Le prompt engineering : le guide complet

1.Les fondamentaux

L'anatomie d'un bon prompt

Les documentations officielles (OpenAI, Anthropic, Google, IBM) convergent toutes vers une même ossature :

• Rôle (ou persona) : qui l'IA doit être. « Tu es un directeur artistique », « Tu es un juriste spécialisé en droit audiovisuel ». Le rôle oriente le style, le vocabulaire et le niveau d'exigence.
• Contexte : la situation, les données, l'objectif, l'audience, les contraintes réelles. Sans contexte, l'IA invente ; avec, elle s'ajuste.
• Tâche : l'action attendue, formulée par un verbe précis suivi d'un résultat. Pas « aide-moi », mais « analyse ces trois options et recommande la plus solide ».
• Contraintes : longueur, format, langue, style, règles à respecter, garde-fous.
• Exemples (few-shot) : deux à cinq exemples du résultat souhaité avant de demander un nouveau cas.
• Format de sortie : la structure imposée (plan, tableau, JSON), idéalement montrée par un exemple.

Système, contexte, rôle : trois leviers à distinguer

Google propose une distinction utile entre trois façons de cadrer le modèle :

• Le prompt système définit la vocation globale : ce que le modèle fait fondamentalement (traduire, classer, respecter un format). C'est aussi là qu'on place les règles de sécurité (« Reste respectueux dans ta réponse »).
• Le prompt de contexte fournit l'information immédiate et propre à la tâche du moment. Il est dynamique, il change à chaque demande.
• Le prompt de rôle donne un personnage, un ton, une voix, une expertise.

Les trois se combinent, mais les distinguer aide à concevoir des prompts avec une intention claire.

Exemple (rôle et ton). « Agis comme un guide touristique. Je suis à Amsterdam, suggère 3 musées. » donne une réponse informative. La même demande « ...sur un ton humoristique » produit des suggestions drôles. Le rôle fixe l'expertise, le ton fixe la voix. Styles utiles à préciser : direct, formel, humoristique, inspirant, persuasif, descriptif.

La structure et les délimiteurs

Placer les instructions au début, et les séparer des données par des délimiteurs explicites (###, guillemets triples, balises XML), réduit les ambiguïtés. Le modèle distingue mieux la consigne du contenu, et respecte plus fidèlement les formats stricts. Anthropic recommande les balises XML ; OpenAI, les en-têtes Markdown. Le principe est le même : une frontière claire vaut mieux qu'un paragraphe continu.

L'itération et le test

Le prompt engineering est expérimental. On part d'une première version, on observe la sortie, on ajuste le wording, la structure et les exemples jusqu'à un comportement stable. La bonne pratique : définir des cas de test (entrées représentatives, critères de réussite) pour évaluer chaque modification, plutôt que de se fier à une impression. On teste plusieurs variantes en quelques minutes, sans réentraîner le modèle.

2.Les réglages du modèle

Au-delà du texte du prompt, la plupart des modèles offrent des réglages qui pilotent la façon dont ils choisissent chaque mot. Les connaître, c'est passer d'amateur à averti. (Ces réglages sont accessibles via les API et les studios comme Vertex AI, pas toujours dans les chats grand public.)

La longueur de sortie (max tokens)

Le nombre maximal de mots générés. Le réduire ne rend pas le modèle plus concis : il coupe simplement la génération une fois la limite atteinte. Pour une réponse courte, il faut donc aussi le demander dans le prompt.

La température

Elle contrôle le degré de hasard dans le choix des mots.

• Basse (proche de 0) : réponses déterministes, stables, factuelles. À 0, le modèle prend toujours le mot le plus probable.
• Haute (proche de 1 et au-delà) : réponses plus variées, plus créatives, plus surprenantes.

Top-K et top-P

Deux façons de restreindre les mots candidats aux plus probables.

• Top-K : ne garde que les K mots les plus probables. Plus K est bas, plus la réponse est factuelle et resserrée.
• Top-P (nucleus sampling) : garde les mots dont la probabilité cumulée n'excède pas P. Même logique, autre mécanique.

Les réglages de départ recommandés

Attention au « bug de la boucle de répétition » : un modèle qui répète en boucle le même mot ou la même phrase. Il vient souvent de réglages mal calibrés (température ou top-K/top-P trop bas ou trop hauts), et se corrige en ajustant ces valeurs.

3.Le métier de prompt engineer

Définition

Le prompt engineering est la pratique consistant à concevoir, affiner et implémenter les instructions qui guident les sorties d'un grand modèle. Un prompt engineer conçoit, teste et maintient des systèmes de prompts (souvent organisés en bibliothèques) pour des applications précises. Il se situe à l'interface entre le métier et la technique, traduisant un besoin réel en consignes que le modèle peut suivre.

