Techniques de Prompt Engineering : Guide d’Optimisation des LLM

Le prompt engineering est l’art et la science de concevoir de manière systématique des entrées permettant d’obtenir la sortie souhaitée des modèles d’IA. Les bonnes stratégies de prompt peuvent augmenter les performances du modèle jusqu’à 50 %.

Bases du Prompt Engineering

Anatomie d’un prompt

Un prompt efficace se compose des éléments suivants :

Instruction système : rôle du modèle et règles de comportement
Contexte : informations de base liées à la tâche
Exemple(s) : exemples du format de sortie attendu
Tâche : requête ou question spécifique
Format de sortie : structure de réponse attendue

Structure de prompt de base

1[Role Definition]
2You are a {field of expertise} expert.
3
4[Context]
5{Relevant information}
6
7[Task]
8{Specific request}
9
10[Format]
11{Expected output format}

Techniques de Prompt de Base

1. Zero-Shot Prompting

Définition directe de la tâche sans donner d’exemples :

Summarize the following text:
{text}

Cas d’usage :

Tâches simples
Questions de culture générale
Classification

2. Few-Shot Prompting

Définition de la tâche avec exemples :

1Text: "This product is great, I am very satisfied"
2Sentiment: Positive
3
4Text: "It was a terrible experience, I do not recommend it"
5Sentiment: Negative
6
7Text: "It's okay for the price"
8Sentiment: ?

Bonnes pratiques :

3 à 5 exemples suffisent généralement
Ajouter différents cas limites
Ordonner les exemples aléatoirement

3. Chain-of-Thought (CoT)

Raisonnement étape par étape :

1Question: A store has 15 apples. 8 apples were sold, 
2then 6 more apples arrived. How many apples are there?
3
4Let's think step by step:
51. Initially there are 15 apples
62. 8 apples sold: 15 - 8 = 7 apples left
73. 6 apples arrived: 7 + 6 = 13 apples
8
9Answer: 13 apples

4. Self-Consistency

Multiples chemins de raisonnement pour la même question :

1Solve this problem in 3 different ways and choose the most consistent answer:
2
3[Problem]

5. Tree of Thoughts (ToT)

Arbre de pensée ramifié :

1Problem: {complex problem}
2
3Thought 1: {approach A}
4  → Sub-thought 1.1: {detail}
5  → Sub-thought 1.2: {detail}
6  
7Thought 2: {approach B}
8  → Sub-thought 2.1: {detail}
9  
10Evaluate and select the most suitable path.

Techniques Avancées

ReAct (Reasoning + Acting)

Boucle pensée + action :

1Question: How many times larger is Istanbul's population than Paris?
2
3Thought: I need to find the population of both cities
4Action: [search] Istanbul population
5Observation: Istanbul population ~16 million
6
7Thought: Now I need to find Paris population
8Action: [search] Paris population  
9Observation: Paris population ~2.2 million
10
11Thought: I can calculate the ratio
12Action: [calculate] 16 / 2.2
13Observation: 7.27
14
15Answer: Istanbul's population is approximately 7.3 times larger than Paris.

Constitutional AI Prompting

Définition de règles d’éthique et de sécurité :

1System: You are a helpful assistant.
2
3Rules:
41. Do not generate harmful content
52. Do not share personal information
63. Do not help with illegal activities
74. Always be honest
8
9User question: {question}

Role Prompting

Définition d’un domaine d’expertise spécifique :

1You are a cybersecurity expert with 20 years of experience.
2You have worked as a CISO in Fortune 500 companies.
3You can explain technical details clearly and understandably.
4
5User's question: {question}
6## Stratégies d’optimisation de prompts
7
8### 1. Augmenter la spécificité
9
10❌ Mauvais :

Write a blog post


✅ Bon :

Target audience: Software developers Topic: Docker container security Length: 1500-2000 words Tone: Technical but accessible Format: Introduction, 5 main sections, conclusion

1
2### 2. Déterminer le format de sortie
3

Provide your response in this JSON format: { "summary": "string", "key_points": ["string"], "next_steps": ["string"], "confidence_score": number }

1
2### 3. Negative Prompting
3
4Spécifier les comportements indésirables :
5

Do NOT do the following:

Give speculative information
Make claims without citing sources
Lead the user
Give excessively long answers

1
2### 4. Utilisation de délimiteurs
3
4Clarifier les sections :
5

###CONTEXT### {context information}

###TASK### {work to be done}

###FORMAT### {output format}

1
2## Optimisations spécifiques aux modèles
3
4### Pour GPT
5

Use System message effectively
Activate JSON mode: response_format={"type": "json_object"}
Temperature: 0.7-1.0 for creative tasks, 0.1-0.3 for analytical

1
2### Pour Claude
3

Use XML tags: <context>, <task>, <format>
Put important information at the end in long context
Evaluate Thinking tags

1
2### Pour Gemini
3

Optimize for multimodal prompts
Up-to-date information with Grounding
Adjust Safety settings

1
2## Test et itération des prompts
3
4### Cadre de tests A/B
5

Prompt A: {version 1} Prompt B: {version 2}

Metrics:

Accuracy: %
Consistency: 1-5
Latency: ms
Token usage: #

1
2### Versioning des prompts
3

prompt_v1.0: First version prompt_v1.1: Typo corrections prompt_v2.0: CoT added prompt_v2.1: Output format changed

1
2## Gestion des prompts en entreprise
3
4### Création d’une bibliothèque de prompts
5

/prompts /classification - sentiment_analysis.json - intent_detection.json /generation - blog_writer.json - code_reviewer.json /extraction - entity_extraction.json - data_parsing.json

1
2### Système de templates de prompts
3
4```python
5class PromptTemplate:
6    def __init__(self, template, variables):
7        self.template = template
8        self.variables = variables
9    
10    def render(self, **kwargs):
11        return self.template.format(**kwargs)
12
13# Usage
14sentiment_prompt = PromptTemplate(
15    template="Analyze sentiment: {text}",
16    variables=["text"]
17)

Erreurs courantes et solutions

Erreur 1 : Prompt trop vague

Problème : Le modèle ne comprend pas ce que vous voulez
Solution : Ajouter des instructions et des exemples spécifiques

Erreur 2 : Prompt très long

Problème : Limite de tokens dépassée, coûts accrus
Solution : Supprimer les informations inutiles, utiliser un résumé

Erreur 3 : Instructions contradictoires

Problème : Le modèle se comporte de manière incohérente
Solution : Prioriser et clarifier les règles

Erreur 4 : Hallucination

Problème : Le modèle fournit des informations inventées
Solution : Grounding, exigence de citations, température plus basse

Conclusion

Le prompt engineering est un facteur essentiel dans la réussite des projets d’IA. Vous pouvez augmenter significativement les performances des modèles avec les bonnes techniques et une approche systématique.

Chez Veni AI, nous développons des stratégies de prompts personnalisées pour nos clients professionnels. Contactez-nous pour un accompagnement spécialisé.

Techniques d’ingénierie de prompts : guide d’optimisation des LLM