Tout savoir sur le Prompt Engineering

Zero-shot prompting

Le Zero-Shot Prompting est une méthode de prompt engineering qui consiste à poser une question ou à donner une instruction au modèle sans fournir d’exemples spécifiques. L’IA se repose alors essentiellement sur sa connaissance préexistante. Quel est l’intérêt? Cette technique peut vous être utile pour obtenir rapidement des premières informations sur une question que vous vous posez, et elle est particulièrement pertinente si vous ne connaissez rien du tout sur un sujet, il est plus compliqué de guider l’IA sur un thème qu’on ne connait pas.

Cette technique est évidemment limitée : peu précise, avec un risque de réponses incohérentes et bien moins efficaces que les techniques qui vont suivre. 😊

Few-shot prompting

Le Few-Shot Prompting est une technique où l’on fournit à l’IA quelques exemples avant de lui poser une question ou de lui donner une tâche à accomplir. Cela aide le modèle à mieux comprendre le format de réponse attendu et à produire des résultats plus précis.

Contrairement au Zero-Shot Prompting, où l’IA doit deviner la tâche uniquement à partir de la demande, ici on lui donne un contexte avec des exemples pour guider sa réponse.

Comme les exemples sont toujours plus parlants, en voici un :

Exemple 1 : « Bonjour » → « Hello »
Exemple 2 : « Merci » → « Thank you »
Peux-tu me traduire : « Au revoir » ?

Les exemples fournis permettent à l’IA de mieux comprendre le contexte de la tâche, ici elle devine que la traduction doit être en anglais. Attention au choix des exemples, si ceux-ci sont biaisés l’IA peut reproduire ces biais.

Je vous épargne la technique du one-shot prompting qui consiste à ne donner qu’un seul exemple.

Chain-of-Thought (CoT) Prompting

Le Chain-of-Thought (CoT) Prompting est une technique de prompt engineering qui force l’IA à raisonner étape par étape avant de donner une réponse. Cela améliore la précision, notamment pour les tâches complexes comme les problèmes mathématiques, la logique ou le raisonnement critique. Et ça vous permet de mieux comprendre le raisonnement qui a conduit à cette réponse.

Et voici un exemple :

Tree-of-Thought (ToT) Prompting

Le Tree-of-Thought (ToT) Prompting est une technique qui pousse l’IA à explorer plusieurs chemins de raisonnement, comme un arbre de décisions. Contrairement au Chain-of-Thought (CoT) qui suit une seule ligne de raisonnement, le ToT explore différentes solutions en parallèle avant de choisir la meilleure.

Exemple de prompt : 

Un scientifique doit concevoir un matériau capable de résister à des températures extrêmes. Il peut utiliser du métal, de la céramique ou un composite. Quelle est la meilleure option ? Réfléchis en explorant plusieurs alternatives.

Réponse de l’IA : 

Pour résister à des températures extrêmes :

• • • Métal : Bon pour dissiper la chaleur et résister à des températures modérées (jusqu’à 3 400 °C pour certains métaux), mais il peut se détériorer avec l’oxydation.

    • Céramique : Excellente résistance thermique (jusqu’à 3 000 °C), mais fragile et difficile à fabriquer.

    • Composite : Combine les avantages de différents matériaux, léger et adaptable, mais plus complexe à produire et parfois moins résistant à très haute température.

Conclusion : La céramique est généralement la meilleure option pour des températures extrêmes, tandis que les composites peuvent être utiles pour des besoins spécifiques. Les métaux sont efficaces à températures modérées.

En forçant l’IA à explorer plusieurs pistes, on réduit les biais en évaluant les différentes possibilités et la réponse est plus fiable.

Self-Consistency Prompting

Le Self-Consistency Prompting est une technique de prompt engineering qui vise à améliorer la précision des réponses de l’IA en générant plusieurs solutions différentes pour une même question, l’idée est d’ensuite comparer les différentes réponses et sélectionner celle qui apparait le plus ou celle qui vous parait la plus logique.

Exemple :

Generated Knowledge Prompting

Multi-Turn Prompting

Le Multi-Turn Prompting consiste à décomposer une tâche ou une conversation en plusieurs tours d’échanges entre vous et l’IA. Cela permet à l’IA d’effectuer une réflexion continue, d’approfondir les réponses et d’ajuster ses réponses en fonction des échanges précédents.

L’objectif ici est de construire un dialogue dynamique avec l’IA, où chaque question ou instruction successive dépend des réponses précédentes. Cela crée une conversation fluide et plus naturelle, permettant d’affiner le raisonnement au fur et à mesure.

Cette technique est idéale pour les cas où des informations doivent être découvertes progressivement, pour des scénarios interactifs ou des problèmes complexes nécessitant plusieurs étapes de réflexion et d’analyse.

