Les techniques fondamentales du prompting
Le prompt engineering est l'art de formuler des instructions pour obtenir les meilleures réponses d'un LLM. Voici les 12 techniques les plus impactantes, de la plus simple à la plus avancée.
1. Zero-shot
Donner l'instruction sans aucun exemple :
Classifie ce texte comme positif, négatif ou neutre :
"Le produit est arrivé en retard mais fonctionne bien."2. Few-shot
Fournir quelques exemples pour guider le modèle :
Exemple 1 : "Excellent produit !" → positif
Exemple 2 : "Horrible, ne fonctionne pas" → négatif
Classifie : "Correct mais sans plus" → ?3. Chain-of-Thought (CoT)
Demander au modèle de raisonner étape par étape (Wei et al., 2022) :
Résous ce problème étape par étape :
Si un train roule à 120km/h pendant 2h30, quelle distance parcourt-il ?4. Zero-shot CoT
Ajouter simplement "Réfléchis étape par étape" à la fin du prompt.
5. Tree of Thoughts (ToT)
Explorer plusieurs chemins de raisonnement en parallèle, évaluer chacun, et sélectionner le meilleur (Yao et al., 2023).
6. ReAct (Reasoning + Acting)
Alterner entre raisonnement et actions concrètes (Yao et al., 2022) :
Thought: Je dois trouver la population de Paris
Action: search("population Paris 2024")
Observation: 2.1 millions d'habitants
Thought: J'ai la réponse
Answer: Paris compte 2.1 millions d'habitants.7. Role prompting
Assigner un rôle spécifique :
Tu es un expert en cybersécurité avec 15 ans d'expérience.
Analyse cette configuration réseau pour les vulnérabilités.8. Output formatting
Spécifier le format de sortie attendu :
Retourne ta réponse en JSON avec les champs :
{"sentiment": "...", "confidence": 0.0-1.0, "keywords": [...]}9. Delimiter-based prompting
Utiliser des délimiteurs clairs pour séparer les sections :
<context>
{document}
</context>
<instructions>
Résume le document ci-dessus en 3 points.
</instructions>10. Self-consistency
Générer plusieurs réponses et prendre le consensus (majorité).
11. Generated Knowledge
Demander au modèle de générer des faits pertinents avant de répondre.
12. Meta-prompting
Demander au LLM d'améliorer le prompt lui-même :
Voici mon prompt actuel : {...}
Comment l'améliorer pour obtenir des résultats plus précis ?Quand utiliser quoi
- Tâches simples : Zero-shot avec output formatting
- Classification : Few-shot (3-5 exemples)
- Raisonnement : Chain-of-Thought
- Problèmes complexes : Tree of Thoughts ou ReAct
- Tâches créatives : Role prompting + contraintes