Qu'est-ce qu'un Prompt ?

Le prompt : votre interface avec l’intelligence artificielle

Lorsque vous interagissez avec un modèle de langage Mistral, chaque message que vous lui envoyez constitue un prompt. Ce terme, emprunté à l’anglais, désigne l’instruction ou la requête que vous soumettez au modèle pour obtenir une réponse. Comprendre ce qu’est un prompt et comment il fonctionne est la première étape pour tirer le meilleur parti des modèles Mistral, que vous passiez par Le Chat ou par l’API.

Un prompt peut être aussi simple qu’une question directe — « Quelle est la capitale de la France ? » — ou aussi élaboré qu’un document de plusieurs paragraphes contenant du contexte, des exemples, des contraintes de format et des instructions détaillées. Entre ces deux extrêmes, il existe tout un continuum, et c’est vous qui choisissez où placer le curseur selon l’enjeu. La qualité de la réponse que vous obtiendrez dépend directement de la qualité du prompt que vous formulez : c’est la thèse centrale de toute cette formation, et vous allez la vérifier leçon après leçon.

Comment le modèle traite votre prompt

Pour bien prompter, il faut d’abord comprendre ce qui se passe côté modèle. Les modèles Mistral fonctionnent par complétion de texte : le modèle reçoit votre prompt et génère la suite la plus probable, token par token. Un token correspond généralement à un mot ou un fragment de mot — « bonjour » peut être un seul token, tandis qu’un mot rare sera découpé en plusieurs morceaux.

Concrètement, le cycle est toujours le même : vous envoyez votre prompt via l’API Chat Completions de Mistral, le modèle analyse l’ensemble du contexte fourni, puis il génère sa réponse token par token en choisissant à chaque étape le token le plus approprié compte tenu de tout ce qui précède. La réponse complète vous est ensuite retournée d’un bloc, ou en streaming au fil de la génération.

Ce mécanisme explique pourquoi la formulation de votre prompt est si importante. Le modèle ne « comprend » pas votre intention cachée : il prolonge le texte que vous lui donnez. Si ce texte est flou, la prolongation la plus probable sera un texte tout aussi flou. Si le texte pose un cadre précis, la suite la plus probable respectera ce cadre. Votre prompt détermine littéralement la direction que prendra la génération.

L’impact du prompt sur la qualité des réponses

La différence entre un bon et un mauvais prompt peut être spectaculaire, et rien ne vaut une comparaison directe pour s’en convaincre. Imaginez que vous demandiez au modèle :

Parle-moi du marketing.

Vous obtiendrez une dissertation générique sur ce qu’est le marketing — exacte, mais inutilisable pour votre travail du jour. Comparez maintenant avec cette formulation :

Vous êtes un consultant en marketing digital spécialisé dans les PME françaises.
Listez 5 stratégies de marketing de contenu adaptées à un budget de moins de
500 euros par mois. Pour chaque stratégie, indiquez :
- Le canal principal
- Le temps hebdomadaire nécessaire
- Le ROI attendu à 6 mois

Ici, le modèle sait qui il est censé être, à qui il s’adresse, sous quelle contrainte budgétaire il raisonne et dans quel format il doit livrer. Il générera un plan concret, structuré et directement exploitable en réunion. Retenez bien ceci : la différence entre ces deux résultats ne tient pas au modèle, qui est le même dans les deux cas, mais uniquement à la précision de l’instruction.

Les composantes d’un prompt efficace

En décortiquant le second prompt ci-dessus, on retrouve les briques que vous manipulerez tout au long de cette formation. Le contexte fournit l’information de fond nécessaire à la compréhension de la tâche — dans notre exemple, le fait qu’on parle de PME françaises avec un petit budget. L’instruction énonce ce que vous attendez précisément du modèle : lister cinq stratégies, ni un conseil vague ni un cours magistral. Le format décrit la structure souhaitée pour la réponse — liste, tableau, JSON ou paragraphe — et c’est lui qui rend le résultat exploitable sans retouche. Les contraintes fixent les limites à respecter, comme la longueur, le ton ou le vocabulaire. Enfin, les exemples montrent au modèle une démonstration du résultat attendu, technique si efficace qu’une leçon entière lui est consacrée plus loin.

Vous n’avez pas besoin d’inclure tous ces éléments à chaque fois. Une question simple ne nécessite qu’une instruction claire, et surcharger un prompt trivial serait contre-productif. En revanche, dès que la tâche devient complexe — rédiger pour un public précis, analyser des données, produire un livrable formaté — combiner ces composantes améliore considérablement le résultat.

L’API Chat Completions de Mistral

Avec Mistral, les prompts passent par l’API Chat Completions. Cette API utilise un format de messages structuré où chaque message possède un rôle (system, user, assistant) et un contenu. Nous approfondirons ces rôles dans la prochaine leçon ; pour l’instant, voyez simplement à quoi ressemble un appel minimal avec le SDK Python de Mistral :

from mistralai import Mistral

client = Mistral(api_key="votre-cle-api")

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Quels sont les 3 principes du prompting efficace ?"}
    ]
)

print(response.choices[0].message.content)

Ce code envoie un prompt simple et affiche la réponse du modèle. Rien de plus — et pourtant tout est déjà là : un message, un rôle, un contenu. Dans les leçons suivantes, vous apprendrez à exploiter pleinement la richesse de cette API pour transformer ces trois lignes en véritables applications.

Points clés à retenir

• Un prompt est l’instruction que vous envoyez au modèle Mistral pour obtenir une réponse
• La qualité du prompt détermine directement la qualité de la réponse
• Un prompt efficace combine contexte, instruction, format et contraintes
• Les modèles Mistral traitent les prompts via l’API Chat Completions
• Investir du temps dans la formulation de vos prompts est le levier le plus puissant pour améliorer vos résultats