Exemple de Multi-Turn Prompting :

Tour 1 :

J’ai une entreprise de marketing digital. Quels sont les premiers conseils pour la développer ?

Réponse 1 :

Pour développer une entreprise de marketing digital, il est essentiel de commencer par définir une stratégie claire. Voici quelques étapes à suivre :

1. 1. 1. 1. 1. Définir vos objectifs (acquisition, fidélisation, etc.).

            2. Analyser votre audience cible.

            3. Choisir les bons canaux de communication.

Tour 2 :

Quels sont les canaux de communication les plus adaptés pour une startup de marketing digital ?

Réponse 2 :

Pour une startup, il est souvent recommandé de commencer par des canaux à faible coût mais à fort impact, tels que :

1. 1. 1. 1. 1. LinkedIn pour le B2B.

            2. Instagram et Facebook pour un public plus large.

            3. Emailing pour rester en contact avec vos leads et clients.

Tour 3 :

Quels types de contenu puis-je créer pour chaque canal ?

Réponse 3 :

1. 1. 1. 1. 1. LinkedIn : Articles professionnels, études de cas, témoignages clients.

            2. Instagram : Stories engageantes, photos de produits, contenus interactifs.

            3. Emailing : Newsletters, offres exclusives, promotions, contenu personnalisé.

Dynamic Prompting

Dynamic Prompting fait référence à l’adaptation en temps réel du prompt en fonction des réponses précédentes ou des besoins spécifiques qui émergent au cours de l’interaction. Contrairement à un prompt statique où les instructions sont fixes, le Dynamic Prompting permet à l’IA de ajuster ses questions ou réponses en fonction du contexte, des détails fournis ou des corrections apportées au fil de la conversation.

Alors que le multi-turn prompting repose sur une série d’échanges successifs où chaque réponse dépend des précédentes, mais avec une structure généralement fixe, le Dynamic Prompting, en revanche, ajuste activement les instructions et les réponses en temps réel, en fonction des nouvelles informations fournies au fur et à mesure de l’interaction.

L’objectif est de créer une interaction adaptative où l’IA ajuste son approche et ses réponses en fonction des informations ou des feedbacks obtenus à chaque étape. Cela rend les interactions plus fluides, personnalisées et contextuellement pertinentes. Cette technique est adaptée pour les scénarios où l’information évolue au fil de la discussion, ou lorsque des informations manquantes ou ambiguës doivent être obtenues pour parvenir à une réponse plus précise.

Par exemple :

Tour 1 :

Je veux lancer une campagne publicitaire pour un produit. Peux-tu m’aider à définir le budget ?

Réponse 1 :

Pour définir un budget publicitaire, il faut d’abord savoir quelques éléments clés :

1. 1. 1. Quel est votre objectif principal (notoriété, conversions, génération de leads) ?

      2. Quelle est votre audience cible ?

      3. Quel est le canal de publicité que vous souhaitez utiliser (Facebook, Google, etc.) ?

Tour 2 :

L’objectif est de générer des leads, et je souhaite utiliser Facebook comme canal publicitaire.

Réponse 2 (Dynamic Prompting) :

Très bien. Pour une campagne de génération de leads sur Facebook, vous pouvez allouer un budget en fonction du coût moyen par lead dans votre secteur. Voici des étapes à suivre :

1. 1. 1. Analysez vos dépenses passées (si applicable). Combien avez-vous dépensé pour une campagne similaire ?

      2. Estimez le coût par lead pour votre niche. En moyenne, pour le secteur X, le coût par lead sur Facebook peut être de 10 à 50€ par lead.

      3. Fixez un budget global basé sur le volume de leads que vous souhaitez obtenir. Par exemple, pour 100 leads à 20€ par lead, le budget serait de 2 000€.

Tour 3 :

Je n’ai pas de dépenses passées à analyser. Comment estimer le coût par lead ?

Réponse 3 (Dynamic Prompting) :

Dans ce cas, vous pouvez utiliser des benchmarks du secteur. Pour cela :

1. 1. 1. Recherchez des études de marché ou des rapports sur le coût moyen par lead dans votre domaine.

      2. Testez avec un petit budget et ajustez en fonction des résultats. Commencez par 200€ pour observer le coût par lead, puis ajustez selon la performance.

Contrastive Prompting

Le Contrastive Prompting consiste à demander à l’IA de comparer différentes options ou idées, afin de mieux comprendre les différences, les avantages et les inconvénients relatifs. Cette technique permet à l’IA de mettre en évidence les contrastes entre plusieurs éléments, de manière à vous aider à prendre une décision ou à mieux comprendre un problème complexe.

