Prompt engineering efficace : techniques qui changent tout
Few-shot, chain-of-thought, structured output et context engineering — les patterns qui améliorent nettement la qualité des LLM.
Un bon prompt n’est pas une phrase magique : c’est une specification claire de rôle, contexte, format et contraintes.
1. Structure d’un prompt solide
Rôle : tu es…
Contexte : …
Tâche : …
Format de sortie : …
Contraintes : …
Exemples (optionnel) : …Plus le modèle sait ce qu’on attend, moins il improvise.
2. Few-shot learning
Donnez 2–3 exemples entrée → sortie avant la vraie question. Le modèle infère le format et le niveau de détail attendu.
Utile pour : classification, extraction JSON, reformulation selon un style maison.
3. Chain-of-thought (CoT)
Demandez explicitement : « Raisonne étape par étape avant de conclure. »
Efficace sur : maths, logique, décisions multi-critères, diagnostic technique.
Variante ReAct : alterner raisonnement et appels d’outils — base des agents modernes.
4. Structured output
Imposez JSON, YAML ou un schéma :
{ "summary": "...", "tags": ["..."], "confidence": 0.0 }Avantages : parsing fiable, enchaînement dans n8n/Dify, moins d’ambiguïté.
Activez le mode JSON natif du modèle quand disponible (OpenAI, Anthropic, Gemini).
5. Context engineering
La fenêtre de contexte est finie. Priorisez :
- instructions système stables en tête ;
- documents pertinents (RAG) plutôt que tout l’historique ;
- résumés périodiques des tours précédents pour les longues conversations.
6. Anti-patterns à éviter
| Erreur | Correction |
|---|---|
| Prompt vague (« analyse ça ») | Objectif mesurable |
| Trop d’instructions contradictoires | Une priorité claire |
| Pas de format de sortie | Schéma explicite |
| Contexte bruité | RAG + filtrage |
7. Itération
- Écrire un prompt v1.
- Tester sur 10 cas réels.
- Analyser les échecs (format ? raisonnement ? contexte manquant ?).
- Ajuster une variable à la fois.
Documentez les prompts qui fonctionnent — c’est du capital réutilisable pour vos agents Hermes et vos workflows n8n.