Les compétences clés

• Comprendre les modèles : contexte, tokens, hallucinations, longueur, biais.
• Rédiger et concevoir : des consignes claires, structurées, adaptées à l'audience.
• Connaître le métier : intégrer les règles et contraintes propres à un domaine.
• Expérimenter et évaluer : concevoir des tests, des métriques, des comparaisons.
• Sécurité et éthique : connaître les risques (jailbreak, fuite de données) et poser des garde-fous.

Une discipline à part entière

L'ingénierie des prompts est passée d'un art empirique à une discipline structurée. Les prompts sont désormais traités comme des artefacts techniques : on les versionne, on les teste, on les documente, on les relit comme du code. Dans les secteurs régulés, leur qualité et leur traçabilité deviennent même des enjeux de conformité.

4.Les techniques par type de contenu

Les principes communs (clarté, contexte, structure, exemples) restent valables partout, mais chaque modalité a ses spécificités.

Texte

Rédaction, réécriture, résumé, analyse, extraction, planification. Bonnes pratiques :

• Préciser le type de texte (article, note, script) et l'audience.
• Demander un plan avant le texte complet, puis itérer section par section.
• Séparer la consigne du texte source par des délimiteurs.
• Imposer un format de sortie, montré par un exemple.

Image

Pour les modèles texte-vers-image (Midjourney, DALL-E, Nano Banana, Stable Diffusion), un prompt fort s'écrit par couches. Plus vous les empilez précisément, plus vous contrôlez le résultat :

• Le médium : photographie, illustration, aquarelle, rendu 3D, cinématographique.
• Le sujet et l'action : qui, quoi, quelle pose, quelle expression.
• Le cadrage et l'angle : c'est là que le vocabulaire de cinéma fait la différence. Plan large, plan taille, plan poitrine, gros plan, très gros plan ; à hauteur d'œil, en plongée, en contre-plongée, en Dutch tilt.
• L'optique : type d'objectif et ouverture. Un 50mm pour un rendu naturel, un macro pour le détail, une ouverture f/1.2 pour une faible profondeur de champ et un arrière-plan fondu.
• L'éclairage : lumière douce, contraste élevé, lumière dorée, éclairage de studio, flash sur lumière du jour.
• L'ambiance et la couleur : palette, atmosphère, saturation.
• Le rendu et la texture : grain, type de pellicule (par exemple Kodak Portra 800), relief, réalisme.

Exemple (portrait cinématographique). « photographie, Sony A7III avec objectif 50mm, f/2.8, portrait en pied de [sujet] dans [tenue], regardant l'objectif, [décor] en arrière-plan, éclairage hollywoodien cinématographique, réalisme ultra-détaillé. »

Astuce de storyboard : créez d'abord une image de base, puis demandez le même sujet dans plusieurs plans (large, moyen, gros plan, contre-plongée, plan mouvement avec filé…). Vous obtenez une série cohérente, idéale pour un découpage ou une planche de tournage.

Musique et son

Les modèles audio (Suno, Udio et similaires) attendent une description de :

• Genre et influences, sans citer d'artiste protégé.
• Tempo et énergie.
• Palette sonore (synthés, piano, cordes, percussions).
• Structure (intro, couplet, refrain, pont, outro) ou durée cible.

Programmation et code

Les modèles savent quatre choses avec le code : l'écrire, l'expliquer, le traduire d'un langage à un autre, et le déboguer. Pour toutes, les mêmes principes valent :

• Le contexte est roi : donnez le langage et sa version, l'environnement et le framework, les conventions de style, et le code existant concerné. Séparez la consigne du code par des délimiteurs.
• Demandez un plan avant le code : forcez une étape de compréhension en langage naturel avant la génération. Sur les tâches complexes, cela réduit fortement les erreurs.
• Exigez des tests : demandez des cas d'entrée et de sortie, et un mot sur les limites et les cas d'erreur.
• Pilotez l'effort : les modèles récents (GPT-5, Claude) permettent de régler l'effort de raisonnement et la longueur de réponse. Plus d'effort pour une architecture délicate, moins pour une tâche simple.
• Pensez agentique : les assistants de code modernes lisent vos fichiers, exécutent, testent et corrigent en boucle. Donnez un objectif clair et des contraintes, puis laissez le modèle itérer.

Exemple (débogage). Collez le message d'erreur (le traceback) et le code fautif, puis : « Débogue ce code, explique la cause, corrige-le, et signale les autres améliorations possibles. » Le modèle identifie le bug, le corrige, et repère souvent d'autres faiblesses (gestion d'erreurs, cas limites, lisibilité).

