Introduction : l’art de dialoguer avec les LLMs
Le prompt engineering – l’art de formuler des requêtes aux IA – est devenu stratégique pour exploiter pleinement la puissance des Large Language Models (LLM, grands modèles de langage). Un prompt bien conçu me permet d’orienter le modèle, d’améliorer sa fiabilité et d’étendre ses capacités sur toutes sortes de tâches, de la Q&R simple au raisonnement complexe. À mesure que les LLMs se généralisent, savoir élaborer de bons prompts devient, pour moi comme pour tout professionnel, une compétence essentielle pour utiliser l’IA de façon efficace et sécurisée.
Ces dernières années, la recherche a foisonné de techniques de prompt avancées. Une revue systématique récente a identifié 58 techniques distinctes, qu’elle organise en 7 grandes catégories allant de l’apprentissage en contexte au recours à des outils externes. D’autres travaux classent ces approches selon qu’elles utilisent un prompt unique, une série de prompts, ou bien intègrent des outils externes. Dans cet article, je vous propose de passer en revue huit familles majeures de techniques de prompt engineering avancé, regroupées par fonction ou stratégie. Pour chaque famille, je vais expliquer le principe de façon accessible, présenter quelques techniques phares et donner un exemple concret de prompt. Enfin, un tableau récapitulatif croisera ces familles avec leurs usages et bénéfices, et je vous dévoilerai le prompt qui a généré cet article – une mise en abyme illustrant concrètement l’ingénierie de prompt à l’œuvre.
1. Consignes directes (Zero-shot prompting)
La première famille regroupe les approches les plus simples et directes : formuler une consigne claire au modèle, sans fournir d’exemple préalable. On parle de technique « zero-shot », c’est-à-dire sans exemple (zero-shot learning). Le principe est de s’appuyer uniquement sur les connaissances internes du LLM pour obtenir une réponse. Par exemple, je peux simplement demander : « Explique-moi le concept de blockchain en termes simples. » Le modèle doit alors puiser dans son entraînement pour formuler une explication adaptée.
Techniques emblématiques : Même sans exemple, je peux affiner la consigne. Par exemple, le role prompting consiste à spécifier un rôle ou un ton pour la réponse : « Tu es un professeur de physique ; réponds de manière pédagogique… ». De même, le style prompting oriente la forme du texte (formel, humoristique, niveau de langue, etc.). Ces variantes zero-shot permettent d’adapter la réponse du LLM au contexte ou à l’audience visée, sans autre artifice technique.
Exemple de prompt : Demander au modèle de jouer un rôle spécifique, ici un enseignant donnant une explication claire.
Vous êtes un enseignant de mathématiques. Expliquez clairement comment résoudre l'équation : x^2 - 4 = 0.Dans cet exemple zero-shot, la consigne précise le rôle (« enseignant de mathématiques ») et la tâche (expliquer la résolution d’une équation). Sans aucun exemple, le modèle doit produire une explication pédagogique adaptée.
2. Exemples en contexte (Few-shot prompting)
La deuxième famille s’appuie sur l’apprentissage par l’exemple. On parle de technique « few-shot » (quelques exemples), car je fournis au modèle quelques exemples concrets de la tâche attendue avant de lui poser la nouvelle question. Cette méthode utilise le principe d’in-context learning : en voyant des exemples d’entrée-sortie, le LLM infère le pattern et est capable de généraliser au cas suivant. C’est comme lui montrer comment faire en lui donnant des cas illustratifs.
Techniques emblématiques : L’implémentation la plus courante est d’écrire une série de paires exemple → réponse dans le prompt, suivie de la nouvelle entrée pour laquelle j’attends la réponse. La clé est de choisir des exemples représentatifs et pertinents. Des techniques avancées permettent d’automatiser cette sélection : par exemple, rechercher dans une base d’exemples celui qui ressemble le plus à la question de l’utilisateur (k‑nearest neighbors). D’autres approches font même générer des exemples au modèle lui-même (self‑generated examples) pour affiner sa réponse. Mais dans tous les cas, la logique reste de guider le LLM par l’imitation d’exemples.
