Prompt engineering : les techniques qui marchent vraiment

Le prompt engineering est l’art de formuler une demande à un modèle d’IA pour obtenir, de façon fiable, la réponse dont vous avez besoin. Les techniques qui marchent vraiment ne relèvent pas des formules magiques : elles consistent à donner au modèle le contexte, l’objectif, des exemples et un format clair, puis à vérifier le résultat sur des cas concrets.

Ce que recouvre le prompt engineering aujourd’hui

Un prompt est le texte que vous envoyez au modèle : consignes, contexte, documents, exemples et question. Le prompt engineering consiste à le concevoir et à l’améliorer méthodiquement. Avec les premiers modèles, on cherchait des tournures qui « débloquaient » de meilleures réponses. Avec les grands modèles actuels, l’enjeu s’est déplacé : ils comprennent presque toujours ce que vous dites, mais ils ne devinent pas ce que vous ne dites pas.

Les éditeurs de modèles publient désormais des guides détaillés. Ce guide s’appuie sur deux d’entre eux, ouverts le 22 octobre 2026 : la présentation du prompt engineering d’Anthropic avec ses bonnes pratiques, et le guide de prompt engineering d’OpenAI. Leurs conseils convergent largement, ce qui est en soi une information utile.

Les techniques en un coup d’œil

Technique	Quand l’utiliser	Ce qu’elle corrige
Consignes claires et contexte	Toujours	Les réponses génériques ou à côté
Expliquer le pourquoi	Règles de forme ou de fond	Les règles appliquées de travers
Rôle et prompt système	Applications, assistants récurrents	Le ton et le niveau inadaptés
Exemples (few-shot)	Format ou style précis	Les sorties irrégulières
Balises de structure	Prompts longs, documents multiples	La confusion entre consignes et données
Raisonnement explicite	Problèmes à plusieurs étapes	Les erreurs de logique
Format de sortie imposé	Traitement automatique	Les réponses impossibles à analyser
Documents d’abord, question à la fin	Contexte très long	La perte d’informations
Chaînage et autocorrection	Tâches complexes	Les brouillons non relus
Tests et évaluations	Avant toute mise en production	Les régressions invisibles

1. Être clair, précis et donner le contexte

C’est la technique qui rapporte le plus. Anthropic recommande de traiter le modèle comme un employé brillant mais nouveau, qui ne connaît ni votre entreprise, ni votre public, ni vos habitudes. Son test : montrez votre prompt à un collègue qui n’a pas le contexte ; s’il serait perdu, le modèle le sera aussi.

Concrètement, précisez :

• l’objectif : à quoi servira la réponse et pour qui ;
• le contexte : ce que le modèle ne peut pas savoir (votre produit, vos contraintes, ce qui a déjà été essayé) ;
• les critères de réussite : longueur, niveau de détail, ce qui doit absolument figurer ;
• les étapes, numérotées, lorsque l’ordre compte.

Comparez « Écris un mail de relance » et « Rédige un mail de relance de cinq lignes pour un client qui n’a pas réglé une facture depuis trente jours ; ton cordial mais ferme ; propose un appel cette semaine ; pas de formule d’excuse ». La seconde version ne contient aucune astuce : seulement les informations que vous aviez en tête.

2. Expliquer pourquoi une consigne compte

Une règle sans justification est appliquée à la lettre, parfois de travers. Une règle expliquée est généralisée intelligemment. L’exemple d’Anthropic est parlant : plutôt que « n’utilise jamais de points de suspension », écrivez que la réponse sera lue par un moteur de synthèse vocale qui ne sait pas les prononcer. Le modèle comprend alors qu’il doit aussi éviter d’autres signes illisibles à l’oral.

Dans le même esprit, dites ce qu’il faut faire plutôt que ce qu’il ne faut pas faire. « Rédige des paragraphes fluides » fonctionne mieux que « n’utilise pas de listes à puces ». Et adoptez dans votre prompt le style que vous attendez en sortie : un prompt rempli de Markdown appelle une réponse en Markdown.

