Cas pratiques Prompt Engineering

Contexte : Une entreprise souhaite classer des tickets support dans des catégories prédéfinies. Le Problème : Le modèle invente parfois de nouvelles catégories. Contraintes : Fournir liste explicite des catégories autorisées. Interdire toute valeur en dehors de la liste. Définir sortie sous forme de mot unique. Livrable attendu : Rédiger un prompt permettant une classification stricte dans un ensemble fermé de catégories.

Contexte : Une application utilise le prompt suivant pour générer des réponses clients. Le Problème : Le modèle produit des réponses très variables et parfois incomplètes. Extrait logique actuelle : "Réponds à la question suivante." Contraintes : Ajouter rôle explicite. Spécifier ton attendu. Définir structure de réponse. Éviter ambiguïté. Livrable attendu : Proposer une version améliorée du prompt garantissant cohérence, clarté et stabilité des réponses générées.

Contexte : Une application demande au modèle de générer une recommandation stratégique. Le Problème : Les réponses sont génériques car aucun contexte métier précis n’est fourni. Extrait logique actuelle : "Donne une stratégie pour améliorer les ventes." Contraintes : Ajouter contexte sectoriel. Définir objectif précis. Limiter portée temporelle. Livrable attendu : Reformuler le prompt en intégrant contexte métier clair afin d’obtenir recommandations pertinentes.

Contexte : Une application affiche les réponses LLM dans une interface limitée. Le Problème : Les réponses générées sont trop longues et dépassent l’espace disponible. Extrait logique actuelle : "Explique ce concept." Contraintes : Définir longueur maximale en nombre de phrases ou mots. Spécifier style synthétique. Tester stabilité des réponses. Livrable attendu : Proposer un prompt amélioré garantissant réponses concises adaptées aux contraintes d’interface.

Contexte : Une application doit recevoir une réponse au format JSON pour traitement automatique. Le Problème : Le modèle génère du texte libre non exploitable. Extrait logique actuelle : "Analyse ce texte et donne le résultat." Contraintes : Définir explicitement le format JSON attendu. Spécifier les champs requis. Interdire tout texte additionnel. Livrable attendu : Reformuler le prompt afin d’obtenir une sortie strictement structurée et exploitable automatiquement.

Contexte : Une application inclut l’intégralité d’un document volumineux dans le prompt. Le Problème : Les requêtes dépassent la limite de tokens et échouent. Extrait logique actuelle : prompt = full_document + user_question Contraintes : Réduire contenu injecté. Supprimer informations non essentielles. Structurer prompt de manière concise. Livrable attendu : Proposer une version optimisée du prompt respectant les limites tout en conservant pertinence.

Contexte : Une plateforme e-learning utilise un LLM pour expliquer des concepts techniques. Le Problème : Les explications sont trop complexes pour des débutants. Contraintes : Définir rôle pédagogique clair. Préciser niveau cible (débutant). Imposer style simple et exemples concrets. Livrable attendu : Concevoir un prompt structuré permettant génération d’explications accessibles et adaptées au public visé.

Contexte : Une entreprise souhaite extraire nom, date et montant à partir de documents texte. Le Problème : Les réponses générées ne respectent pas une structure exploitable. Contraintes : Définir champs obligatoires. Spécifier format exact de sortie. Interdire commentaires additionnels. Livrable attendu : Concevoir un prompt garantissant extraction fiable et structurée des informations demandées.

Contexte : Une équipe marketing souhaite générer automatiquement des résumés de rapports internes. Le Problème : Les résumés produits sont trop longs ou manquent de structure. Contraintes : Demander explicitement un résumé court. Imposer un nombre maximal de phrases. Structurer la sortie en points clés. Livrable attendu : Concevoir un prompt clair permettant d’obtenir un résumé concis et structuré, directement exploitable par l’équipe.

Contexte : Une entreprise déploie un assistant basé sur LLM pour aider les équipes support à répondre aux questions courantes. Le Problème : Les réponses générées sont vagues et parfois hors sujet car le prompt est trop générique. Contraintes : Définir clairement le rôle du modèle. Fournir un contexte explicite. Préciser le format de sortie attendu. Limiter la longueur de la réponse. Livrable attendu : Rédiger un prompt structuré incluant rôle, contexte, consignes précises et format de sortie afin d’améliorer la qualité et la cohérence des réponses.

Contexte : Une plateforme e-learning s’adresse à des profils débutants et intermédiaires. Le Problème : Le même prompt génère des réponses trop complexes pour les débutants. Contraintes : Intégrer variable de niveau dans le prompt. Adapter ton, vocabulaire et profondeur d’explication selon paramètre fourni. Maintenir cohérence structurelle. Livrable attendu : Concevoir un prompt paramétrable permettant d’ajuster dynamiquement le niveau de détail en fonction du profil utilisateur.

