Prompt engineering avancé : techniques et patterns

Chain-of-thought prompting

Le chain-of-thought(chaîne de raisonnement) est une technique qui consiste à demander au modèle de décomposer son raisonnement étape par étape avant de donner la réponse finale. L'effet est frappant sur les tâches complexes : les erreurs diminuent significativement parce que le modèle « réfléchit à voix haute » au lieu de court-circuiter vers une réponse intuitive.

Comment l'activer: ajoutez simplement « Raisonne étape par étape avant de répondre. » ou « Pensons à cela méthodiquement : ... » à votre prompt.

Cas d'usage idéaux: résolution de problèmes logiques, debug de code, analyse d'arguments, estimation de coûts, planification de projets.

Cas à éviter : tâches simples ou factuelles où le chain-of-thought rallonge inutilement la réponse sans apporter de valeur.

Few-shot learning

Le few-shot learning consiste à fournir quelques exemples d'entrée/sortie dans le prompt pour montrer au modèle exactement ce qu'on attend. C'est l'une des techniques les plus efficaces pour contrôler le format de sortie.

Exemple :

Classifie le sentiment des phrases suivantes :
« Ce produit est excellent. » → Positif
« Je suis très déçu. » → Négatif
« C'est correct, ni bien ni mal. » → Neutre
« Jamais vu quelque chose d'aussi efficace ! » → ?

Le modèle comprend immédiatement le format attendu — une seule étiquette — et produit une réponse cohérente. Avec zero-shot (sans exemples), les réponses varient plus en format et en verbosité.

Règle pratique : 2 à 5 exemples suffisent dans la plupart des cas. Au-delà, le gain est marginal et vous consommez du contexte inutilement.

Sortie structurée (JSON mode)

La plupart des modèles avancés supportent un mode JSON qui garantit une sortie parseable. C'est essentiel pour les applications qui doivent traiter les réponses du modèle programmatiquement.

Sans mode JSON, même en demandant « Réponds en JSON », le modèle peut ajouter du texte avant ou après, ou utiliser des guillemets différents. Avec le mode JSON activé via l'API, la sortie est toujours valide.

Pour aller plus loin, certains modèles supportent la contrainte de schéma JSON (Structured Outputs chez OpenAI, ou via des outils comme Instructor ou Outlines). Vous définissez le schéma exact attendu et le modèle ne peut dévier.

Exemple de prompt pour JSON: « Extrais les informations suivantes du texte et retourne-les en JSON avec les clés : name, email, company, role. Texte : [votre texte] ».

Combiner les techniques

Ces techniques ne sont pas exclusives — elles se combinent. Un prompt expert peut utiliser simultanément :

- Un rôle (« Tu es un analyste financier senior. »)
- Du contexte (les données à analyser)
- Des exemples (2-3 analyses similaires)
- Une instruction chain-of-thought (« Raisonne étape par étape »)
- Une contrainte de format (tableau markdown ou JSON)

Le risque est de surcharger le prompt et de noyer les instructions importantes. Commencez simple, mesurez le résultat, puis ajoutez une technique à la fois jusqu'à obtenir le comportement souhaité.

La discipline la plus utile en prompt engineering : documenter vos prompts qui fonctionnent. Un prompt efficace est un actif réutilisable.