Prompt Engineering : les fondamentaux pour des résultats fiables

Un prompt mal formulé produit des résultats vagues ou incorrects. Ce guide vous donne les fondamentaux du prompt engineering pour obtenir des réponses précises, cohérentes et adaptées à vos besoins. Vous apprendrez à structurer vos requêtes avec des rôles, styles et exemples stratégiques.

Guide complémentaire

Ce guide couvre les fondamentaux. Pour les techniques avancées (Self-Consistency, ReAct, Tree-of-Thought) avec du code Python testé, consultez le guide Prompting avancé.

Ce que vous allez apprendre

• Qu'est-ce qu'un prompt et pourquoi sa formulation est critique
• Rôles (Persona) : donner une expertise au modèle
• Styles et tons : adapter la réponse à l'audience
• Tâches structurées : cadrer précisément le livrable attendu
• Zero-shot, one-shot, few-shot : quand fournir des exemples
• Chain-of-Thought basique : déclencher le raisonnement explicite
• Patterns réutilisables : industrialiser vos prompts

Qu'est-ce qu'un prompt ?

Un prompt est le texte que vous envoyez à un LLM pour obtenir une réponse. Cela peut aller d'une question simple à une instruction complexe combinant contexte, format, style et rôle.

Exemple simple :
"Quels sont les pays limitrophes de la France ?"

Exemple structuré :
"Agis comme un professeur de géographie. Fais une liste numérotée
des pays limitrophes de la France avec une brève description de chacun."

Pourquoi l'engineering est nécessaire ?

Problème	Conséquence
Trop court	Réponse imprécise
Trop flou	L'IA doit deviner vos intentions
Trop chargé	Confusion ou dépassement de contexte

Glissez pour voir

Un prompt bien construit réduit ces risques et améliore la qualité des réponses.

Rôles (Persona Prompting)

Attribuer un rôle au modèle améliore la cohérence et la pertinence. Cette technique, appelée persona prompting, consiste à demander à l'IA d'adopter l'expertise d'un professionnel.

Exemples de rôles

Les trois onglets ci-dessous montrent le même mécanisme décliné pour des métiers différents. Observez leur structure commune : une identité (le métier), un niveau d'expérience chiffré, et une tâche immédiate. C'est le niveau d'expérience qui oriente le plus la réponse, car il pousse le modèle vers un vocabulaire et une profondeur d'analyse cohérents avec ce profil.

Technique

Tu es un architecte logiciel senior avec 10 ans d'expérience
en microservices. Analyse cette architecture et propose des
améliorations.

Pédagogique

Tu es un professeur de mathématiques qui explique les concepts
complexes avec des exemples concrets. Explique les dérivées
à un élève de terminale.

DevOps

Tu es un SRE senior expert en Kubernetes. Diagnostique ce
problème de pods CrashLoopBackOff et propose 3 solutions
ordonnées par probabilité.

En Python avec OpenAI

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {
            "role": "system",
            "content": "Tu es un expert DevOps senior avec 10 ans d'expérience."
        },
        {
            "role": "user",
            "content": "Comment configurer un HPA Kubernetes pour scaler sur la mémoire ?"
        }
    ],
    temperature=0.3
)

print(response.choices[0].message.content)

System prompt

Le role: system définit le contexte global de la conversation. Il est idéal pour les rôles persistants. Le role: user contient les questions spécifiques.

Styles et tons

Le style et le ton influencent la présentation de l'information. Selon votre audience, demandez des réponses formelles, techniques ou vulgarisées.

Variations de style

Le style ne change pas le fond de la réponse, seulement sa présentation et son niveau de langue. Repérez dans chaque directive le mot qui porte la contrainte : « formelle », « références », « métriques », « 3 bullet points ». Ce sont ces termes précis, et non l'ambiance générale, qui pilotent réellement la sortie du modèle. Une directive vague comme « sois clair » produit des résultats bien moins prévisibles qu'une contrainte mesurable comme « en 3 points maximum ».

Style	Exemple de directive
Académique	"Rédigez une analyse formelle avec références"
Décontracté	"Explique-moi simplement, sans jargon, comme dans un échange informel"
Technique	"Fournissez des métriques quantitatives et du code"
Concis	"Réponds en 3 bullet points maximum"

Glissez pour voir

Modificateurs de ton utiles

Là où le style commande la forme, le ton ajuste la posture du modèle vis-à-vis du lecteur. Ces modificateurs se combinent avec un style : on peut demander une réponse à la fois « technique » et « pédagogique ». Le plus utile en documentation reste le registre pédagogique, qui pousse le modèle à définir les termes au lieu de les présupposer connus.

• Pédagogique : "Explique simplement", "comme à un débutant"
• Professionnel : "En respectant les codes de l'entreprise"
• Pragmatique : "Avec des exemples pratiques et le code"

# Style concis et technique
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {
            "role": "system",
            "content": "Tu es un expert Kubernetes. Réponds de manière concise avec le code nécessaire."
        },
        {
            "role": "user",
            "content": "Comment lister les pods en erreur dans tous les namespaces ?"
        }
    ],
    temperature=0.0
)

Tâches structurées

Définir explicitement la tâche cadre la réponse et améliore la qualité. Utilisez des verbes d'action clairs et spécifiez le livrable attendu.