Exemple de prompt : Illustration d’un prompt few-shot pour l’analyse de sentiment, où deux exemples annotés sont fournis avant la question cible.
Texte : « J'ai adoré ce film, c'était un chef-d'œuvre absolu ! »
Question : Ce commentaire est-il positif ou négatif ?
Réponse : Positif
Texte : « Ce restaurant est vraiment nul, je ne le recommande pas. »
Question : Ce commentaire est-il positif ou négatif ?
Réponse : Négatif
Texte : « Le produit est arrivé en retard mais fonctionne très bien. »
Question : Ce commentaire est-il positif ou négatif ?
Réponse :Dans cet exemple, le modèle a vu deux exemples de texte avec leur sentiment (« Positif » ou « Négatif »). Le troisième texte, sans réponse fournie, sert de nouvelle entrée. Le LLM, en suivant le format et la logique des exemples, devrait répondre correctement (« Positif » ou « Négatif »).
3. Raisonnement pas à pas (Chain‑of‑Thought)
Certains problèmes complexes – calculs, logique, raisonnement – mettent en difficulté les LLMs s’ils doivent répondre directement. La famille « chaîne de pensée » (Chain‑of‑Thought, CoT) adresse ce défi en incitant le modèle à raisonner explicitement par étapes. Plutôt que de fournir directement la réponse finale, je l’amène à décomposer son raisonnement en une suite de petites pensées ou calculs intermédiaires. Cela améliore nettement les performances sur les tâches nécessitant de la logique ou du calcul, car le modèle « pose ses calculs » et évite de sauter trop vite à une conclusion.
Techniques emblématiques : Je peux pratiquer la chaîne de pensée de plusieurs façons. En mode zero-shot CoT, une simple consigne du type « Réfléchis étape par étape » dans le prompt peut suffire à déclencher un raisonnement détaillé (le modèle explicite ses étapes avant la réponse). En mode few-shot CoT, je fournis un ou deux exemples de questions avec un raisonnement détaillé aboutissant à la réponse, pour montrer le format attendu. Une autre variante est de demander au modèle une explication avant la réponse (« Explique ton raisonnement puis donne la réponse »), ce qui revient au même principe. Globalement, ces techniques exploitent la propension des LLMs à suivre le style du prompt : si je le fais penser à voix haute, il résoudra souvent mieux les problèmes complexes.
Exemple de prompt : Problème de mathématiques simple où j’invite le modèle à détailler son calcul avant de conclure.
Question : Marie a 10 bonbons, elle en donne 3 à Paul et achète ensuite 2 bonbons de plus. Combien Marie a-t-elle de bonbons maintenant ?
Réfléchissons étape par étape.
1. Marie commence avec 10 bonbons.
2. Elle en donne 3 à Paul, il lui en reste donc 10 - 3 = 7.
3. Elle achète 2 bonbons supplémentaires, elle en a maintenant 7 + 2 = 9.
Réponse : Marie a 9 bonbons.Ici, le prompt incite le modèle à fournir un raisonnement avant la réponse finale. En énumérant les étapes de calcul, je réduis le risque d’erreur et j’obtiens une réponse justifiée. Ce type de “chaîne de pensée” améliore la capacité de raisonnement du LLM sur des tâches complexes en introduisant des étapes intermédiaires.
4. Décomposition de tâches et prompts chaînés (Divide & Conquer)
Lorsqu’une question est particulièrement complexe ou multiforme, il peut être judicieux de la découper en sous-problèmes plus simples puis de combiner les résultats. La famille « divide & conquer » (diviser pour régner) consiste à orchestrer plusieurs interactions successives avec le modèle pour résoudre pas à pas un problème. Concrètement, au lieu d’un seul prompt massif, je vais enchaîner plusieurs prompts dont chacun traite une partie de la tâche, éventuellement en utilisant la réponse précédente comme donnée d’entrée pour l’étape suivante. Cette approche imite ma démarche lorsque je résous d’abord des éléments séparés avant de synthétiser la solution globale.