Contexte : Une entreprise souhaite classifier automatiquement des demandes clients dans 6 catégories métier précises. Le Problème : Le modèle se trompe régulièrement sur des cas ambigus lorsque seul un prompt simple est utilisé. Contraintes : Construire un prompt few-shot incluant plusieurs exemples représentatifs, y compris des cas limites. Maintenir un format de sortie strict (une seule catégorie autorisée). Limiter la taille totale du prompt pour éviter dépassement de tokens. Livrable attendu : Rédiger un prompt few-shot structuré incluant consignes, exemples annotés et format de sortie contrôlé afin d’améliorer la précision sur cas ambigus.

Contexte : Une application assemble dynamiquement différentes parties d’un prompt selon le cas d’usage. Le Problème : Les sections ne sont pas clairement séparées, ce qui crée incohérences et perte de contrôle. Contraintes : Structurer le prompt en blocs identifiés (rôle, contexte, tâche, format). Définir variables injectables clairement délimitées. Maintenir cohérence globale. Livrable attendu : Concevoir un template de prompt modulaire permettant assemblage dynamique propre et scalable.

Contexte : Une API interne attend une réponse JSON stricte avec plusieurs champs obligatoires. Le Problème : Le modèle omet parfois certains champs ou ajoute du texte hors JSON. Extrait logique actuelle : "Répond en JSON avec les champs name et score." Contraintes : Définir schéma précis incluant exemple valide. Interdire tout texte en dehors du JSON. Ajouter instruction explicite de validation interne avant réponse. Livrable attendu : Proposer un prompt amélioré garantissant sortie conforme au schéma attendu et exploitable automatiquement.

Contexte : Un assistant répond à des questions techniques spécialisées. Le Problème : Le modèle invente parfois des réponses au lieu d’indiquer qu’il ne sait pas. Extrait logique actuelle : "Réponds à la question suivante." Contraintes : Ajouter instruction explicite demandant d’indiquer "Information insuffisante" si le contexte est incomplet. Interdire spéculation. Livrable attendu : Proposer une version du prompt favorisant prudence et reconnaissance explicite des limites d’information.

Contexte : Une application envoie des prompts très détaillés contenant des informations redondantes. Le Problème : Les coûts API augmentent en raison du volume de tokens inutiles. Extrait logique actuelle : Prompt contenant répétitions et instructions multiples similaires Contraintes : Simplifier instructions sans perte de clarté. Supprimer redondances. Tester impact sur qualité des réponses. Livrable attendu : Proposer une version optimisée du prompt réduisant significativement le nombre de tokens tout en conservant performance.

Contexte : Un assistant interne combine instructions système et entrée utilisateur dans un même bloc. Le Problème : Certains utilisateurs modifient implicitement le comportement attendu en injectant des instructions contradictoires. Extrait logique actuelle : prompt = "Tu es un assistant financier." + user_input Contraintes : Séparer clairement instructions système et contenu utilisateur. Reformuler prompt pour rappeler priorité des règles système. Tester robustesse avec exemples conflictuels. Livrable attendu : Proposer une version du prompt garantissant hiérarchie claire des instructions et résistance aux tentatives de dérive comportementale.

Contexte : Une équipe stratégique souhaite comparer deux solutions technologiques. Le Problème : Les réponses générées listent simplement avantages sans analyse structurée. Contraintes : Imposer structure comparative claire (critères, avantages, limites, recommandation finale). Limiter biais en demandant analyse équilibrée. Livrable attendu : Rédiger un prompt structuré permettant génération d’une comparaison analytique complète et argumentée.

Contexte : Une application doit analyser un problème métier puis proposer une solution argumentée. Le Problème : Les réponses générées sont superficielles et manquent de structure logique. Contraintes : Structurer le prompt en étapes explicites (analyse du problème, identification des causes, proposition de solution). Imposer format numéroté. Limiter longueur totale. Livrable attendu : Rédiger un prompt multi-étapes guidant explicitement le raisonnement du modèle et améliorant la qualité analytique des réponses.

Contexte : Un assistant documentaire génère parfois des informations non présentes dans le texte fourni. Le Problème : Le prompt autorise implicitement le modèle à compléter avec ses connaissances générales. Contraintes : Ajouter contrainte explicite d’utiliser uniquement les informations du contexte fourni. Demander citation ou référence interne au texte. Interdire spéculation. Livrable attendu : Concevoir un prompt structuré réduisant significativement les hallucinations et forçant l’ancrage dans le contexte fourni.