Structure recommandée

Cadrer une tâche revient à répondre à quatre questions dans l'ordre, du plus général au plus précis. Ne sautez pas la dernière : les critères (longueur, exhaustivité) sont ce que les auteurs de prompts oublient le plus souvent, alors que leur absence explique la plupart des réponses « à côté ». Une tâche sans livrable ni critère laisse le modèle choisir à votre place le format et le niveau de détail.

1. Verbe d'action : analyser, résumer, transformer, comparer
2. Périmètre : quelles données, quelles contraintes
3. Livrables : format de sortie, éléments obligatoires
4. Critères : précision, exhaustivité, longueur

Exemple de tâche structurée

Voici les quatre dimensions réunies dans un prompt réel. Remarquez la séparation visuelle en blocs étiquetés (TÂCHE, FORMAT, CONTRAINTE) : cette mise en forme aide le modèle à ne pas confondre l'instruction principale avec ses paramètres. La contrainte de sévérité (critique/majeur/mineur) impose au passage une grille de classement, ce qui rend les réponses comparables d'une exécution à l'autre.

TÂCHE : Analysez ce code Python et identifiez :
1) Les potentiels bugs
2) Les optimisations possibles
3) Les bonnes pratiques manquantes

FORMAT : Liste numérotée avec sévérité (critique/majeur/mineur)
CONTRAINTE : Maximum 10 points

Combinaison rôle + style + tâche

La vraie puissance vient de la combinaison des trois dimensions :

prompt = """
Tu es un consultant en transformation digitale [RÔLE]
Adopte un ton professionnel mais accessible [STYLE]
Analyse cette stratégie IT et propose un plan d'action
en 5 étapes concrètes avec budget estimatif [TÂCHE]

Stratégie : Migration vers Kubernetes d'une application monolithique
hébergée sur des VMs on-premise.
"""

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.3
)

Zero-shot, one-shot, few-shot

Le shot prompting consiste à fournir des exemples pour guider la réponse. Le choix de la technique dépend de la complexité de la tâche.

Zero-shot : sans exemple

Le modèle répond directement sans guidance spécifique :

# Zero-shot - tâches simples
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{
        "role": "user",
        "content": "Traduis 'Hello, how are you?' en français."
    }]
)
# Réponse : "Bonjour, comment allez-vous ?"

Avantage : Rapide, direct, efficace pour les tâches simples. Limite : Peut mal interpréter des consignes complexes.

One-shot : un exemple

On fournit un seul exemple pour orienter le format :

prompt = """
Exemple :
Q : Quelle est la capitale de l'Italie ?
R : Rome

Maintenant à toi :
Q : Quelle est la capitale de l'Espagne ?
R :"""

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt}]
)
# Réponse : "Madrid"

Few-shot : plusieurs exemples

On fournit 2 à 5 exemples pour solidifier le pattern :

prompt = """
Convertis ces descriptions en commandes kubectl :

Description : Lister tous les pods
Commande : kubectl get pods -A

Description : Voir les logs du pod nginx
Commande : kubectl logs nginx

Description : Supprimer le deployment app-web
Commande :"""

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt}]
)
# Réponse : "kubectl delete deployment app-web"

Tableau de choix

Ce tableau résume quand basculer d'une technique à l'autre. La logique est graduelle : commencez toujours en zero-shot, le moins coûteux en tokens, et n'ajoutez des exemples que si le résultat dérive. La colonne Risques est celle qui doit guider votre choix, car chaque technique a un défaut propre, l'ambiguïté du zero-shot ou le coût en tokens du few-shot, qu'il faut accepter en connaissance de cause.

Technique	Idéal pour	Risques
Zero-shot	Tâches simples, réponses génériques	Ambiguïté
One-shot	Format ou ton particulier	Exemple insuffisant
Few-shot	Structure spécifique, logique complexe	Coût en tokens

Glissez pour voir

Chain-of-Thought (CoT) basique

La chaîne de pensée encourage le modèle à expliciter son raisonnement avant de donner la réponse finale. Cette technique améliore la précision sur les tâches de raisonnement.

Phrase magique

Ajoutez simplement "Réfléchis étape par étape" ou "Montre ton raisonnement" pour déclencher CoT.

Zero-shot CoT

La version la plus simple : ajouter une instruction de raisonnement.

problem = """
Un serveur a 16 Go de RAM. L'application utilise 2 Go.
Si je déploie 6 instances, quelle RAM reste-t-il ?
"""

# Sans CoT
prompt_simple = f"Réponds : {problem}"

# Avec CoT
prompt_cot = f"""Résous ce problème étape par étape.
Montre ton raisonnement avant la réponse finale.

{problem}"""

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt_cot}],
    temperature=0.0
)

Sortie typique :

1. RAM totale : 16 Go
2. RAM par instance : 2 Go
3. Nombre d'instances : 6
4. RAM utilisée : 6 × 2 = 12 Go
5. RAM restante : 16 - 12 = 4 Go

Réponse : Il reste 4 Go de RAM.

