---
title: "Qu’est-ce que le prompt engineering ? Instructions pour LLM"
description: "Le prompt engineering consiste à écrire et tester des instructions pour qu’un LLM produise à chaque fois la sortie voulue. Techniques, tests, conseils pour l’arabe."
url: https://broadrouter.com/fr/glossary/prompt-engineering/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/prompt-engineering/) (mis à jour le 2026-11-15).

# Prompt engineering (ingénierie de prompt)

Mis à jour 2026-11-15

Le prompt engineering est le travail qui consiste à écrire, structurer et tester les instructions données à un modèle de langage pour qu’il produise de façon constante une sortie conforme à vos exigences. Il couvre les messages de rôle, des instructions claires, des exemples, la mise en forme et la mesure des résultats sur des cas de test.

Aussi appelé : prompt engineering, ingénierie de prompt, ingénierie des prompts, conception de prompts, techniques de prompting, prompt design, prompting techniques

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](https://broadrouter.com/fr/glossary/system-prompt/) (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](https://broadrouter.com/fr/glossary/few-shot-prompting/)) couvrant des cas différents |
| Raisonnement | Demander un raisonnement étape par étape ([chain of thought](https://broadrouter.com/fr/glossary/chain-of-thought/)), ou utiliser un modèle de raisonnement |
| Format de sortie | Exiger un format fixe, ou utiliser la [sortie structurée](https://broadrouter.com/fr/glossary/structured-output/) 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](https://broadrouter.com/fr/glossary/eval/).

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 :

```text
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](https://broadrouter.com/fr/glossary/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](https://broadrouter.com/fr/glossary/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](https://broadrouter.com/fr/blog/reduce-prompt-tokens/).
-   **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](https://broadrouter.com/fr/guides/try-broadnet-inference-playground/) avant d’écrire du code. Pour une sortie en arabe, [le prompt engineering en arabe](https://broadrouter.com/fr/blog/arabic-prompt-engineering/) 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](https://broadrouter.com/fr/models/glm-5.3/) et [Qwen3.8 27B](https://broadrouter.com/fr/models/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.

## Questions fréquentes

### Le prompt engineering est-il encore utile avec les modèles récents ?

Oui, même si les astuces changent. Les modèles récents suivent bien des instructions simples et précises : l’essentiel du travail consiste à énoncer clairement les exigences, à donner des exemples et à tester sur des entrées réelles.

### Quand faut-il plutôt faire du fine-tuning ?

Quand un prompt bien testé, avec exemples, échoue encore sur une grande part des cas, ou est trop long pour être envoyé à chaque requête. La documentation d’Anthropic note aussi que certains objectifs, comme une latence ou un coût plus bas, s’atteignent plus facilement en choisissant un autre modèle.

### Faut-il écrire en arabe les prompts destinés à une sortie en arabe ?

Les deux peuvent fonctionner. Précisez le registre ou le dialecte voulu, et comment traiter les chiffres et le texte mixte. L’article sur le prompt engineering en arabe compare les deux approches.

## Voir aussi

-   [Prompt système (system prompt)](https://broadrouter.com/fr/glossary/system-prompt/) (terme)
-   [Few-shot prompting (prompt avec exemples)](https://broadrouter.com/fr/glossary/few-shot-prompting/) (terme)
-   [Chaîne de pensée (chain-of-thought, CoT)](https://broadrouter.com/fr/glossary/chain-of-thought/) (terme)
-   [Context engineering (ingénierie du contexte)](https://broadrouter.com/fr/glossary/context-engineering/) (terme)
-   [Eval (évaluation de LLM)](https://broadrouter.com/fr/glossary/eval/) (terme)
-   [Sortie structurée (structured output)](https://broadrouter.com/fr/glossary/structured-output/) (terme)
-   [Tester BroadNet Inference dans le navigateur, sans compte](https://broadrouter.com/fr/guides/try-broadnet-inference-playground/) (guide)
-   [Prompt engineering en arabe : registre, RTL, chiffres et texte mixte](https://broadrouter.com/fr/blog/arabic-prompt-engineering/) (article)
-   [Réduire les tokens du prompt : prompts, outils et données mesurés](https://broadrouter.com/fr/blog/reduce-prompt-tokens/) (article)
-   [Avant le fine-tuning : définir le problème à résoudre](https://broadrouter.com/fr/blog/fine-tuning-readiness/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-prompt-engineering&utm_content=page-cta) ·

**Sources**

-   [Documentation de l’API OpenAI, guide du prompt engineering (consulté le 2026-11-15)](https://developers.openai.com/api/docs/guides/prompt-engineering)
-   [Documentation Anthropic, vue d’ensemble du prompt engineering (consulté le 2026-11-15)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview)
-   [Anthropic Engineering, Effective context engineering for AI agents (consulté le 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