Contexte : Une entreprise développe un système composé de plusieurs agents LLM spécialisés (analyse, synthèse, validation). Le Problème : Les prompts sont conçus indépendamment et produisent des résultats incohérents entre agents. Contraintes : Définir hiérarchie claire entre prompt système global et prompts spécialisés. Standardiser format d’échange intermédiaire. Assurer cohérence terminologique entre agents. Limiter propagation d’erreurs. Livrable attendu : Concevoir un framework structuré de prompts hiérarchiques permettant orchestration cohérente et scalable entre plusieurs agents LLM.

Contexte : Une organisation réglementée utilise un LLM pour générer des rapports internes. Le Problème : Les réponses doivent être traçables et conformes aux exigences d’audit. Contraintes : Exiger justification explicite des affirmations. Imposer structure formelle. Inclure section dédiée aux sources internes utilisées. Livrable attendu : Concevoir un prompt structuré garantissant transparence, justification et auditabilité des réponses générées.

Contexte : Une application extrait plusieurs entités complexes depuis documents longs. Le Problème : Certaines entités sont incorrectes ou incohérentes entre elles. Contraintes : Demander extraction structurée par entité. Ajouter étape interne de vérification croisée logique. Interdire sortie partielle incomplète. Livrable attendu : Concevoir un prompt structuré améliorant précision d’extraction et cohérence interne des entités détectées.

Contexte : Une plateforme souhaite ajuster automatiquement la complexité des prompts selon qualité des réponses précédentes. Le Problème : Le prompt reste statique et ne s’adapte pas aux performances observées. Contraintes : Définir mécanisme de scoring interne des réponses. Ajuster niveau de détail des instructions dynamiquement. Maintenir contrôle sur format final. Livrable attendu : Proposer une architecture de prompts adaptatifs permettant amélioration continue via boucle de feedback automatisée.

Contexte : Un assistant LLM applique des règles internes strictes pour filtrer certaines réponses. Le Problème : Des utilisateurs parviennent à reformuler leurs requêtes pour contourner les règles implicites du prompt. Extrait logique actuelle : "Respecte toujours les règles internes suivantes..." Contraintes : Reformuler les instructions pour rendre les règles non modifiables. Séparer instructions système et contenu utilisateur. Tester robustesse face à reformulations adversariales. Livrable attendu : Proposer une refonte du prompt réduisant la surface d’attaque logique et renforçant la stabilité comportementale.

Contexte : Un prompt inclut trop d’instructions et de contraintes simultanées. Le Problème : Le modèle ignore certaines consignes ou mélange les objectifs. Extrait logique actuelle : Liste longue d’instructions hétérogènes dans un seul bloc Contraintes : Segmenter instructions par priorité. Simplifier formulation. Introduire hiérarchie claire des objectifs. Livrable attendu : Refactoriser le prompt afin d’améliorer compréhension, exécution fidèle et stabilité des réponses.

Contexte : Un prompt demande successivement analyse, synthèse puis recommandation. Le Problème : Les conclusions finales ne sont pas cohérentes avec l’analyse initiale. Extrait logique actuelle : Étape 1 : Analyse Étape 2 : Conclusion Sans contrainte de cohérence. Contraintes : Ajouter instruction de vérification interne entre étapes. Forcer référence explicite à l’analyse précédente. Structurer transitions logiques. Livrable attendu : Proposer une version améliorée du prompt garantissant cohérence argumentative sur l’ensemble du raisonnement.

Contexte : Un système décisionnel repose sur les sorties d’un LLM. Le Problème : Les réponses varient trop fortement pour des requêtes identiques. Extrait logique actuelle : Prompt vague sans contrainte de structure ni rappel de contexte fixe Contraintes : Standardiser format. Réduire ambiguïté. Ajouter consignes de stabilité et structure fixe. Tester cohérence sur requêtes répétées. Livrable attendu : Proposer une version du prompt visant à maximiser stabilité et reproductibilité des réponses dans un contexte critique.

Contexte : Une application génère des recommandations stratégiques nécessitant créativité contrôlée. Le Problème : Réduire les hallucinations factuelles sans brider la créativité analytique. Contraintes : Introduire distinction claire entre faits issus du contexte et hypothèses. Ajouter section dédiée aux incertitudes. Maintenir structure analytique. Livrable attendu : Concevoir un prompt équilibrant créativité et rigueur factuelle, avec mécanismes explicites de gestion des hypothèses et des limites.

Contexte : Une agence gère plusieurs marques avec identités éditoriales distinctes. Le Problème : Les réponses générées ne respectent pas toujours le ton spécifique de chaque marque. Contraintes : Définir variables de style injectables. Formaliser guide éditorial dans le prompt. Maintenir cohérence sur plusieurs générations successives. Livrable attendu : Proposer un template de prompt permettant contrôle précis du ton et adaptation multi-marques de manière fiable.