Un prompt est une spécification. Le prompt engineering consiste à bien la rédiger et à vérifier que le modèle la suit.
Comment ça marche
Le guide d’OpenAI définit le prompt engineering comme « the process of writing effective instructions for a model » (traduction : « le processus d’écriture d’instructions efficaces pour un modèle ») afin qu’il « consistently generates content that meets your requirements » (traduction : « génère de façon constante un contenu conforme à vos exigences »). Les techniques de base se recoupent d’un fournisseur à l’autre :
| Technique | Que faire |
|---|---|
| Rôles | Mettre les règles dans le prompt système (ou le message developer) et la demande dans le message user |
| Structure | Ordonner le prompt système : identité, instructions, exemples, contexte ; délimiter les sections avec des titres Markdown et des balises XML |
| Exemples | Ajouter quelques paires entrée-sortie (few-shot prompting) couvrant des cas différents |
| Raisonnement | Demander un raisonnement étape par étape (chain of thought), ou utiliser un modèle de raisonnement |
| Format de sortie | Exiger un format fixe, ou utiliser la sortie structurée quand l’API la prend en charge |
| Stabilité | Figer une version du modèle pour que son comportement ne change pas à votre insu |
La vue d’ensemble d’Anthropic conseille de commencer par trois choses : des critères de réussite clairs, un moyen de tester par rapport à eux et une première version du prompt. En pratique, cela veut dire un jeu d’évaluation.
Un court exemple, avant et après. La seconde version fixe un rôle, exige exactement trois puces (le problème, l’impact client, l’étape suivante), reprend les mots du client pour les messages d’erreur et interdit de deviner les causes :
Before: Summarize this ticket.
After: You summarize support tickets for an engineering team.
Write 3 bullet points: the problem, the customer impact, the next step.
Use the customer's words for error messages. Do not guess at causes.
<ticket>...</ticket>
Pour les agents, le prompt n’est qu’une partie d’un contexte plus large. L’article d’Anthropic sur le context engineering distingue le prompt engineering, « methods for writing and organizing LLM instructions » (traduction : « méthodes pour écrire et organiser les instructions d’un LLM »), du context engineering, qui gère tout le reste de ce que voit le modèle.
Pourquoi c’est important
- De la qualité sans entraînement. Un meilleur prompt est la correction la moins chère à essayer, avant le fine-tuning ou un modèle plus gros.
- Coût. Le prompt système est renvoyé à chaque requête. Supprimez ce qui ne change pas la sortie ; voir réduire les tokens du prompt.
- Migration. Un prompt réglé pour un modèle peut se comporter autrement sur un autre. Relancez votre jeu d’évaluation quand vous changez de modèle.
Sur BroadNet Inference
Les modèles de chat de BroadNet acceptent la liste messages standard de Chat Completions : les rôles system, user et assistant et les exemples few-shot fonctionnent comme d’habitude. Vous pouvez essayer vos prompts dans le playground avant d’écrire du code. Pour une sortie en arabe, le prompt engineering en arabe traite du registre, du dialecte, des chiffres et de la mise en forme de droite à gauche.
La sortie structurée est documentée pour GLM 5.3 et Qwen3.8 27B. Sur DeepSeek V4.1 Flash, GLM 5.3 et Qwen3.8 27B, le raisonnement compte dans max_tokens : un prompt du type « think step by step » (traduction : « réfléchis étape par étape ») a donc aussi besoin de place dans le budget.