine car nos yeux y sont plus sensibles 
que le violet, et une partie du violet est absorbée en altitude.

Vous pouvez aussi ajouter votre propre critique

Ta réponse est bonne mais trop technique. Reformule pour un 
enfant de 10 ans.

⚠️ Piège classique

Faire tourner la boucle indéfiniment. Après 2-3 itérations, les améliorations deviennent marginales. Sachez vous arrêter!

Bonus : Les incitations émotionnelles

Une expérience amusante a testé l'impact de différentes "motivations" sur la précision de ChatGPT. Le défi : écrire une histoire de exactement 200 caractères.

Les résultats

Incitations positives efficaces :

  • 🏆 "Tu atteindras la paix mondiale" (la plus efficace!)
  • 🎵 "Tu auras des places au premier rang pour Taylor Swift"
  • 💕 "Tu rencontreras le grand amour"

Incitations négatives efficaces :

  • 💀 "TU VAS MOURIR" (surtout en majuscules)
  • 👥 "Tu perdras tous tes amis"

La combo gagnante :

"Tu rencontreras ton véritable amour si tu respectes les contraintes. Sinon, tous tes amis t'abandonneront."

⚠️ À prendre avec des pincettes

Cette "étude" est anecdotique (un test Twitter, pas une publication scientifique). Les résultats :

  • Ne sont pas forcément reproductibles d'un modèle à l'autre
  • Datent de 2024 et les modèles évoluent constamment
  • Montrent surtout que l'insistance compte, pas forcément le contenu émotionnel

C'est surtout amusant et ça illustre qu'on peut expérimenter avec les prompts de manière créative!

Sources :

Récapitulatif

Technique Quand l'utiliser Exemple type
Zero-shot Tâches basées sur des concepts universels "Classe ce message comme spam ou pas"
Few-shot Format/style spécifique à reproduire "Écris dans ce ton, voici 3 exemples..."
Chain of Thought Problèmes multi-étapes, calculs, décisions "Réfléchissons étape par étape..."
Autocorrection Améliorer une réponse insatisfaisante "Évalue ta réponse et corrige-la"

La règle d'or : Plus votre demande est claire et contextualisée, meilleure sera la réponse. L'IA n'est pas télépathe – aidez-la à vous aider! 🎯