Techniques emblématiques : Plusieurs stratégies utilisent ce principe d’étapes successives. Le Least‑to‑Most Prompting (« du plus facile au plus difficile ») demande d’abord au modèle de résoudre une version simplifiée ou un sous-ensemble du problème, puis de réutiliser ce résultat pour aborder progressivement la question complète. La génération de connaissances intermédiaires (Generated Knowledge Prompting) consiste à faire produire par le LLM des informations ou un plan en amont, puis à m’en servir pour formuler la réponse finale. Je parle aussi de prompt chaining (chaînage de prompts) lorsque j’organise manuellement une série de requêtes : par exemple, d’abord « résume chaque chapitre », puis « fais la synthèse générale à partir de ces résumés ». Dans tous les cas, l’idée est de segmenter la tâche pour mieux la maîtriser, le modèle étant plus à l’aise avec plusieurs questions ciblées qu’une seule question fourre-tout.
Exemple de prompt : Scénario en deux temps où j’interroge le LLM en plusieurs étapes successives.
**Utilisateur :** Résume-moi en une phrase le contenu de chaque section de ce rapport technique.
**Assistant :** ... (le modèle fournit une liste de phrases résumant chaque section du rapport) ...
**Utilisateur :** Maintenant, à partir de ces informations, rédige une conclusion générale pour le rapport.
**Assistant :** ... (le modèle produit une conclusion synthétique qui reprend les points clés) ...Dans cet exemple, j’ai d’abord demandé un ensemble de résumés (étape 1), puis j’utilise ces résultats intermédiaires comme base pour la tâche finale (étape 2). Cette décomposition guide le LLM étape par étape. De telles approches “diviser pour régner” regroupent des techniques comme la génération de connaissances intermédiaires, l’enchaînement manuel de prompts ou la stratégie du least‑to‑most, afin de maîtriser un problème complexe pas à pas.
5. Approches par consensus (Self‑consistency et vote)
La créativité des LLMs fait qu’il peut exister plusieurs chemins de raisonnement pour une même question. Avec cette famille, je génère plusieurs réponses indépendantes à partir du même prompt, puis je compare les sorties pour conserver la plus fréquente ou la plus cohérente. C’est l’équivalent d’un vote majoritaire : si je pose plusieurs fois la même question au modèle (en activant de la diversité via le paramètre temperature), la réponse correcte ressort statistiquement le plus souvent.
Techniques emblématiques :
- Self‑Consistency : j’échantillonne plusieurs chains of thought différentes, puis je choisis la réponse finale par majorité.
- Prompt Voting : j’écris plusieurs variantes du prompt (questions reformulées) et je vérifie la convergence des résultats.
Exemple de prompt :
Question : Quelle est la capitale de l’Australie ?
Tentative 1 : Sydney
Tentative 2 : Canberra
Tentative 3 : Canberra
Réponse retenue : Canberra (2 votes sur 3).En appliquant ce vote, je réduis l’impact d’une hallucination isolée et j’augmente la fiabilité globale.
6. Auto‑critique et itérations (Reflexion et auto‑révision)
Je peux aussi demander au modèle de relire et améliorer sa propre réponse. J’introduis alors une étape d’auto‑vérification : le LLM commente ce qu’il vient d’écrire, détecte incohérences ou erreurs, puis propose une version corrigée.
Techniques emblématiques :
- Self‑Refine : je demande explicitement : « Relis‑toi et corrige‑toi si nécessaire ».
- Reflexion : après chaque réponse, je fournis un feedback (score ou critique) que le modèle intègre lors de la tentative suivante.
Exemple de prompt :
Utilisateur : Combien font 17^2 ?
Assistant : 288.
Utilisateur : Peux‑tu vérifier ton calcul pas à pas ?
Assistant : 17 × 17 = 289. Je corrige : la bonne réponse est 289.Grâce à cette boucle d’auto‑correction, j’obtiens une réponse plus fiable.
