Itérer et donner des exemples

Le prompt parfait du premier coup est rare

Une conversation avec un modèle d'IA est souvent itérative : la première réponse sert de point de départ, affiné par des demandes de correction successives, plutôt qu'une recherche du prompt parfait unique.

Utilisateur : "Écris une annonce d'emploi pour un poste de
technicien support."

Modèle : [génère une annonce générique]

Utilisateur : "Trop générique. Ajoute que le poste est en
présentiel, mentionne la maîtrise de Windows Server, et
raccourcis à 150 mots maximum."

Modèle : [génère une version affinée]

Le few-shot prompting : donner des exemples

Fournir un ou plusieurs exemples du résultat attendu (few-shot prompting) guide fortement le modèle vers le style et le format souhaités, plus efficacement qu'une description abstraite.

"Reformule ces titres de tickets support selon cet exemple :

Original : 'ça marche pas l'imprimante'
Reformulé : 'Imprimante HP-2e-étage hors service depuis ce matin'

Original : 'jarrive pas a me connecter'
Reformulé : [le modèle applique le même style de reformulation]"

Demander au modèle d'expliquer son raisonnement

Sur des tâches complexes (analyse, décision), demander explicitement au modèle d'expliquer les étapes de son raisonnement avant de conclure améliore souvent la qualité et la fiabilité de la réponse finale, une technique appelée chain-of-thought.

Cas concret

Un utilisateur demande à un modèle de trier une liste de 50 tickets support par priorité. La première réponse applique des critères incohérents. En demandant "explique d'abord les critères de priorisation que tu vas utiliser, puis applique-les", le modèle explicite sa logique (impact, urgence, nombre d'utilisateurs concernés) avant de trier, produisant un résultat bien plus cohérent et vérifiable.

Erreurs fréquentes

• Abandonner après une première réponse insatisfaisante au lieu d'itérer avec des précisions ciblées sur ce qui ne convient pas.
• Décrire abstraitement un style souhaité au lieu de fournir un exemple concret, souvent bien plus efficace (few-shot).
• Ne jamais demander le raisonnement sur une tâche complexe, se privant d'un moyen de vérifier la logique appliquée avant d'accepter le résultat.

À retenir

• Itérer avec des corrections précises est normal et souvent plus efficace que chercher le prompt parfait dès le départ.
• Fournir des exemples concrets (few-shot prompting) guide plus efficacement le modèle qu'une description abstraite.
• Demander d'expliquer le raisonnement avant de conclure (chain-of-thought) améliore la fiabilité sur les tâches complexes.

Mini-exercice

Un modèle trie une liste de tâches de façon incohérente. Quelle technique demander pour améliorer la cohérence du résultat ?

Réponse : demander au modèle d'expliquer d'abord les critères de tri qu'il va appliquer avant de produire le résultat final (chain-of-thought), rendant sa logique explicite et vérifiable plutôt qu'une décision opaque.