Itérer et Affiner ses Prompts

Le prompting est un processus itératif

Un prompt rarement parfait du premier coup. Les praticiens expérimentés savent que le vrai travail commence après la première réponse : on analyse le résultat, on identifie les écarts avec l’attendu, et on ajuste le prompt en conséquence.

Cette démarche d’itération méthodique est au coeur du prompt engineering. Elle transforme un résultat passable en un résultat excellent.

La boucle d’amélioration

Le cycle d’itération se déroule en quatre étapes :

1. Formuler : écrire le prompt initial avec vos trois piliers (clarté, contexte, structure)
2. Tester : envoyer le prompt et observer la réponse
3. Diagnostiquer : identifier ce qui ne va pas (format, contenu, ton, longueur, précision)
4. Ajuster : modifier le prompt pour corriger le problème identifié

Répétez ce cycle jusqu’à obtenir un résultat satisfaisant. Chaque itération doit modifier un seul aspect à la fois pour comprendre l’impact de chaque changement.

Diagnostiquer les problèmes courants

La réponse est trop longue

Le modèle génère des paragraphes quand vous attendiez une liste courte.

Avant :

Quels sont les avantages du télétravail ?

Après :

Liste les 5 principaux avantages du télétravail. Maximum 1 phrase par avantage.

La réponse est hors sujet

Le modèle répond à côté de votre question. Ajoutez du contexte et précisez le périmètre.

Avant :

Explique les limites.

Après :

Explique les limites mathématiques pour un élève de terminale S. Concentre-toi sur les limites de fonctions polynomiales, pas sur les suites.

Le format n’est pas celui attendu

Le modèle retourne du texte libre quand vous vouliez du JSON. Soyez explicite sur le format et donnez un exemple.

Avant :

Analyse ce texte et extrais les entités.

Après :

Analyse ce texte et retourne les entités au format JSON :
{"entités": [{"nom": "...", "type": "personne|lieu|organisation"}]}
Ne retourne que le JSON, sans texte supplémentaire.

Le ton est inadapté

Le modèle est trop formel ou trop décontracté. Spécifiez le registre dans le message système ou dans l’instruction.

Avant :

Rédige une réponse à ce client mécontent.

Après :

Rédige une réponse empathique et professionnelle à ce client mécontent. Ton chaleureux mais pas familier. Commence par reconnaître le problème, puis propose une solution concrète.

Techniques d’affinage

Ajouter des contraintes négatives

Quand le modèle fait quelque chose que vous ne voulez pas, interdisez-le explicitement :

Explique le machine learning à un débutant.
N'utilise pas de jargon technique.
Ne mentionne pas les formules mathématiques.
Ne fais pas référence à d'autres modèles d'IA.

Donner un contre-exemple

Montrez au modèle ce que vous ne voulez pas :

Rédige un résumé de ce document.

Bon résumé : "Le rapport montre une hausse de 15% des ventes au T3, tirée par le segment B2B."
Mauvais résumé : "Ce rapport présente les résultats financiers de l'entreprise pour le troisième trimestre de l'année en cours, incluant diverses métriques..."

Adopte le style du bon résumé.

Reformuler progressivement

Quand une reformulation ne suffit pas, procédez par étapes :

1. Testez votre prompt de base
2. Ajoutez le format de sortie souhaité
3. Ajoutez les contraintes de contenu
4. Ajoutez les contraintes de ton
5. Ajoutez des exemples si nécessaire

Utiliser le paramètre seed pour comparer

Avec le même seed, vous pouvez comparer l’effet de deux formulations différentes en éliminant la variabilité due à l’aléatoire :

{"seed": 42, "temperature": 0.5, "messages": [{"role": "user", "content": "Version A du prompt"}]}
{"seed": 42, "temperature": 0.5, "messages": [{"role": "user", "content": "Version B du prompt"}]}

Documenter vos itérations

Gardez une trace de vos prompts et de leurs résultats. Notez pour chaque version :

• Le texte exact du prompt
• Les paramètres utilisés (modèle, température, seed)
• Ce qui a fonctionné
• Ce qui doit être amélioré

Cette documentation vous fait gagner un temps considérable quand vous devez revenir sur un prompt ou l’adapter à un nouveau cas d’usage.

Mise en pratique

Prenez un prompt que vous avez déjà utilisé et qui n’a pas donné un résultat parfait. Appliquez la boucle d’amélioration en trois itérations :

1. Identifiez le problème principal de la réponse actuelle
2. Modifiez un seul aspect du prompt pour corriger ce problème
3. Testez et comparez avec le résultat précédent

Répétez jusqu’à obtenir un résultat satisfaisant.

Points clés à retenir

• Le prompting est itératif : le premier essai est rarement le dernier
• Modifiez un seul aspect par itération pour comprendre l’impact de chaque changement
• Les problèmes courants (longueur, sujet, format, ton) ont chacun des solutions spécifiques
• Les contraintes négatives et les contre-exemples sont des outils d’affinage puissants
• Utilisez le paramètre seed pour comparer objectivement deux formulations
• Documentez vos itérations pour capitaliser sur votre expérience