Un prompt est l’ensemble des instructions et du contexte transmis à un modèle au moment de l’inférence. Comme les grands modèles pratiquent l’apprentissage en contexte (Brown et al., 2020), c’est le prompt, et non un réentraînement, qui permet à la plupart des utilisateurs d’orienter leur comportement. L’étude systématique des méthodes de prompting a fait l’objet d’un état de l’art de Liu et al. (2023).
Un prompt efficace énonce clairement la tâche, fournit le contexte ou les exemples utiles et précise le format attendu. De petites variations de formulation peuvent modifier sensiblement les résultats : c’est précisément la raison d’être du prompt engineering.
Qu’est-ce que le prompt engineering ?
Le prompt engineering est l’art de rédiger, tester et retravailler des prompts de manière méthodique plutôt qu’au hasard des essais. Au lieu de modifier le modèle, vous modifiez ce que vous lui donnez : vous explicitez la tâche, vous lui fournissez le contexte nécessaire, vous lui montrez à quoi ressemble une bonne réponse et vous indiquez comment le résultat doit être structuré.
Il s’applique autant au chat du quotidien qu’aux développeurs qui travaillent avec une API. Pour les applications, le prompt engineering englobe aussi le prompt système, qui définit le rôle et les règles d’un modèle, ainsi que la protection contre l’injection de prompt. OpenAI, Anthropic et Google publient chacun des guides de prompting pour leurs propres modèles (voir les références ci-dessous).
Les techniques de prompt engineering qui fonctionnent
La même demande, d’abord formulée de façon vague, puis avec chaque technique appliquée :
| Technique | Prompt vague | Prompt plus efficace |
|---|---|---|
| Soyez précis | « Résume ce texte. » | « Résume ce rapport en cinq puces pour un directeur financier pressé, en te concentrant sur les coûts. » |
| Donnez du contexte | « Réponds à cet e-mail. » | « Décline poliment cette réunion et propose plutôt mardi après-midi. E-mail ci-dessous : … » |
| Montrez un exemple | « Classe ces avis. » | « Attribue à chaque avis l’étiquette Positif, Négatif ou Mitigé. Exemple : “Livraison rapide, couvercle cassé” → Mitigé. » |
| Demandez un raisonnement | « Quelle est la réponse ? » | « Raisonne étape par étape, puis donne la réponse finale sur une ligne à part. » |
| Imposez le format | « Compare ces offres. » | « Compare les trois offres dans un tableau : prix, limites, idéal pour. » |
Ajouter des exemples résolus s’appelle le few-shot prompting ; pour les tâches simples, une instruction claire suffit souvent à elle seule (zero-shot). Demander un raisonnement étape par étape (chaîne de pensée) aide généralement pour les problèmes de mathématiques et de logique en plusieurs étapes. Quoi que vous essayiez, examinez le résultat et affinez le prompt en fonction de ce qui n’a pas fonctionné.
Le prompt engineering chez MultipleChat
Le Prompt Optimizer de MultipleChat améliore un prompt approximatif avant que vous ne l’envoyiez. Et comme le même prompt peut être exécuté côte à côte sur ChatGPT, Claude, Gemini, Grok et Perplexity, vous voyez aussi comment une modification de formulation change la réponse de chaque modèle.