Few-shot CoT

Fournir des exemples avec raisonnement pour guider le format :

prompt = """
Q : J'ai 5 conteneurs, j'en arrête 2, puis j'en démarre 3. Combien en ai-je ?
Raisonnement :
- Je commence avec 5 conteneurs
- J'en arrête 2 → il en reste 3
- J'en démarre 3 → total = 3 + 3 = 6
Réponse : 6

Q : J'ai 8 pods, 3 crashent, j'en redémarre 5. Combien sont actifs ?
Raisonnement :"""

Aller plus loin

Pour les techniques avancées (Self-Consistency, ReAct, Tree-of-Thought) avec du code Python complet et un lab comparatif, consultez le guide Prompting avancé.

Patterns de prompts réutilisables

Les prompt patterns sont des structures réutilisables, analogues aux design patterns en programmation. Ils permettent d'industrialiser vos prompts.

Persona Pattern

Définir l'IA comme un expert pour assurer cohérence et expertise :

Tu es un nutritionniste vétéran avec 15 ans d'expérience.
Analyse mes rapports de santé et donne des recommandations personnalisées.

Question Refinement Pattern

L'IA propose une version améliorée de votre question :

À partir de maintenant, chaque fois que je pose une question,
propose une version plus précise et complète, puis demande-moi
si je souhaite utiliser cette version améliorée.

Output Automater Pattern

Générer automatiquement du code pour appliquer les suggestions :

Tu es un expert DevOps. Chaque fois que tu suggères une modification,
génère aussi un script Python ou Bash pour l'automatiser.

Template combiné DevOps

Le module Template de la bibliothèque standard Python remplace des variables $domain, $environment dans une chaîne, sans dépendance externe. L'intérêt ici n'est pas le code mais la séparation entre la structure fixe du prompt, écrite une fois, et les valeurs variables injectées à chaque appel. Ce découpage évite de réécrire un prompt complet pour chaque incident et garantit que tous vos diagnostics suivent le même format de sortie.

from string import Template

DEVOPS_TEMPLATE = Template("""
Tu es un expert $domain avec 10 ans d'expérience.

## Contexte
- Environnement : $environment
- Stack : $stack

## Tâche
$task

## Format de réponse
1. Diagnostic en 2 lignes
2. Solution avec commandes
3. Validation
""")

prompt = DEVOPS_TEMPLATE.substitute(
    domain="Kubernetes",
    environment="Production GKE",
    stack="Helm, ArgoCD, Prometheus",
    task="Diagnostiquer les pods en CrashLoopBackOff"
)

Application au RAG

Pour les systèmes RAG (Retrieval-Augmented Generation), le prompt engineering définit comment le modèle doit utiliser le contexte récupéré.

Structure d'un prompt RAG

Tu es un assistant expert en $domaine.
Utilise UNIQUEMENT les informations du contexte ci-dessous.
Si la réponse ne s'y trouve pas, dis-le clairement.

CONTEXTE :
{documents récupérés}

QUESTION :
{question utilisateur}

INSTRUCTIONS :
- Réponds de manière concise
- Cite les parties du contexte qui soutiennent ta réponse
- N'utilise pas tes connaissances préexistantes

Guides RAG

Pour construire un système RAG complet, consultez Introduction au RAG et ChromaDB.

Contrôle de connaissances

Vérifiez que l'essentiel de ce guide est acquis. Les questions portent uniquement sur ce qui vient d'être expliqué ici.

Contrôle de connaissances

Validez vos connaissances avec ce quiz interactif

6 questions

6 min.

70% requis

Informations

• Le chronomètre démarre au clic sur Démarrer
• Questions à choix multiples, vrai/faux et réponses courtes
• Vous pouvez naviguer entre les questions
• Les résultats détaillés sont affichés à la fin

Démarrer le quiz

Lance le quiz et démarre le chronomètre

À retenir

• Rôle (Persona) : Donnez une expertise au modèle avec le system prompt
• Style : Adaptez le ton à l'audience (technique, pédagogique, concis)
• Tâche : Cadrez précisément avec verbe d'action + livrables + contraintes
• Zero-shot : Tâches simples, sans exemple
• Few-shot : Fournissez 2-5 exemples pour les formats complexes
• CoT : Ajoutez "étape par étape" pour le raisonnement
• Patterns : Créez des templates réutilisables pour industrialiser
• RAG : Définissez clairement comment utiliser le contexte

Pour aller plus loin

• Introduction à LiteLLM : Rejouer ces techniques sur plusieurs fournisseurs avec une seule API Python.
• Ollama : SDK Python et Structured Output : Appliquer les mêmes prompts à un modèle local, avec des sorties typées.
• Introduction au RAG : Nourrir le prompt avec vos documents plutôt que de tout attendre du modèle.

×

📖 Voir la documentation →