Règle d'or : un modèle ne raisonne pas comme un humain et peut reproduire des schémas de ses données d'entraînement. Relisez et testez toujours le code avant de l'exécuter.

Contenus multimédias

• Décomposer la tâche en sous-tâches (script, découpage, direction artistique, assets) avec des prompts chaînés.
• Utiliser des champs explicites par modalité (<description_image>, <voix_off>, <notes_scene>).
• Imposer des formats structurés (tableaux, listes) pour les livrables intermédiaires.

5.Les techniques avancées transversales

Zero-shot et few-shot

Le zero-shot formule une tâche sans exemple. Le few-shot ajoute des exemples annotés, ce qui améliore fortement la cohérence et le style. Règle pratique : au moins trois à cinq exemples (commencez plutôt vers six pour les tâches de classification). Choisissez des exemples pertinents, variés, de qualité, en incluant des cas limites. Pour une classification, mélangez l'ordre des catégories dans vos exemples, sinon le modèle apprend l'ordre plutôt que le fond.

Exemple. Pour extraire une commande en JSON, on montre le motif avant de demander :
« Transforme la commande en JSON. Exemple : "Une petite pizza jambon-fromage." donne {"taille": "petite", "ingredients": ["jambon", "fromage"]}. Commande : "Une grande pizza tomate, basilic, mozzarella." »
Le modèle imite le motif et renvoie un JSON propre.

Chain-of-thought (raisonnement pas à pas)

Demander au modèle de détailler son raisonnement avant la réponse améliore nettement les tâches de logique et de calcul. Deux règles issues du guide Google : la réponse finale doit venir après le raisonnement, et pour ce type de tâche, réglez la température à 0 (il y a une seule bonne réponse).

Exemple. « Quand j'avais 3 ans, mon partenaire avait 3 fois mon âge. J'ai 20 ans aujourd'hui. Quel âge a-t-il ? » Sans consigne, le modèle répond souvent faux. Ajoutez « Raisonne étape par étape » : il déroule le calcul et trouve le bon résultat (26 ans).

Step-back prompting

Une technique puissante et peu connue : au lieu d'attaquer directement la tâche, on pose d'abord une question générale liée au sujet, puis on réinjecte cette réponse comme contexte pour la tâche précise. Ce « pas en arrière » active des connaissances de fond et donne des résultats plus riches et plus justes. Exemple : avant d'écrire le scénario d'un niveau de jeu, demander « quels sont cinq décors marquants pour ce type de jeu ? », puis composer à partir de la meilleure idée.

Self-consistency

Générer plusieurs raisonnements indépendants pour une même question (température élevée), puis retenir la réponse majoritaire. Plus coûteux, mais plus fiable sur les tâches délicates.

Tree of Thoughts

Une généralisation du chain-of-thought : le modèle explore plusieurs branches de raisonnement en parallèle, au lieu d'une seule ligne. Adapté aux problèmes complexes qui demandent de l'exploration.

ReAct (raisonner et agir)

Le modèle alterne raisonnement et action dans une boucle : il réfléchit, agit (par exemple une recherche web ou un appel d'outil), observe le résultat, ajuste, recommence, jusqu'à la solution. C'est la première marche vers les agents : un modèle qui ne se contente plus de répondre, mais qui va chercher l'information et enchaîne les étapes.

Exemple. « Combien d'enfants ont au total les membres de Metallica ? » Le modèle raisonne, cherche chaque membre un par un (action : une recherche ; observation : le nombre d'enfants), additionne au fil de l'eau, puis conclut. Le raisonnement et l'action, en boucle.

Automatic Prompt Engineering (APE)

Utiliser un modèle pour générer, évaluer et sélectionner des prompts. On lui demande dix formulations d'une même intention, on les note, on garde la meilleure. Utile pour couvrir toutes les façons dont un utilisateur pourrait formuler une demande.

Prompting structuré et sortie JSON

Pour les tâches non créatives (extraire, classer, ordonner), demandez une sortie structurée (JSON, XML). Les bénéfices : un format toujours identique, des types de données, un tri possible, et surtout moins d'hallucinations, car la structure force le modèle. On peut aussi structurer l'entrée avec un schéma JSON, pour dire au modèle exactement quels champs attendre. Un bémol : le JSON consomme beaucoup de tokens et peut être coupé s'il dépasse la limite (des bibliothèques de « JSON repair » réparent alors la sortie).

Exemple. « Classe cet avis en positif, neutre ou négatif. Renvoie un JSON : {"sentiment": "...", "titre": "..."}. » En imposant le schéma, on obtient une sortie régulière, exploitable directement, avec moins d'hallucinations.

