Anti-Patterns à Éviter

Les erreurs qui sabotent vos prompts

Maîtriser le prompting, c’est aussi savoir ce qu’il ne faut pas faire. Certaines habitudes, qui semblent naturelles en communication humaine, produisent des résultats médiocres avec les modèles Mistral. Cette leçon recense les anti-patterns les plus fréquents et vous montre comment les corriger.

Anti-pattern 1 : le langage subjectif

Les modèles de langage ne perçoivent pas les mots subjectifs comme vous. Des termes comme « court », « long », « beaucoup », « intéressant » ou « pas trop » sont ambigus et produisent des résultats imprévisibles.

Mauvais :

Écrivez un texte pas trop long sur l'IA.
Incluez beaucoup d'exemples intéressants.

Bon :

Écrivez un texte de 200 à 300 mots sur l'IA générative.
Incluez 3 exemples concrets d'application en entreprise
(marketing, RH, service client).

La règle : remplacez chaque terme subjectif par une mesure objective. « Pas trop long » devient « 200-300 mots ». « Beaucoup d’exemples » devient « 3 exemples ». « Intéressants » devient une description précise du type d’exemples attendus.

Anti-pattern 2 : les instructions contradictoires

Quand votre prompt contient des consignes incompatibles, le modèle doit choisir laquelle suivre — et ce choix est imprévisible.

Mauvais :

Soyez exhaustif et couvrez tous les aspects du sujet.
Répondez en maximum 3 phrases.

Bon :

Couvrez les 3 aspects principaux du sujet.
Pour chaque aspect, donnez une phrase de synthèse (max 25 mots).

Si vos règles sont complexes avec des cas conditionnels, utilisez une structure d’arbre de décision :

Si le client est un particulier :
  → Utilisez un ton accessible, évitez le jargon technique
  → Proposez l'offre Starter en premier

Si le client est une entreprise :
  → Utilisez un ton professionnel et technique
  → Proposez l'offre Enterprise en premier

Si vous ne savez pas :
  → Demandez poliment si c'est pour un usage personnel ou professionnel

Anti-pattern 3 : demander au modèle de compter

Les modèles de langage sont mauvais en comptage. Ils ne comptent pas réellement les mots, les caractères ou les phrases — ils estiment. Ne leur demandez pas de vérifier des longueurs ou de compter des occurrences.

Mauvais :

Écrivez un texte de exactement 150 mots.
Vérifiez que chaque phrase fait moins de 20 mots.

Bon :

Écrivez un texte court (environ 150 mots, 2-3 paragraphes).
Utilisez des phrases concises et directes.

Si le comptage est critique pour votre application, effectuez-le côté code après avoir reçu la réponse du modèle, pas dans le prompt.

Anti-pattern 4 : la génération excessive de tokens

Chaque token généré a un coût (financier et en latence). Demander au modèle de produire des informations que vous n’utiliserez pas est du gaspillage.

Mauvais :

Analysez ce code et expliquez chaque ligne en détail.
Donnez aussi l'historique du langage de programmation utilisé
et les alternatives possibles.

Bon :

Analysez ce code et identifiez :
1. Les bugs potentiels (avec la ligne concernée)
2. Une correction proposée pour chaque bug
Rien d'autre.

Le « rien d’autre » est une consigne puissante. Elle dit explicitement au modèle de ne pas ajouter d’informations non demandées.

Anti-pattern 5 : les échelles numériques

Demander au modèle de noter sur une échelle numérique (1 à 5, 1 à 10) produit des résultats incohérents. Le modèle n’a pas de calibration interne fiable pour ces échelles.

Mauvais :

Notez la qualité de ce texte sur une échelle de 1 à 10.

Bon :

Évaluez la qualité de ce texte selon ces niveaux :
- Insuffisant : erreurs factuelles, structure incohérente
- Acceptable : correct mais manque de profondeur ou de clarté
- Bon : bien structuré, clair, avec des exemples pertinents
- Excellent : publication-ready, original, apporte une valeur ajoutée claire

Choisissez un niveau et justifiez en 2 phrases.

En définissant des échelles verbales avec des critères explicites, vous obtenez des évaluations reproductibles et justifiées.

Anti-pattern 6 : les instructions vagues

Les consignes trop générales laissent trop de latitude au modèle et produisent des résultats qui ne correspondent pas à vos attentes.

Mauvais :

Améliorez ce texte.

Bon :

Améliorez ce texte en corrigeant :
1. Les fautes d'orthographe et de grammaire
2. Les phrases de plus de 30 mots (simplifiez-les)
3. Les répétitions de mots dans un rayon de 3 phrases

Ne modifiez PAS :
- Le sens des phrases
- Les termes techniques (même s'il existe des synonymes)
- La structure des paragraphes

Anti-pattern 7 : ignorer le pré-remplissage

Beaucoup d’utilisateurs ignorent la possibilité de pré-remplir la réponse via le rôle assistant. C’est pourtant un levier puissant pour forcer un format :

Sans pré-remplissage (format imprévisible) :

messages = [
    {"role": "user", "content": "Listez 3 avantages du télétravail en JSON."}
]

Avec pré-remplissage (format garanti) :

messages = [
    {"role": "user", "content": "Listez 3 avantages du télétravail en JSON."},
    {"role": "assistant", "content": {avantages: [}
]

Points clés à retenir

• Remplacez le langage subjectif par des mesures objectives
• Évitez les instructions contradictoires — utilisez des arbres de décision
• Ne demandez jamais au modèle de compter des mots ou des caractères
• Demandez uniquement les informations que vous utiliserez réellement
• Préférez les échelles verbales aux échelles numériques
• Soyez spécifique dans vos instructions d’amélioration ou de correction
• Exploitez le pré-remplissage assistant pour garantir le format de sortie