L'ingénierie de prompt est l'art et la science de formuler les instructions données à un modèle de langage pour en obtenir la réponse la plus pertinente. C'est l'équivalent de bien poser sa question : un même modèle peut produire une réponse médiocre ou brillante selon la manière dont on lui parle. Le prompt est l'interface entre l'intention humaine et la puissance statistique du modèle.
Pourquoi cela fonctionne
Un modèle comme GPT-4 ne « comprend » pas au sens humain : il prédit le prochain mot le plus probable à partir du contexte fourni. Formellement, il échantillonne dans une distribution conditionnée par le prompt :
$$P(\text{réponse} \mid \text{prompt}) = \prod_{t} P(w_t \mid w_{<t}, \text{prompt})$$
Changer le prompt, c'est déplacer cette distribution. Un contexte riche, des exemples et un rôle clair concentrent la probabilité sur les bonnes réponses.
Techniques clés
- Zero-shot : poser la tâche directement, sans exemple.
- Few-shot : fournir quelques exemples résolus pour montrer le format attendu.
- Chain-of-thought : demander au modèle de raisonner étape par étape (« réfléchis pas à pas »), ce qui améliore nettement la résolution de problèmes.
- Rôle et contexte : assigner une persona (« Tu es un expert juridique… ») et préciser les contraintes.
| Approche | Exemples fournis | Usage typique |
|---|---|---|
| Zero-shot | 0 | Tâches simples |
| Few-shot | 2 à 5 | Format précis attendu |
| Chain-of-thought | variable | Raisonnement, calcul |
Une compétence transitoire ?
Les modèles récents sont moins sensibles à la formulation exacte, ce qui fait dire à certains que l'ingénierie de prompt s'effacera. Mais structurer clairement une intention restera précieux.
Un bon prompt ne dompte pas l'IA : il révèle ce qu'elle savait déjà faire.