Cette technique permet de générer des réponses plus nuancées en confrontant des éléments entre eux. Elle vous sera particulière utile dans des cas où vous devez choisir entre plusieurs alternatives, ou lorsque vous  souhaitez comprendre les avantages et inconvénients d’un choix par rapport à un autre.

Exemple : 

Peux-tu me lister dans un tableau les avantages et inconvénients d’une piscine au sel par rapport à une piscine au chlore?

Template filling prompting

Template Filling Prompting est une technique de prompt engineering dans laquelle un modèle de prompt ou un format prédéfini est utilisé pour guider l’IA dans la création de réponses. L’IA remplit les espaces vides dans un modèle de prompt, en insérant des informations ou des réponses pertinentes pour compléter le template. Cela permet d’obtenir des réponses structurées et cohérentes, tout en assurant une certaine uniformité dans la présentation des informations.

Vous pouvez utiliser cette techniquee lorsqu’il est nécessaire d’obtenir des réponses formatées de manière spécifique ou pour générer des contenus qui suivent un modèle standardisé, comme des descriptions de produits, des résumés de texte, ou des rapports.

Exemple :

Role-playing prompting

Expert Role-Playing Prompting est une technique où l’on demande à l’IA d’adopter le rôle d’un expert spécifique dans un domaine donné. Cela permet d’obtenir des réponses plus ciblées, cohérentes et précises, en fonction des connaissances et des compétences associées à ce rôle.

L’objectif est de pousser l’IA à répondre comme si elle était un expert dans un domaine précis, en adoptant son langage, ses méthodes de réflexion et son niveau de détail. Cette technique est très efficace pour obtenir des conseils spécialisés, des recommandations pointues ou des analyses approfondies.

Exemple :

Sans rôle d’expert (Prompt basique) :

Comment améliorer la visibilité d’un site e-commerce ?

Avec rôle d’expert (Expert Role-Playing) :

Tu es un consultant senior en stratégie digitale avec plus de 15 ans d’expérience en SEO, SEA et marketing de contenu. Tu as aidé plus de 200 entreprises à optimiser leur présence en ligne et à augmenter leur taux de conversion.

En tant qu’expert, tu dois me fournir une stratégie complète et détaillée pour améliorer la visibilité d’un site e-commerce vendant des produits high-tech.

Résultat :

• Dans le premier cas, l’IA pourrait donner des conseils génériques sur l’investissement en bourse.

• Dans le second cas, en lui demandant d’incarner un consultant en stratégie digitale, elle fournira des recommandations plus précises et argumentées, adaptées au contexte d’un investisseur débutant.

Self-Reflection Prompting (ou Critique-Based Prompting)

Le Self-Reflection Prompting est une technique de prompt engineering qui consiste à demander à l’IA d’évaluer et d’améliorer sa propre réponse en fonction de critères précis. Cela permet d’obtenir des réponses plus précises, cohérentes et approfondies, en poussant l’IA à réfléchir à ses propres erreurs et à les corriger.

Exemple :

Sans Self-Reflection Prompting (Prompt basique) :

Quels sont les avantages et inconvénients de la mondialisation?

Avec Self-Reflection Prompting :

Réponds à la question suivante : « Quels sont les avantages et inconvénients du télétravail ? »
Ensuite, analyse ta réponse selon les critères suivants :

• • Exactitude : Les informations sont-elles factuelles et bien argumentées ?

  • Clarté : La réponse est-elle fluide et bien structurée ?

  • Équilibre : Les avantages et inconvénients sont-ils bien répartis ?

  • Exemples concrets : La réponse inclut-elle des exemples pertinents ?

Identifie les points à améliorer et reformule la réponse en corrigeant les éventuelles erreurs ou en ajoutant des détails si nécessaire.

Retrieval-Augmented Generation (RAG)

Le Retrieval-Augmented Generation (RAG) est une technique qui permet à l’IA d’exploiter des sources externes avant de générer une réponse. Plutôt que de se baser uniquement sur sa base de connaissances pré-entraînée, elle récupère des informations en temps réel à partir de bases de données, documents, API ou moteurs de recherche.

Cette technique améliore la précision et la pertinence des réponses en accédant à des données récentes ou spécialisées. Particulièrement utile pour 
 répondre sur des sujets pointus ou mis à jour.

Exemple : 

Sans RAG (Réponse basée sur la mémoire de l’IA)

Quels sont les nouveaux taux d’imposition en France en 2025 ?

Problème : L’IA utilise des connaissances figées, qui peuvent être obsolètes ou inexactes.

Avec RAG (Recherche d’informations avant de répondre)

Analyse les nouvelles lois fiscales de 2025 à partir du document suivant : [Lien vers un texte officiel ou extrait fourni]

Quels sont les nouveaux taux d’imposition en France cette année ?

Amélioration : L’IA extrait des informations à jour avant de formuler une réponse fiable.