Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Prompt engineering

Le prompt engineering (ingénierie de prompts) consiste à rédiger, structurer et tester les instructions et les exemples donnés à un modèle de langage pour qu'il produise la sortie dont une application a besoin, sans modifier les poids du modèle.

Aussi appelé : prompting

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Un modèle de langage réagit à du texte : la formulation, l'ordre et la structure de ce texte changent donc le résultat. Le prompt engineering consiste à trouver un prompt qui donne des réponses fiables pour une tâche, puis à le vérifier sur de vraies entrées.

Techniques courantes

- Des instructions claires et directes qui précisent la tâche, le public et le format. - Un rôle et des règles permanentes dans le prompt système. - Des exemples travaillés, ce qu'on appelle le few-shot prompting, pour montrer le format et le ton souhaités. - Demander au modèle de raisonner étape par étape, comme dans le prompting chain-of-thought. - Des délimiteurs comme des balises XML ou des titres pour séparer les instructions des données. - Demander une sortie structurée quand du code va analyser la réponse.

Pourquoi c'est important

Modifier un prompt est rapide et peu coûteux comparé au fine-tuning. C'est généralement la première chose à essayer quand un modèle donne le mauvais format, oublie une règle ou répond de façon trop approximative. Comme un petit changement de formulation peut déplacer les résultats, la bonne pratique consiste à garder un ensemble d'entrées de test et à y comparer les versions de prompt, comme décrit à la page évaluation des LLM.

En quoi il diffère du context engineering

Anthropic décrit le context engineering comme la suite naturelle du prompt engineering. Le prompt engineering se concentre sur la rédaction des instructions. Le context engineering couvre tout le reste de ce qui arrive dans l'entrée du modèle pendant une exécution, comme les documents récupérés, les résultats d'outils et l'historique de conversation, et pèse davantage pour les agents qui travaillent sur de nombreux tours.

Limites

Un prompt ne peut pas ajouter des connaissances que le modèle n'a pas, ni garantir un comportement. Les prompts ajustés pour un modèle demandent souvent des modifications quand vous changez de modèle.

Termes liés

Few-shot prompting
Le few-shot prompting (prompting par quelques exemples) consiste à donner à un modèle de langage une poignée d'exemples résolus d'une tâche dans le prompt, pour qu'il reproduise le schéma sur une nouvelle entrée sans aucun réentraînement.
Prompt système
Un prompt système (system prompt) est le bloc d'instructions qu'une application envoie à un modèle de langage avant les messages de l'utilisateur. Il fixe le rôle, les règles, le ton et le format de sortie du modèle pour toute la conversation.
Context engineering
Le context engineering (ingénierie du contexte) consiste à choisir et entretenir tout ce qui entre dans la fenêtre de contexte d'un modèle de langage au cours d'une tâche : instructions, documents récupérés, définitions d'outils, résultats d'outils et historique de la conversation.
Chain-of-thought
Le chain-of-thought (CoT, chaîne de pensée) est une méthode de prompting dans laquelle un modèle de langage écrit des étapes de raisonnement intermédiaires avant sa réponse finale, ce qui tend à améliorer les résultats en mathématiques, en logique et sur d'autres problèmes en plusieurs étapes.
Évaluation de LLM
L'évaluation de LLM, souvent appelée evals, consiste à mesurer la façon dont un modèle ou une application d'IA accomplit une tâche en l'exécutant sur un ensemble de cas de test et en notant les sorties selon des critères définis, par du code, par des humains ou par un autre modèle.

Sources