3. Donner un rôle et soigner le prompt système

Le prompt système est le message de cadrage placé avant la conversation. C’est l’endroit pour définir un rôle (« Tu es juriste spécialisé en droit du travail et tu réponds à des responsables RH de PME »), le ton, les limites et le format par défaut. Les deux éditeurs recommandent cette pratique.

OpenAI apporte une précision utile pour qui développe une application : les messages du développeur priment sur ceux de l’utilisateur. Sa documentation compare le prompt système à une fonction et les messages de l’utilisateur à ses arguments. Placez donc les règles durables côté système et laissez l’utilisateur fournir la demande du moment.

Vérifiez-vous Votre assistant interne répond correctement, mais dans un ton trop familier pour vos clients. Où corriger : dans chaque message, ou ailleurs ?

Dans le prompt système. Le ton est une règle durable, qui doit s’appliquer à toutes les conversations : la placer dans le cadrage évite de la répéter et lui donne la priorité. Ajoutez la raison (« les réponses sont envoyées telles quelles à des clients ») et, si possible, un court exemple du ton attendu.

4. Montrer des exemples (few-shot)

Montrer vaut souvent mieux qu’expliquer. Le few-shot prompting consiste à inclure quelques exemples d’entrées et de sorties attendues. L’idée a été popularisée par l’article de recherche sur GPT-3 publié en mai 2020 (arXiv 2005.14165), qui montrait qu’un grand modèle pouvait apprendre une tâche à partir de quelques démonstrations placées dans le prompt.

Les bonnes pratiques d’Anthropic, consultées le 22 octobre 2026, recommandent trois à cinq exemples, choisis pour être :

• pertinents : proches de vos cas réels ;
• variés : couvrant les cas limites, pour que le modèle ne copie pas un détail involontaire ;
• délimités : placés dans des balises dédiées, pour ne pas être confondus avec la demande.

OpenAI fait la même recommandation. Un bon signal d’alerte : si toutes les réponses du modèle ont la même longueur que votre unique exemple, c’est qu’il l’imite trop.

5. Structurer avec des balises

Dès qu’un prompt mélange consignes, documents et exemples, séparez-les nettement. Anthropic recommande des balises de type XML, OpenAI accepte aussi des titres Markdown. L’essentiel est la cohérence : des noms explicites, réutilisés d’un prompt à l’autre.

<instructions>
Résume le contrat ci-dessous pour un responsable achats.
Cinq puces maximum, risques d'abord.
</instructions>

<contrat>
[texte du contrat]
</contrat>

<format>
Une ligne de conclusion : signer, négocier ou refuser.
</format>

Cette structure évite que le modèle prenne une phrase du document pour une consigne. Elle limite aussi, sans la supprimer, l’exposition à l’injection de prompt quand le document vient d’une source extérieure.

6. Faire raisonner le modèle

Pour les problèmes à plusieurs étapes (calculs, analyses, décisions avec critères), demander au modèle de réfléchir avant de répondre améliore les résultats. C’est la chaîne de pensée, décrite dans un article de recherche de janvier 2022 (arXiv 2201.11903).

La pratique a évolué avec les modèles de raisonnement, qui réfléchissent d’eux-mêmes avant de répondre. OpenAI note qu’ils fonctionnent mieux avec des consignes de haut niveau, en décrivant l’objectif, alors que les modèles classiques ont besoin d’instructions très précises, étape par étape. Avec un modèle de raisonnement, il est donc souvent inutile, voire contre-productif, de lui dicter chaque étape : donnez-lui le but et les critères.

7. Imposer le format de sortie

Si la réponse doit être lue par un programme, décrivez précisément le format : champs, types, valeurs autorisées. Pour une intégration fiable, préférez les sorties structurées proposées par les API, qui contraignent le modèle à respecter un schéma.

Point de vigilance relevé dans la documentation d’Anthropic : la technique du préremplissage, qui consistait à écrire le début de la réponse à la place du modèle, n’est plus prise en charge à partir des modèles Claude 4.6. Les sorties structurées la remplacent pour forcer un format.

