Contexte et Contraintes

Le contexte : donner au modèle ce qu’il ne sait pas

Les modèles Mistral disposent de connaissances générales étendues, mais ils ignorent tout de votre situation spécifique : votre entreprise, votre projet, votre audience, vos contraintes métier. Le contexte que vous fournissez dans votre prompt comble cet écart.

Sans contexte, le modèle produit des réponses génériques. Avec le bon contexte, il produit des réponses sur mesure. C’est le facteur qui transforme un outil généraliste en assistant spécialisé.

Types de contexte à fournir

Contexte situationnel

Décrivez la situation dans laquelle s’inscrit votre demande :

Contexte : Je suis directeur marketing d'une PME de 50 salariés
spécialisée dans la vente de mobilier de bureau en B2B.
Nous lançons une nouvelle gamme éco-responsable en septembre 2026.
Notre budget marketing annuel est de 80 000 euros.

Contexte documentaire

Fournissez les données que le modèle doit analyser ou utiliser :

Voici les résultats trimestriels à analyser :

<données>
T1 2026 : CA 1.2M€, marge 23%, 145 nouveaux clients
T2 2026 : CA 1.5M€, marge 21%, 178 nouveaux clients
T3 2026 : CA 1.1M€, marge 19%, 112 nouveaux clients
</données>

Identifiez les tendances et proposez 3 actions correctives pour le T4.

Contexte d’audience

Précisez à qui s’adresse le contenu généré :

Le texte s'adresse à des développeurs Python confirmés (5+ ans d'expérience)
qui découvrent les API de modèles de langage pour la première fois.
Pas besoin d'expliquer les bases de Python, mais détaillez les concepts LLM.

Définir le format attendu

Le format de sortie est l’une des contraintes les plus puissantes. Sans indication, le modèle choisira un format par défaut (souvent un texte en prose). En précisant le format, vous obtenez exactement ce dont vous avez besoin.

Formats courants

Liste à puces :

Listez les avantages sous forme de bullet points (5 maximum).

Tableau :

Présentez les résultats dans un tableau Markdown avec les colonnes :
Fonctionnalité | Disponibilité | Priorité

JSON structuré :

Retournez la réponse au format JSON suivant :
{
  "resume": "string (max 100 mots)",
  "mots_cles": ["string"],
  "sentiment": "positif | neutre | négatif",
  "score_confiance": "number (0-1)"
}

Code avec commentaires :

Écrivez la fonction en Python 3.11+.
Ajoutez des docstrings Google-style et des type hints.
Incluez 2 exemples d'utilisation en commentaires à la fin.

Contraindre la longueur

Les modèles Mistral ont tendance à être exhaustifs si vous ne fixez pas de limites. Voici comment contrôler la longueur :

Par nombre de mots :

Répondez en 150 mots maximum.

Par structure :

Répondez en exactement 3 paragraphes de 2-3 phrases chacun.

Par éléments :

Donnez exactement 5 recommandations, chacune en une phrase.

Attention : les modèles de langage comptent mal les mots et les caractères. Préférez des contraintes structurelles (nombre de paragraphes, de points, de sections) plutôt que des comptages précis.

Contraindre le ton et le registre

Le ton de la réponse influence directement son utilité. Soyez explicite :

Ton : professionnel mais accessible. Évitez le jargon technique
sauf quand il est incontournable (dans ce cas, définissez-le).
Utilisez le vouvoiement. Pas d'émojis ni de langage familier.

Quelques directives de ton efficaces :

• « Répondez comme un consultant senior qui présente à un comité de direction »
• « Adoptez un ton pédagogique, comme un professeur qui explique à des étudiants de master »
• « Soyez direct et concis, comme un rapport d’audit interne »

Contraindre le périmètre

Délimitez ce que le modèle doit et ne doit pas aborder :

Consignes de périmètre :
- Concentrez-vous UNIQUEMENT sur le marché français
- Ne mentionnez PAS les réglementations américaines ou britanniques
- Ignorez les aspects fiscaux (un autre expert s'en charge)
- Si une information vous manque, indiquez-le explicitement
  plutôt que d'inventer

La dernière consigne est particulièrement importante : elle réduit les hallucinations en autorisant le modèle à admettre ses limites.

Combiner contexte et contraintes

Un prompt professionnel combine naturellement contexte et contraintes. Voici un exemple complet :

messages = [
    {
        "role": "system",
        "content": """Vous êtes un analyste RH senior dans une entreprise tech française.
Règles :
- Français formel, vouvoiement
- Basez-vous uniquement sur les données fournies
- Si une donnée manque, signalez-le avec [DONNÉE MANQUANTE]
- Format : sections avec titres, bullet points, pas de prose"""
    },
    {
        "role": "user",
        "content": """Analysez les données d'absentéisme ci-dessous et proposez un plan d'action.

Données T1 2026 :
- Taux d'absentéisme global : 7.2% (+1.8 pts vs T1 2025)
- Département le plus touché : Support client (12.1%)
- Motif principal : arrêts maladie courte durée (< 5 jours)
- Ancienneté moyenne des absents : 2.3 ans

Format attendu :
1. Diagnostic (3 points max)
2. Causes probables (3 hypothèses)
3. Plan d'action (5 mesures concrètes avec calendrier)"""
    }
]

Points clés à retenir

• Le contexte transforme une réponse générique en réponse personnalisée
• Fournissez le contexte situationnel, documentaire et d’audience selon les besoins
• Définissez toujours le format de sortie attendu (JSON, liste, tableau, etc.)
• Contraignez la longueur par la structure plutôt que par le comptage de mots
• Délimitez le périmètre pour éviter les hors-sujet et les hallucinations
• Autorisez le modèle à signaler les informations manquantes