6.L'IA dans les domaines spécialisés

Le prompt engineering se décline selon les secteurs.

• Santé et recherche : résumés, structuration, en rappelant que l'IA ne remplace pas le jugement, et en demandant des sources.
• Éducation : QCM, cas, explications pas à pas ; on précise le niveau et les objectifs.
• Finance, droit et secteurs régulés : prompts prudents, qui définissent ce que l'IA peut faire (analyser, structurer) et ne doit pas faire (donner un conseil définitif), avec vérification humaine.
• Marketing et création : copywriting, campagnes, scripts, avec persona, produit et contraintes de ton et de plateforme.
• Recherche scientifique : rédaction, résumés, souvent couplés à des bases de connaissances pour limiter les hallucinations.

Un fil rouge traverse tous ces usages : l'IA assiste, elle ne décide pas à la place de l'humain.

7.Les bonnes pratiques

Ces règles, tirées notamment du guide Google, font la différence au quotidien.

Privilégier les instructions aux interdits

Dire ce qu'il faut faire fonctionne mieux que d'empiler ce qu'il ne faut pas faire. Une instruction positive communique clairement le résultat voulu ; une liste d'interdits laisse le modèle deviner, et peut se contredire. Gardez les interdits pour la sécurité ou un format strict.

À privilégier : « Rédige un paragraphe sur les cinq consoles les plus vendues. Ne parle que de la console, du fabricant, de l'année et des ventes. »
À éviter : « Rédige un paragraphe sur les cinq consoles. Ne cite pas de noms de jeux. »

Rester simple

Si le prompt vous embrouille, il embrouillera le modèle. Pas de langage inutilement complexe, pas d'information superflue. Et commencez vos consignes par un verbe d'action : Agir, Analyser, Classer, Comparer, Créer, Décrire, Évaluer, Extraire, Générer, Identifier, Lister, Organiser, Rédiger, Recommander, Résumer, Traduire.

Être précis sur la sortie

Une consigne trop vague donne une réponse générique. Dites la longueur, le ton, le style, le format.

Utiliser des variables

Pour réutiliser un prompt, remplacez les éléments qui changent par des variables (par exemple {ville}). Vous gagnez du temps et vous industrialisez vos prompts, au lieu de tout réécrire à chaque fois.

Expérimenter les formats

Une même demande formulée en question, en affirmation ou en instruction donne des résultats différents. Testez, comparez.

Documenter ses prompts

La pratique la plus sous-estimée, et l'une des plus rentables. Tenez un tableau de vos essais : vous saurez ce qui marche, vous pourrez revenir en arrière, et retester à chaque changement de modèle. Un modèle de tableau :

8.Les erreurs à éviter et les 10 commandements

Les pièges les plus courants

• Prompts trop vagues : sans audience, format ni objectif.
• Instructions contradictoires : court et très détaillé à la fois.
• Absence de contexte : réponse générique.
• Pas de format de sortie : intégration difficile.
• Prompts non testés : performances instables.
• Sécurité ignorée : aucune limite posée.
• Le « lost in the middle » : une information cruciale noyée au milieu d'un long prompt. On la place au début ou à la fin.

Les 10 commandements du prompt

1. 1Sois clair et spécifique. Précise le but, l'audience, le format. Bannis le flou.
2. 2Définis le rôle de l'IA. Indique qui parle, pour orienter le style et le contenu.
3. 3Donne le contexte pertinent. Fournis les données, contraintes et objectifs nécessaires.
4. 4Structure ton prompt en blocs. Sépare instructions, contexte et données par des délimiteurs.
5. 5Spécifie le format de sortie. Impose la structure, avec un exemple si possible.
6. 6Utilise des exemples quand c'est utile. Montre le résultat attendu avant de demander un nouveau cas.
7. 7Fais raisonner pas à pas les tâches complexes. Le raisonnement explicite améliore la fiabilité.
8. 8Préfère les instructions aux interdits. Dis ce qu'il faut faire, pas seulement ce qu'il faut éviter.
9. 9Itère, teste et documente. Définis des cas de test, versionne et consigne tes prompts.
10. 10Garde la main. Rappelle les limites du modèle, vérifie toujours, et traite tes prompts comme des actifs réutilisables.

Pour aller plus loin

• Google - « Prompt Engineering » (whitepaper de Lee Boonstra, 2025), la référence pratique la plus complète
• OpenAI - Prompt engineering guide et best practices
• Anthropic - Prompt engineering overview et tutoriel interactif
• The Prompt Report - A Systematic Survey of Prompt Engineering Techniques (survey académique)
• IBM - ressources et guides prompt engineering