Qu'est-ce que le prompt engineering? Guide pratique pour les non-développeurs

Le prompt engineering consiste à rédiger et à affiner les instructions données à un modèle d'IA pour qu'il produise de façon fiable ce que vous voulez. Un prompt, c'est tout ce que vous fournissez au modèle : une question, une tâche, du contexte, des exemples. Faire du prompt engineering, c'est choisir délibérément ce que l'on envoie, vérifier ce qui en ressort et ajuster. Il s'agit moins de formules magiques que d'une communication claire.

Pourquoi c'est important quand on crée avec l'IA

Avec un générateur d'applications par IA, vos prompts constituent la spécification. L'IA ne peut construire que ce que vous décrivez, et lorsque votre demande laisse des zones floues, elle les comble par des suppositions plausibles. Parfois, elles sont bonnes. Souvent, elles ne correspondent pas à ce que vous vouliez : mauvais champs dans un formulaire, fonctionnalité superflue, design peu adapté à votre public.

Un prompt clair vous évite plusieurs séries de corrections, et chacune coûte du temps et, généralement, des crédits. Le prompt engineering compte aussi si vous intégrez l'IA à l'intérieur de votre application : les instructions données à ce modèle déterminent le ton de votre chatbot auprès des clients, ce qu'il refuse et s'il s'en tient à vos informations. Pour la création d'applications en particulier, consultez comment rédiger des prompts pour les générateurs d'applications par IA.

Une analogie du quotidien

Imaginez que vous donniez un brief à un pigiste compétent qui ne vous a jamais rencontré, ne connaît rien à votre entreprise et commencera à travailler dès que vous aurez fini de parler.

« Fais-moi un logo » donnera un logo. « Un logo pour une école de natation pour enfants à Dubaï; amical, sans être puéril; bleu et orange; doit rester lisible en petit sur un bonnet de bain; voici deux modèles que nous aimons et un que nous n'aimons pas » donnera quelque chose qui se rapproche de ce que vous voulez.

Un modèle d'IA, c'est ce pigiste : talentueux, rapide et entièrement tributaire de votre brief. Le prompt engineering consiste à apprendre à rédiger un bon brief.

Les techniques de base

Technique	Ce que cela signifie	Exemple
Soyez précis sur l'objectif	Dites ce que vous voulez et pourquoi.	« Une page de réservation pour que les nouveaux clients choisissent une séance de 30 ou 60 minutes. »
Donnez du contexte	Pour qui c'est, ce qui existe déjà, ce qui compte.	« Les utilisateurs sont surtout des clients plus âgés, sur téléphone. »
Définissez le « terminé »	Décrivez le résultat final.	« C'est terminé quand un client peut réserver et que je reçois un courriel. »
Fixez des contraintes	Ce qu'il ne faut pas faire, et les limites.	« N'ajoute pas de connexion pour l'instant. Garde les couleurs existantes. »
Montrez des exemples	Donnez un échantillon de ce qui est réussi.	« Rédige la réponse dans ce style : … »
Demandez un format	Indiquez comment structurer la réponse.	« Réponds sous forme de tableau avec les colonnes X, Y, Z. »
Découpez en étapes	Une pièce à la fois pour les gros travaux.	« D'abord le modèle de données, ensuite le formulaire, puis les courriels. »
Laissez-le poser des questions ou planifier d'abord	Obtenez un plan avant les modifications.	« Avant de construire, dresse la liste de tes questions et un plan. »
Itérez	Vérifiez le résultat et raffinez.	« Le formulaire fonctionne. Maintenant, agrandis le sélecteur de date. »

Exemple concret : avant et après

Avant :

Fais une application de gym.

L'IA doit tout deviner : membres ou employés? Cours ou entraînement personnel? Paiements? Vous obtiendrez probablement un tableau de bord générique avec des entraînements inventés.

Après :

Crée une application web pour une petite salle de boxe d'environ 150 membres.

Qui l'utilise : les membres réservent des cours sur leur téléphone. Le propriétaire, Sam, gère l'horaire sur un ordinateur portable.

Les membres peuvent : voir les cours de la semaine (heure, entraîneur, places restantes) et réserver ou annuler jusqu'à 2 heures avant le début.

Sam peut : ajouter, modifier et annuler des cours, et voir qui est inscrit à chacun.

Règles : maximum 12 personnes par cours. Pas de double réservation pour le même créneau.

Pas pour l'instant : paiements, suivi d'entraînement, application mobile.

Style : fond sombre, accents rouges, grandes zones tactiles.

Avant de construire, énumère ce qui n'est pas clair et décris les pages que tu vas créer.

Le second prompt n'est pas astucieux; il est complet. Il nomme les utilisateurs, les actions, les règles, ce qu'il faut laisser de côté et comment commencer. La dernière ligne invite l'IA à planifier et à poser des questions, ce qui permet de repérer les malentendus avant l'écriture de tout code.

