La plupart des gens qui utilisent ChatGPT ou Claude au quotidien n’ont jamais lu une ligne de documentation sur le prompt engineering. Ils tapent une question, obtiennent une réponse, et si elle ne convient pas, ils reformulent au feeling. Ça fonctionne pour des usages simples. Ça ne suffit pas pour des usages professionnels répétables.

La documentation officielle d’Anthropic sur le prompt engineering (disponible sur docs.anthropic.com) est l’une des plus complètes et des mieux rédigées du secteur. Voilà ce que j’en retiens après avoir lu et appliqué ces principes sur des dizaines de projets.

Le principe de base : la précision est une compétence

Les LLMs sont des modèles de prédiction statistique. Ils prédisent le token le plus probable étant donné le contexte. Un prompt vague produit des réponses qui correspondent à la distribution statistique des textes d’entraînement sur ce sujet – c’est-à-dire du contenu moyen.

Un prompt précis contraint le modèle vers un sous-espace plus spécifique de cette distribution. La spécificité est la clé de la qualité.

Les techniques documentées par Anthropic

Donner un rôle. « Tu es un expert en SEO technique qui audite des sites WordPress » produit des réponses différentes de « aide-moi avec le SEO ». Le rôle contextualise le registre, le niveau de détail et les hypothèses implicites du modèle.

Structurer le prompt en parties distinctes. Anthropic recommande de séparer clairement le contexte, la tâche, le format attendu et les contraintes. Un prompt bien structuré ressemble à un brief professionnel – pas à une question de café.

Fournir des exemples (few-shot prompting). Montrer au modèle 2 ou 3 exemples du type de sortie attendu améliore significativement la cohérence. « Écris une fiche produit comme celles-ci : [exemple 1] [exemple 2] » est systématiquement meilleur que « écris une fiche produit ».

Utiliser les balises XML pour structurer les données. Claude en particulier répond mieux aux prompts qui utilisent des balises XML pour délimiter les sections : « , « , « , « . Cette structuration réduit l’ambiguïté et améliore la fidélité à la tâche.

Demander la réflexion avant la réponse. La technique « chain of thought » – demander au modèle de raisonner étape par étape avant de conclure – améliore la précision sur les tâches analytiques. « Réfléchis étape par étape avant de donner ta réponse » suffit à l’activer.

Ce que la recherche d’Anthropic montre sur les erreurs communes

Le papier « Constitutional AI » d’Anthropic (2022) et les guides techniques suivants identifient plusieurs patterns qui dégradent la qualité des sorties :

  • Les instructions négatives (« ne fais pas X ») sont moins efficaces que les instructions positives (« fais Y à la place »)
  • Les prompts trop longs avec des instructions contradictoires créent des comportements imprévisibles
  • L’absence de format spécifié produit des sorties de longueur et de structure variables

Comment j’applique ça concrètement

Pour les tâches répétitives – rédaction de fiches produits, génération de méta-descriptions, résumés de rapports – je maintiens une bibliothèque de prompts testés et versionnés. Un prompt qui a produit de bons résultats sur 50 exécutions est plus fiable qu’un prompt réécrit à chaque fois.

Cette approche transforme l’IA d’un outil imprévisible en un système de production avec une qualité de sortie stable. C’est la différence entre un usage amateur et un usage professionnel.