8. Gérer les contextes longs

Avec une fenêtre de contexte de plus en plus large, la tentation est grande de tout coller dans le prompt. L’ordre compte. Pour les entrées longues, Anthropic recommande de placer les documents en haut et la question à la fin : selon ses bonnes pratiques consultées le 22 octobre 2026, cela peut améliorer la qualité des réponses jusqu’à 30 % dans ses tests, pour des entrées de plus de 20 000 tokens environ.

Deux conseils complémentaires :

• identifiez chaque document par des balises avec sa source et sa date ;
• demandez d’extraire d’abord les citations pertinentes, puis de répondre à partir d’elles : cela réduit les hallucinations, c’est-à-dire les affirmations inventées.

9. Chaîner les étapes et faire relire

Une tâche complexe se découpe mieux en plusieurs appels qu’en un prompt géant. Anthropic décrit un schéma simple d’autocorrection : un premier appel produit un brouillon, un deuxième le relit selon des critères précis, un troisième l’améliore. Chaque étape est plus facile à tester et à corriger séparément.

C’est aussi le principe de base des agents : une boucle d’étapes, d’outils et de vérifications. Si vous voulez donner à votre modèle l’accès à vos propres données ou fonctions, voyez notre tutoriel pour créer un serveur MCP.

10. Tester, mesurer et figer la version du modèle

Un prompt qui marche sur trois essais peut échouer sur le quatrième. Les deux éditeurs insistent sur l’évaluation : constituez un jeu de cas représentatifs, avec les réponses attendues, et faites-le tourner à chaque modification du prompt. Notre article sur l’évaluation d’un agent IA détaille la méthode.

OpenAI recommande en outre de figer en production une version précise du modèle (un « snapshot »), car le comportement peut changer d’une version à l’autre. Anthropic va dans le même sens : toute technique propre à un modèle doit être revérifiée sur vos propres évaluations à chaque changement.

Enfin, pour les applications à gros volume, placez le contenu stable (consignes, exemples, documents de référence) au début du prompt. OpenAI rappelle que cela permet de profiter de la mise en cache du prompt, qui réduit le coût et la latence. Pour estimer la facture, consultez notre guide des prix des API d’IA.

Les fausses bonnes idées

Quelques réflexes répandus apportent peu, voire nuisent :

• Les menaces et les récompenses (« c’est vital pour ma carrière ») : elles ne figurent pas parmi les techniques recommandées par ces guides ; une consigne claire et justifiée suffit.
• Les majuscules partout : à notre avis, crier une règle ne remplace pas son explication. Une consigne justifiée est mieux comprise et mieux généralisée qu’un « JAMAIS » en capitales.
• Le prompt fourre-tout : empiler toutes les règles possibles noie les plus importantes. Mieux vaut un prompt court, testé, puis enrichi au vu des erreurs observées.
• Copier un prompt d’un modèle à l’autre sans retester : chaque famille de modèles a ses particularités.

Passer à la pratique

Une méthode simple suffit pour progresser vite :

1. Rédigez un premier jet avec objectif, contexte, consignes et format, sans chercher la perfection.
2. Rassemblez quelques cas réels, dont des cas difficiles ou ambigus, et notez la réponse que vous attendez pour chacun.
3. Lancez le prompt sur tous les cas et classez les erreurs : information manquante, format non respecté, raisonnement faux, ton inadapté.
4. Corrigez une seule chose à la fois, puis relancez l’ensemble des cas pour vérifier que vous n’avez rien cassé ailleurs.

Cette discipline compte davantage que n’importe quelle astuce : elle transforme une impression (« ça a l’air mieux ») en constat vérifiable.

Pour démarrer sans page blanche, le générateur de prompts du site vous aide à structurer rôle, contexte, consignes et format. Testez ensuite le résultat sur un assistant comme Claude ou un autre modèle, sur plusieurs cas réels. Et si votre objectif est d’aller plus loin qu’une conversation, notre guide pour créer un agent IA montre comment ces prompts deviennent le cœur d’un agent.