Les prompts à l'intérieur de votre application

Lorsque votre application appelle elle-même un LLM, vous rédigez des prompts qui s'exécutent de nombreuses fois, pour de nombreux utilisateurs. Les mêmes principes s'appliquent, avec quelques ajouts :

Prompt système : instructions permanentes qui encadrent chaque réponse : rôle, ton, règles. « Tu es l'assistant de Leaf & Pot, une boutique de plantes. Ne réponds qu'aux questions sur les commandes, les plantes et la livraison. »
Ancrage : incluez les faits que le modèle doit utiliser, comme vos politiques ou votre catalogue de produits, et demandez-lui de s'y fier. Voir qu'est-ce qu'un LLM pour comprendre pourquoi c'est important.
Solutions de repli : indiquez-lui quoi faire en cas de doute : « Si la réponse ne figure pas dans les informations fournies, dis-le et propose l'adresse de courriel du support. »
Format de sortie : si votre code lit la réponse, demandez un format strict, comme du JSON.
Tests : essayez des entrées délicates (messages impolis, questions hors sujet, tentatives pour lui faire ignorer ses instructions, appelées injection de prompt) avant que de vrais utilisateurs ne le fassent.

Termes clés expliqués

Terme	Ce que cela signifie
Prompt	L'entrée que vous donnez à un modèle d'IA.
Prompt système	Instructions permanentes définies avant la conversation.
Contexte	Informations de fond incluses dans le prompt.
Zero-shot / few-shot	Demander sans exemple, ou avec quelques exemples du résultat souhaité.
Chaîne de pensée	Demander au modèle de résoudre un problème étape par étape avant de répondre.
Ancrage	Fournir au modèle des documents sources et lui demander de fonder ses réponses dessus.
Injection de prompt	Texte qui tente de passer outre les instructions du modèle, par exemple « ignore les instructions précédentes ».
Fenêtre de contexte	La quantité de texte que le modèle peut considérer à la fois.
Itération	Raffiner un prompt à partir de ce qui a été obtenu.

Erreurs courantes et idées fausses

Chercher des mots magiques. « Tu es un expert de classe mondiale » compte beaucoup moins que de dire ce dont vous avez réellement besoin.
Tout demander d'un coup. Une demande de 20 fonctionnalités produit 20 fonctionnalités à moitié faites. Construisez par tranches.
Décrire la solution au lieu du problème. « Ajoute un tableau à trois colonnes » est moins utile que « Sam doit voir d'un coup d'œil qui est inscrit à chaque cours ».
Oublier ce qu'il ne faut pas faire. Si vous ne voulez pas de connexion, de paiements ou de refonte pour l'instant, dites-le.
Ne pas lire le résultat. Testez ce qui a été construit par rapport à votre définition du « terminé » avant d'aller plus loin.
Recommencer au lieu de raffiner. Un bref suivi (« c'est presque ça; change X ») vaut généralement mieux que de réécrire tout le prompt.
Coller des secrets dans les prompts. Ne collez pas de mots de passe ni de clés API en production dans le clavardage, sauf si l'outil dispose d'un moyen sécurisé de les conserver.

Quoi demander à votre générateur d'applications

« Avant de construire, pose-moi les questions nécessaires et montre-moi ton plan. »
« Répète-moi en trois phrases ce que je veux, selon toi. »
« Modifie seulement le formulaire de réservation; ne touche à rien d'autre. »
« Qu'as-tu supposé que je n'ai pas précisé? »
« Transforme mes notes en une courte spécification avec les utilisateurs, les fonctionnalités, les règles et les éléments « pas pour l'instant ». » Voir comment rédiger un document d'exigences produit avec l'IA.
« Suggère-moi comment j'aurais pu formuler cette demande de façon plus efficace. »

Le prompt engineering dans Mythex

Mythex propose trois modes de clavardage adaptés à cette façon de travailler : Plan pour convenir d'une approche avant que quoi que ce soit ne change, Build pour apporter des modifications, et Ask pour poser des questions qui ne doivent pas modifier de fichiers. Vous pouvez joindre des captures d'écran ou des maquettes comme contexte, et si une modification tourne mal, vous pouvez revenir à un point de contrôle. Les pages de documentation sur les prompts efficaces et l'itération contiennent d'autres exemples, et comment itérer sur une application créée avec l'IA explique la boucle de suivi.

Questions

Qu'est-ce que le prompt engineering, en termes simples?

Le prompt engineering est l'art de rédiger et d'affiner les instructions données à un modèle d'IA pour qu'il produise de façon fiable le résultat voulu. Il touche à ce que vous demandez, au contexte que vous donnez, aux exemples, aux contraintes et au format de réponse attendu.

Faut-il des astuces particulières ou des mots magiques?

Pas vraiment. Les modèles actuels répondent mieux à des instructions claires, précises et bien organisées, comme on le ferait pour un collègue. Le contexte, des exemples et une description claire du résultat final comptent beaucoup plus que des formules spéciales.

Qu'est-ce qu'un prompt système?

Un prompt système est un ensemble d'instructions permanentes donné au modèle avant la conversation, par exemple son rôle, ses règles et son ton. Les applications s'en servent pour encadrer chaque réponse, tandis que les messages de l'utilisateur viennent ensuite.

Le prompt engineering reste-t-il utile à mesure que l'IA progresse?

Les meilleurs modèles ont besoin de moins de contournements, mais ils ne lisent toujours pas dans vos pensées. Préciser votre objectif, votre public, vos contraintes et ce qui constitue un résultat « terminé » améliorera toujours les résultats, car le modèle ne peut travailler qu'avec ce que vous lui dites.