Bonnes pratiques de prompting multi-agent
Un prompting adapte a l’architecture multi-agent
Le prompting pour le multi-agent differe du prompting classique. Vous ne parlez pas a un seul modele — vous donnez des directives a un leader qui va coordonner une equipe. Vos prompts doivent etre structures pour tirer parti de cette architecture distribuee.
Regle 1 : definir la portee et la profondeur
Le leader doit savoir quoi chercher et a quel niveau de detail. Un prompt vague produit des resultats superficiels, meme avec 16 agents.
Mauvais prompt :
Parle-moi de l’IA en Europe.
Bon prompt :
Compare les 3 principaux fabricants europeens de puces IA par technologie, performance, financement et partenariats industriels en 2026.
Le bon prompt definit clairement :
- Le sujet (fabricants de puces IA)
- Le perimetre (3 principaux, europeens)
- Les dimensions d’analyse (techno, performance, financement, partenariats)
- La periode (2026)
Regle 2 : demander une sortie structuree
Les agents produisent de meilleurs resultats quand vous specifiez le format attendu :
Presente les resultats sous forme de tableau comparatif avec une ligne par fabricant et une colonne par critere. Ajoute une section d’analyse en dessous du tableau.
Vous pouvez demander :
- Des tableaux comparatifs avec des categories precises
- Des listes numerotees avec un niveau de detail specifique
- Des sections hierarchisees (h2/h3) pour une lecture facile
- Des conclusions avec recommandations
Regle 3 : specifier les sources attendues
Si vous voulez des references, demandez-les explicitement :
Cite tes sources pour chaque affirmation. Privilegiez les articles academiques recents et les communiques officiels.
Sans cette consigne, le leader peut synthetiser sans citer ses sources. Avec, les agents savent qu’ils doivent conserver les references de ce qu’ils trouvent.
Regle 4 : decomposer en tours
Le multi-agent supporte les conversations multi-tours. Exploitez cela pour affiner progressivement :
- Tour 1 (vue d’ensemble) : “Fais un panorama des solutions de RAG enterprise en 2026”
- Tour 2 (zoom) : “Approfondis le point 3 sur les architectures hybrides”
- Tour 3 (comparaison) : “Compare les performances de Pinecone et Weaviate pour ce cas d’usage”
Chaque tour beneficie du contexte precedent (surtout avec use_encrypted_content=True).
Regle 5 : fournir du contexte
Donnez au leader les informations necessaires pour orienter la recherche :
Je construis une application fintech pour le marche asiatique. Mon stack technique est Python/FastAPI avec PostgreSQL. Mon budget mensuel pour les API d’IA est de 500 euros.
Quelles solutions de detection de fraude basees sur l’IA seraient les plus adaptees ?
Le contexte permet aux agents de :
- Filtrer les resultats non pertinents
- Adapter leurs recommandations a votre situation
- Prioriser les informations les plus utiles pour vous
Erreurs courantes a eviter
- Trop vague : les agents s’eparpillent dans toutes les directions
- Trop precis : les agents n’ont pas assez de marge pour explorer
- Pas de format demande : le leader produit un texte monolithique difficile a lire
- Pas de contexte : les recommendations sont generiques
Points cles a retenir
- Definissez toujours la portee, la profondeur et le format de sortie
- Demandez explicitement des sources si vous en voulez
- Decomposez en tours pour les recherches complexes
- Fournissez du contexte pour des recommandations pertinentes
- Un bon prompt multi-agent guide le leader sans contraindre les sub-agents