7. LLM augmenté par des ressources externes (RAG, ReAct, PAL…)
Même les meilleurs modèles ont une mémoire figée. Pour pallier cela, je peux brancher des sources externes (base documentaire, moteur de recherche, calculatrice). Le prompt devient alors le chef d’orchestre d’un mini‑pipeline où le LLM raisonne et actionne des outils.
Techniques emblématiques :
- Retrieval‑Augmented Generation (RAG) : je récupère des passages de documents et je les insère dans le contexte avant de poser la question.
- ReAct : j’alterne pensées (Thought) et actions (Search, Lookup, Calculate) puis j’utilise les observations pour avancer.
- Program‑Aided Language (PAL) : le modèle écrit un petit script (Python, pseudo‑code) que j’exécute pour obtenir la réponse exacte.
Exemple de prompt :
Contexte : « La Tour Eiffel mesure 324 mètres. »
Question : Quelle est la hauteur de la Tour Eiffel ?
Réponse : D’après le contexte fourni, elle mesure 324 m.8. Optimisation et génération automatiques de prompts
Dernière famille : j’utilise l’IA ou un algorithme pour trouver, tester et affiner les meilleurs prompts. C’est le meta‑prompting : demander au modèle de m’aider à écrire l’invite idéale.
Techniques emblématiques :
- Meta‑prompting : « Propose‑moi trois reformulations plus efficaces de cette question ».
- Automatic Prompt Engineer (APE) : un agent génère, évalue, puis fait évoluer un ensemble de prompts jusqu’à convergence.
Exemple de prompt :
Voici ma tâche : résumer un rapport technique de 10 pages en 150 mots.
Suggère‑moi trois prompts différents susceptibles de donner le meilleur résultat.Tableau comparatif des familles de techniques
| Famille | Techniques phares | Cas d’usage | Bénéfices |
|---|---|---|---|
| Consignes directes | Zero‑shot, Role/Style prompting | Explications rapides, ton adapté | Simplicité, cadence |
| Exemples en contexte | Few‑shot, K‑NN retrieval | Classification, formatage | Précision par imitation |
| Raisonnement pas à pas | Zero‑shot CoT, Few‑shot CoT | Problèmes logiques | Moins d’erreurs, transparence |
| Décomposition | Least‑to‑Most, Prompt chaining | Tâches complexes, synthèses | Gestion modulaire du problème |
| Consensus | Self‑Consistency, Prompt voting | Calculs sensibles | Fiabilité statistique |
| Auto‑critique | Self‑Refine, Reflexion | Qualité rédactionnelle, code | Correction itérative |
| LLM augmenté | RAG, ReAct, PAL | Réponses factuelles, calculs | Informations à jour, capacités étendues |
| Optimisation auto | Meta‑prompting, APE | Benchmarks, gain de temps | Découverte du prompt optimal |
Le prompt que j’ai utilisé pour générer cet article
Prompt original :
Rédige un article de blog destiné à un public curieux ou semi‑professionnel souhaitant comprendre les principales familles de techniques du prompt engineering avancé, en t’appuyant sur des ressources clés telles que The Prompt Report (arXiv), Prompt Engineering : Classification of Techniques and Prompt Tuning (Medium) et PromptingGuide.ai (DAIR.AI).
Utilise un découpage libre (6 à 10 familles). Pour chaque famille : vulgarisation, 1‑3 techniques, exemple de prompt. Ajoute un tableau comparatif, une intro stratégique et un encadré final sur le prompt utilisé.
Style : fluide, structuré, engageant, sans jargon inutile. Réponds en français.
Pourquoi ce prompt fonctionne‑t‑il ?
Je précise l’objectif, le lectorat, les sources, la structure et le style. Je fournis ainsi toutes les balises dont le LLM a besoin pour produire un contenu cohérent, riche et adapté. C’est un cas d’école de prompt structuré : plus je suis clair, plus la réponse est pertinente.
